基于时空特征的航拍视频运动目标检测研究

航拍视频具有监控场景范围大、采集设备移动迅捷等优点。与普通监控视频相比,航拍具有目标分辨率低、场景干扰因素多、采集设备不固定等问题,运动目标检测是个难题。针对这些问题,提出一种融合时空特性的两级运动目标检测算法。首先利用SURF算子完成图像匹配,解决摄像机移动问题,并结合目标的运动特性及自适应道路检测算法完成时域上的目标区域检测|采用HSV空间中的S分量图颜色特征,利用道路区域与目标区域的差异性完成空域目标区域检测。实验采用著名的VIVID Egtest01数据库以及Munich Crossroad01数据库中的数据,并与传统方法进行对比。结果显示该算法平均准确率达到93%,相比于传统方法有效性和鲁棒性更好。     

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。     

基于多区域中心加权卷积特征的图像检索

针对图像特征局部信息描述不足问题,提出一种基于多区域中心加权深度卷积特征提取方法。首先通过卷积神经网络提取输入图像的卷积层激活特征图,然后通过计算不同通道特征图的差异,选择具有区分性的区域特征图,最后通过多区域权重进行加权聚合,生成用于检索图像特征向量。在不同的建筑物数据集进行实验,结果表明检索精度分别提升了1.2%、0.9%。     

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。     

基于注意力机制的高分辨率遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉实践课程中的一个创新实验项目.针对高分辨率遥感图像目标检测过程存在的问题,在主干网络的残差基本单元中引入注意力机制,设计基于注意力机制的目标检测模型.利用模型分别检测DIOR数据集及DOTA数据集,并对检测结果进行了对比分析.结果表明,该检测模型实现了对图像中不同目标较为精确的分类和...     

一种快速自动多目标图像分割算法

针对进化多目标图像分割算法运行时间长且依赖人工挑选最优解的不足,提出一种快速自动多目标图像分割算法。首先使用自适应Mean-shift算法对图像进行预处理,将粗分割结果进行二次分割以提高运行速度;其次选择相互排斥的指标作为多目标的目标函数,并采用RM-MEDA框架对超像素颜色与纹理特征分别进行优化,同时对它们使用不同权值作为目标函数优化;最后由模糊模型从众多Pareto折中解集中自动选择满足实际分割要求的PS解。引入Mean-shift进行预分割,相对于标准的RM-MEDA,其运行速度提高近18%,由模糊模型推荐的Pareto解中,97%的情况符合分割要求。     

基于物联网的人工智能图像检测系统设计研究

传统的小波能图像检测算法已无法满足现代物联网的发展需求,在实际过程中,也发现了小波能图像检测算法在精度与速度上都存在不足.基于以上现象,本文中采用人工智能采集技术提取图像的基本特征,再结合物联网强大的运算能力与其庞大的数据量信息,对所采集到的图像特征进行分析与解剖,根据其所反馈的特征信号,再通过物联网人工智能图像合成对其进行图像整合,继而搭建物联网人工智能图像检测系统.     

基于卷积神经网络的光学遥感图像目标检测

针对光学遥感图像中的目标检测问题,提出了1种基于卷积神经网络模型的算法,对遥感目标检测任务进行端到端的训练和检测,根据输入的光学遥感图像,直接输出目标包围盒的回归结果和置信度。为训练和测试模型,建立了1个包含1万多个飞机、舰船目标以及广泛复杂背景的数据集。所提算法在其测试集上达到了超过90%的准确率和召回率,在GPU上的运行速度也接近实时,体现了算法准确、高效、鲁棒和易于训练的特点。     

基于信息论的图像特征选择

图像特征选择是基于内容的图像检索的关键技术之一,ReliefF算法是常用的图像特征选择算法。针对ReliefF特征选择算法的不足,利用信息论中的散度对其进行改进,在相同的时间复杂度下,使得结果的有效性得到一定的改善。提出两步法的特征选择框架,并且实现去除冗余特征的算法,在保证结果有效性的前提下大大降低了时间复杂度。     

融合图像显著性的YOLOv3船舶目标检测算法研究

针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。     

基于改进 SSD 网络的目标检测方法

传统目标检测方法存在准确率低、可靠性差、效率低等问题,无法满足对大量图片准确、高效处理的需求。对 SSD 网络结构进行改进,删除原网络最后两个预测层,对保留各预测层的默认框个数和宽高比进行优化,同时对保留的最后一个预测层的网络参数进行改进。改进后的 SSD 网络减少了网络参数和计算量,对存在遮挡、目标较小等情况的图片数据具有更好的检测精度和检测效果,同时模型检测的 mAP 提高了约 5.1%。改进后的网络模型解决了传统方法的不足,可以实时、准确、高效地对大量图片数据进行目标检测处理。     

基于深度学习的小目标检测算法综述

由于小目标分辨率低、携带的信息少,现有基于深度学习的目标检测算法对小目标检测精度远远小于对大目标的检测精度。针对小目标检测精度问题,以基于深度学习的目标检测为切入点,系统总结了基于深度学习的目标检测代表算法,并以检测精度和检测速度为标准分析各种算法优缺点。将能有效提高小目标检测精度的方法进行分类汇总,介绍了各种方法的相关应用。针对目标检测及小目标检测存在的问题,对未来目标检测领域发展趋势进行了预测与展望。     

基于小波变换的图像边缘检测

根据小波变换原理,指出在边缘检测之前先对图像进行自适应平滑滤波。同时,选取更加有效的小波函数,以改进用于构建边缘检测算子的滤波器。结果表明,该方法用于图像边缘检测效果较好。     

改进 SSD 的交通标志目标检测算法

以 Faster R-CNN 为代表的 two-stage 目标检测算法检测速度慢,而 one-stage 目标检测算法中的 SSD算法虽然检测速度快,但对交通标志类小目标的检测效果不佳。因此在 SSD 算法 VGG16 骨干网络上引入感受野块（RFB）结构,既提升检测速度又可在小目标检测上达到良好的检测精度。与此同时,为提高网络分类精度,在损失函数中加入中心损失。将 SSD 算法与改进的 SSD 算法在 VOC 数据集上进行训练,对比其性能可知,改进后算法 mPA 值达到 80.7%,相比 SSD300（VGG16）算法提高了 3.5%。该算法在 LISA traffic sign 数据集上训练,在迁移学习的基础上得到的 mPA 值为 78.4%,检测单张图像平均耗时为 20.5ms,可满足实时性要求。     

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。