基于腐蚀-膨胀比的视频场景运动状态鲁棒检测

针对智能视觉分析中视频场景状态检测问题,提出了一种鲁棒的方法。首先,用高斯金字塔算法预处理输入帧;对比3种帧间差计算方法,其中,先灰度化再差分的帧间差计算方案性能最佳。通过分析帧间差灰度图中高亮点在空间分布和形态学上的差异,提出了基于腐蚀-膨胀比的场景状态检测算法REDP。将算法应用于不同场景、亮度、天气条件下的视频序列,实验结果说明了算法不仅可指示获取场景中运动对象位置和轮廓信息的时机,而且,验证了算法对于场景状态检测的有效性。通过增大参与帧间差运算的帧间间距,可进一步提高算法对场景状态检测的鲁棒性。     

半径间隔界驱动卷积神经网络模型的图像识别

基于支持向量机（SVM）的卷积神经网络（CNN）模型结合了大间隔原理,在图像识别中表现出了优异的泛化性能。然而,该方法忽视了一个关键:SVM的泛化性能不仅取决于不同类之间的间隔,还与所有样本的最小包含球（MEB）的半径有关。针对这一事实,文章提出一种基于半径间隔界（RMB）驱动的CNN模型的图像特征提取和识别的方法。与传统CNN模型相比,该模型采用基于SVM泛化误差界的策略来指导CNN深度模型学习和相应分类器构建,不仅考虑了不同类别之间的间隔,还考虑了MEB的半径。该模型能提高深度卷积模型的泛化能力而不会额外增加网络的复杂度,还能够应用于不同的深度模型中而不受限于某一特定的网络结构。在多个数据集上的实验结果表明,相比于基于Sofmax损失的CNN模型、基于中心损失的CNN模型以及基于 SVM 的 CNN 模型,该模型能够提取到鉴别性更强的图像特征,取得更高的识别率。     

扇形板补焊变形量的控制

我厂生产的卷取机上的扇形板．因工艺编制失误，在外圆加工剩余2mm加工量时．发现扇形板内弧面及周边齿形处缺8mm。此件为锻件，材质为42CrMo，且已调质处理，因其生产周期长．若报废，损失太大且交货期无法保证．故决定补焊．补焊位置如图1所示。     

淬火台架轨道工艺优化

对于细长、刚性较差的轨道批量件,原图纸规定为焊后加工,不仅加工难度大,且轨道质量不易保证.经研究分析,改焊后加工为焊前加工,通过采取一系列防变形措施,圆漏完成了其生产制造任务.     

基于光流场估计的自适应Mean-Shift目标跟踪算法

针对Mean-Shift算法在目标跟踪中出现由于目标运动速度过快或尺度明显变化以及目标遮挡时导致跟踪失败的问题,结合光流场估计,提出了一种自适应Mean-Shift跟踪算法。本文方法在基于传统均值漂移矢量法的同时,引入光流法,在目标上找寻特征点,通过特征点前后变化的信息,修正跟踪窗口中心位置和大小,再根据Bhattacharyya系数二分法分别自适应得到更为精确的窗口长宽;而针对目标被静止物体遮挡,通过色差分析观测目标被遮挡区域,利用Bhatta-charyya系数重新捕捉目标。实验结果表明,本文方法在对目标移动方向较明显或由透视变化而导致的尺度变化具有较其他算法更优异的表现。将本文方法应用到铁轨跟踪实际中,测试结果表明,结合本文方法可显著提高轨道跟踪的可靠性。     

偏差校正的DCT子空间非局部均值MRI图像去噪算法

针对直接采用高斯白噪声去噪算法去除MRI图像中的莱斯(Rician)噪声仅能取得次优去噪效果这一问题,在DCT子空间非局部均值去噪算法基础上,提出一种偏差校正的DCT子空间非局部均值MRI图像去噪算法。首先分析MRI图像中Rician噪声的特性,给出在MRI模值平方图中估计噪声偏差的方法;然后使用偏差校正的DCT子空间非局部均值MRI图像去噪算法在MRI图像的模值平方图上进行去噪处理。在模拟MRI图像上进行实验,其结果表明,该算法在有效去除Rician噪声的同时,很好地保留了器官和软组织的细节纹理信息,取得了较好的去噪效果。       

基于改进稀疏编码的图像超分辨率算法

针对传统基于稀疏字典对的超分辨率（SR）算法训练速度慢、字典质量差、特征匹配准确性低的缺点,提出一种基于改进稀疏编码的图像超分辨率算法。该算法使用自适应阈值的形态组成分析(MCA)方法提取图像特征,并采用主成分分析算法对训练集进行降维,提高特征提取的有效性,缩短字典训练时间,减少过拟合现象。在字典训练阶段,使用改进的稀疏K-奇异值分解(K-SVD)算法训练低分辨率字典,结合图像块的重叠关系求解高分辨率字典,增强字典的有效性和自适应能力,同时极大地提高了字典的训练速度。在Lab颜色空间对彩色图像进行重建,避免由于颜色通道相关性造成的重建图像质量下降。与传统方法相比,该算法重建图像质量和计算效率更优。     

最小类局部保持方差指导的相关滤波器

针对最大间隔相关滤波器未考虑样本内部结构信息导致训练不充分的问题,提出一种最小类局部保持方差相关滤波器（MCLPVCF）。MCLPVCF 融合样本加权邻接图的思想,引入局部保留类内散度,充分考虑样本的分布信息及内在流型结构,同时最大化分类间隔和优化相关输出,进而在训练过程中兼顾样本的类别信息和结构信息,获得更符合样本情况的滤波器。实验结果表明,相比 MMCF 及其他传统相关滤波器,MCLPVCF 在目标识别率和检测准确率上有较大提高。     

基于深度残差反投影注意力网络的图像超分辨率

针对多数单帧图像超分辨率(single image super-resolution,SISR)重建方法存在的特征信息发掘不充分、特征图各通道之间的相互依赖关系难以确定以及重建高分辨率(high resolution,HR)图像时存在重构误差等问题,提出了基于深度残差反投影注意力网络的图像超分辨率(SR)算法。即利用残差学习的思想缓解训练难度和充分发掘图像的特征信息,并使用反投影学习机制学习高低分辨图像之间的相互依赖关系,此外引入了注意力机制动态分配各特征图以不同的注意力资源从而发掘更多的高频信息和学习特征图各通道之间的依赖关系。实验结果表明了所提方法相比于多数单帧图像超分辨率方法,不仅在客观指标方面得到了显著的提升,而且重建的预测图像也具有更加丰富的纹理信息。     

基于改进Faster R-CNN的铁路信号灯与停留车检测方法

在铁路编组站调车作业中,因调车头机车结构特点,司机难以时刻观察地面信号,常因主观误判导致调车头误闯信号灯挤坏道岔和冲撞停留车的事故发生。文章针对铁路信号灯与停留车目标大小悬殊的多尺度目标检测问题,改进Faster R-CNN目标检测算法,采用深浅层特征融合方法和多尺度训练策略,较好地兼顾了对二者的高质量检测。此外,文章采集车载铁路视频图像,标注信号灯和停留车,构建了较大型的目标检测数据集。实验结果表明,改进的Faster R-CNN在所构建数据集中,信号灯检测精确率达到96.6%,停留车检测精确率达到98.9%,检测速度约10帧/秒,能够满足铁路编组站低速调车作业应用场景的实时性要求。