基于图像去雾和图像检测的交通信息提取算法

基于图像拍摄成像过程中雾霾天气及相机抖动,提出了一种从单幅图像中移除未知相机抖动的算法,利用图像的形状特征、颜色特征、纹理特征及Hough变换,可以有效地识别交通信号灯、障碍物及道路。利用先近后远,先简单后复杂的原则,设计了一种基于图像去雾和图像检测的交通信息提取算法。算法首先进行图像预处理,然后对图像进行边缘检测,获得每个物体的多边形轮廓;然后根据物体特征分别利用不同算法对物体进行分类。实验结果表明,算法可以有效地对实时环境中包括道路、车、行人、盲道、斑马线、交通灯类型等物体识别,图像检测算法可以满足导盲的要求。     

基于视频图像处理的实验室异常行为检测

连续采集多帧视频图像,利用帧间滤波法建立背景图像,并通过改进背景差分算法尽可能地提取完整的目标轮廓,并用链表法表示轮廓特征。提取目标轮廓的HOG特征,通过SVM分类器进行分类,研究分析不同的人体异常行为。该方法可以有效识别出快速移动、弯腰行走、跌倒、跳跃、长时间停留等异常行为。     

基于图像模拟的SAR图像角反射器检测方法研究

在用InSAR技术进行地表变形检测时,往往存在一些因素影响着检测精度,解决该问题很重要的一个途径是设置人工角反射器,或者引进所谓永久散射体的概念。而要利用角反射器,就必须研究角反射器检测技术。本文根据SAR图像角,反射器的特点对角反射器点目标图像进行模拟,并结合模式匹配方法,提出了一种有效的SAR图像角反射器点检测方法,实验结果表明该角反射器点检测方法是有效的。     

基于事件最大边界的密集视频描述方法

针对基于集合预测的密集视频描述方法由于缺乏显式的事件间特征交互且未针对事件间差异训练模型而导致的模型重复预测事件或生成语句雷同问题,提出一种基于事件最大边界的密集视频描述（dense video captioning based on event maximal margin,EMM-DVC）方法。事件边界是包含事件间特征相似度、事件在视频中时间位置的距离、生成描述多样性的评分。EMM-DVC通过最大化事件边界,使相似预测结果的距离远且预测结果和实际事件的距离近。另外,EMM-DVC引入事件边界距离损失函数,通过扩大事件边界距离,引导模型关注不同事件。在ActivityNet Captions数据集上的实验证明,EMM-DVC与同类密集视频描述模型相比能生成更具多样性的描述文本,并且与主流密集视频描述模型相比,EMM-DVC在多个指标上达到最优水平。     

基于改进的Boosting算法的高速公路交通事件检测

提出一种基于Boosting BP神经网络的交通事件检测方法.以上下游的流量和占有率作为特征,BP神经网络作为分类器进行交通事件的自动分类与检测.为了进一步提高神经网络的泛化能力,采用一种调整权值分布,限制权重扩张的改进的Boosting方法,分类器以加权投票方式进行分类决策.实验结果表明该交通事件检测算法是有效的.     

视频图像中的人脸快速检测算法研究

利用对称差分、肤色模型和几何特征相结合可以快速实现视频图像中的人脸检测,具体做法是:先利用图像对称差分方法得到运动区域,再用肤色检测方法在运动区域中得到人脸候选区域,最后通过检测眼睛位置,利用人脸几何特征精确定位人脸.此方法提高了检测速度,降低了误检率,可以应用在视频监控等实时系统中.     

基于随机森林的交通事件检测方法设计与分析(英文)

为了进一步提高决策树模型的交通事件检测性能,且避免噪音和过拟合现象,提出了基于随机森林的交通事件检测方法.从分类强度和相关性2个角度进行分析,并构建了3组实验:与不同数目决策树的对比、与不同决策树的对比及与神经网络的对比.实验数据采用实测的高速公路交通参数数据库(I-880数据库);实验的评价指标采用检测率、误警率、平均检测时间、分类率和ROC曲线下的面积.实验结果表明,基于随机森林的交通事件检测模型可以提高检测率、减少检测时间、提高分类正确率,和多层前馈神经网络相比具有很好的竞争力.     

基于视频的车辆违章越线行为检测方法研究

本文介绍了一种基于视频的车辆违章越线行为识别方法.该方法首先利用帧数统计判断当前图像的车道线边界状态,然后根据车道线的不同状态分别采用检测车前部的均匀灰度区域和检测车头复杂边界信息的方法来实现车辆的越线检测.实验结果表明该方法是有效的.     

基于图像检测技术的零件间隙图像处理方法

利用CCD传感器成像系统摄取零件配合间隙图片,通过图像转换、直方图均衡化、winner滤波去噪、边缘提取等图像处理方法清晰的提取出配合间隙的边缘图像,利用hough变换检测直线,即可根据检测零件的参数要求算出间隙尺寸.     

基于OpenCV的视频图像梯形畸变实时校正方法

在拍摄视频时,由于拍摄位置、方向等因素的限制,拍摄的图像常常会出现梯形畸变．通过分析数字图像梯形畸变产生的机制并考虑到实际环境的复杂度对校正效果的影响,提出一种在VC＋＋环境下调用OpenCV库函数实现实时校正视频图像梯形畸变的方法．该方法首先利用人工标定的方式提取梯形畸变图像的边缘轮廓：然后利用轮廓顶点坐标,计算各顶点在校正后图像上对应顶点坐标,再通过顶点坐标求得畸变校正矩阵;最后对畸变图像进行校正．实验表明,该方法能够快速有效地进行实时校正,具有较强的鲁棒性．     

基于视频图像处理的实验室异常行为检测北大核心

连续采集多帧视频图像,利用帧间滤波法建立背景图像,并通过改进背景差分算法尽可能地提取完整的目标轮廓,并用链表法表示轮廓特征。提取目标轮廓的HOG特征,通过SVM分类器进行分类,研究分析不同的人体异常行为。该方法可以有效识别出快速移动、弯腰行走、跌倒、跳跃、长时间停留等异常行为。     

基于LS-SVM算法的遥感图像目标检测方法研究

遥感图像受到光照、拍摄角度、大雾等影响使得目标检测精度低,为提高遥感图像目标检测质量,通过计算遥感图像背景复杂度,进行目标区域的预提取,实施目标检测,提出基于LS-SVM算法的遥感图像目标检测模型。将提出的方法应用于舰船遥感图像和航空遥感图像的目标检测中,并和联合显著性特征和角度信息方法、改进SSD算法进行对比。结果表明该方法能够更好地对比较暗、尺寸比较小的目标进行检测,具有一定的应用价值。     

基于半人工标定的视频检测交通参数基准数据获取

为准确地评估车辆检测各种算法在实际环境复杂场景的运行优劣,提出一种基于半人工标定的视频检测交通参数基准数据获取算法。在充分采集各种交通应用场景不同环境的多段交通视频的基础上,该算法主要包括2个方面:1)基于半人工标定的车辆位置-时间真实数据(车辆行进轨迹数据)获取;2)基于车辆位置-时间真实数据研究计算多种交通参数准确数据的算法。该算法充分考虑现有视频检测的条件,以简易的方式获得真实的交通参数。经过与TRAFICON交通视频检测系统的比较可知,基于半人工标定方法获取的交通参数基准数据具有高准确性,这保证了该计算平台可以有效用于视频检测性能分析与评估。     

高速公路交通事件检测影响因素分析

高速公路交通事件的有效检测对保证交通安全、提高运输效率具有重大的经济效益和社会效益。文章首先对高速公路交通事件进行了种类划分,分别分析了常发性交通事件和偶发性交通事件对交通流的影响。采用交通仿真软件TSIS(traffic software integration systems)获取研究所需的数据,研究和分析如何进行交通事件检测算法的参数选择。通过对仿真数据的分析,发现以车辆占有率作为交通事件的检测参数更为合理。     

基于YOLO的视频行人检测研究

针对视频中行人检测准确率低的问题,提出一种基于YOLO的视频行人检测研究方法。首先引入YOLOv5检测器,在YOLOv5的Neck部分融合注意力模块CBAM,加强对低层特征的提取,解决视频中行人运动模糊问题,提高行人检测精度;其次引入DeepSort算法,在视频行人数据集上进行训练,实现行人跟踪;最后在DeepSort算法实现行人跟踪后引入REID技术,有效纠正行人运动轨迹,解决行人位置信息出错问题。实验结果表明：所提方法较原始算法mAP@0.5提高了2.8%,mAP@0.5:0.95提高了5.4%。     

基于多特征融合的视频火灾检测方法

相较于传统单点传感器检测火灾的方法,采用视频检测火灾更快、更可靠,而且可以提供火灾大小、增速等直观的图像信息。结合图像处理技术,设计一种可以同时检测火焰和烟雾的视频火灾检测方法。首先,通过提取移动区域的方式,并利用改进的火灾颜色模型提取出疑似火灾区域;然后,选出抗干扰能力强的火灾特征并对提取各特征的方法进行设计;最后,将火焰特征输入支持向量机进行火焰判别,将烟雾各特征与阈值比较后的结果输入可调节检测灵敏度的逻辑运算器进行烟雾判别,结合火焰与烟雾判别结果决定是否进行火灾预警。大量实验结果表明,该方法不仅可以检测明火,而且可以检测阴燃火,在检测准确率、误报率及反应时间上都有更好的表现。     

基于视频图像处理的液体粘度识别方法研究

为了在生产过程中实现液体粘度的在线监测,提出一种结合数字图像处理和液滴分析技术的液体粘度识别方法.通过实验获得不同粘度液滴的形成及生长过程图像,利用图像处理技术得到液滴生成周期的轮廓特征数据,并采用随机森林特征选择(RFFS)算法选择高质量特征子集作为输入,对麻雀搜索算法(SSA)优化的SVR模型进行训练,获得能够识别...     

基于视频系统的简谐运动图像描绘

利用数码相机的视频拍摄功能及动画软件,提出了一种新的描绘简谐运动图像的方法。     

基于图像分解与边缘检测的图像去噪方法

针对图像去噪时产生的“阶梯效应”、边缘线条上的光滑性和线状结构不易恢复性,提出基于图像分解与边缘检测的图像去噪方法,首先用图像分解与边缘检测模型将噪声图像分解为结构部分和纹理部分,并提取边缘信息,然后根据边缘指示函数用P—M扩散和相干增强扩散结合的方法对纹理部分去噪,最后将去噪的纹理部分与结构部分组合得到去噪图像。数值试验结果表明,该方法提高了图像去噪的质量,有效避免了扩散中产生的“阶梯效应”,较好地保护了边缘信息,恢复其光滑的线状结构。