基于智能视觉的交通多状态监控系统

现有交通监控系统中所应用的各种技术只能对交通的流量特征进行监控,无法对交通状况做出及时有效的判断,细分交通的不同状态。本文在运动目标检测和跟踪的基础上,提出一种基于智能视觉识别,全新的信息获取和处理技术与交通多状态识别系统。该交通监控系统利用监控图像帧差灰度变化区间,进一步研究目标的行为状态和方式。对更新图像背景,图像处理和计算机视觉具有较高的检测精度。     

基于卷积神经网络的电力开关柜柜门开合状态图像识别研究

高压开关柜的安全运行是电力行业的重要部分,开关柜柜门因操作人员疏忽而未关闭会造成比较严重的安全隐患。卷积神经网络算法因其可以最大化地保留图像整体特征和局部特征,而成为目前图像识别领域的研究热点。本文设计了一个轻量级的卷积神经网络,具有7层卷积层的特征分类学习模块和3层卷积层的目标检测学习模块。通过对比3×3和5×5两种卷积核的识别结果可知,3×3卷积核在识别准确率和内存消耗方面具有更佳的效果,说明本文方法具有有效性,可应用于电力安全保障领域中。     

基于神经网络的钢材表面缺陷快速检测

表面缺陷是影响钢材质量的重要因素,钢材表面缺陷图像在线快速检测已成为国内外学者研究的热点课题.研究钢材表面缺陷识别技术不仅具有一定的理论价值,更具有实际的应用前景.本文设计并通过仿真实现了冷轧带钢表面缺陷检测系统及缺陷分类系统,重点研究了BP神经网络方法及图像处理技术在钢材表面缺陷识别中的应用,实现冷轧带钢表面缺陷的快速自动分类.     

基于Matlab的植物叶片识别研究与实现

通过计算机智能辅助技术,以植物叶片作为研究对象,基于卷积神经网络模型(CNN)和支持向量机(SVM)原理提出了对植物叶片进行分类的方法;通过对36种植物叶片样本图像进行训练和识别,其识别率达到了92.13%。     

智能视频监控中运动目标跟踪技术论述

随着科学技术的迅速发展,视频监控技术也在不断的进步。在智能视频监控系统中最基本并且应用最广泛的技术就是目标的检测以及追踪技术。本文从运动目标检测的方法入手,针对智能视频监控中运动目标的检测以及跟踪技术进行详细的研究。     

运动信号目标检测技术

运动信号目标检测是针对序列图像,分析运动信号目标特征、提取运动信号目标区域,估计有关运动参数的一种分析技术。它是图像处理与计算机视觉领域研究的重要课题,在视频监控、图像检索、图像压缩、人机交互等研究领域都有着非常重要的应用。本文针对运动信号目标检测各过程技术研究情况进行了描述,同时给出了深度学习在信号目标检测里的应用。     

基于改进FCOS的目标检测轻量化方法研究

随着边缘AI的快速发展，在终端使用轻量级目标检测技术成为研究热点。因此，对FCOS全卷积单阶段目标检测算法进行改进，提出轻量级的LIm-FCOS网络用于终端检测具有意义。首先提取特征骨干网络使用ShuffleNetV2，颈部结构引入改进的BiFPN代替FPN，并采用深度可分离卷积替代普通卷积从而减少计算量。检测头部分改为单独检测，分类分支去掉Center-ness，使用Quality Focal Loss预测分类和边框质量进一步消除训练和预测时置信度的差异，回归分支采用Distribution Focal Loss来改善边框位置的分布，为提高坐标回归准确度加入GIoU Loss辅助收敛。经过COCO2017数据集测试，得到LIm-FCOS的mAP为27.5%，与YOLOX-Nano相比，多了1.5 M参数量、0.43GFLOPs计算量，精度提升了2.2%，同时经过PC端模型推理可视化结果说明网络轻量化方法有效。     

高效运动目标检测算法研究

运动目标检测是计算机视觉与视频图像处理领域的重要研究课题之一,在视频监控、安防、智能交通、军事、科研等领域都有广泛的应用。提出了一种基于OpenCV的高效运动目标检测算法。     

AR M平台下人脸识别智能监控系统

近年来,伴随着先进的互联网技术和人工智能技术的发展,各类基于AI的智能识别系统得到了广泛的普及和应用。在智能监控领域,基于人脸识别算法的监控系统及相关设备和应用方案能在嵌入式平台中完成高效的集成,并在长期的现场应用环境中完成稳定而高效的目标区域检测。通过对采集图像的背景进行建模和分析,能够对比发现背景中潜在的检测目标。或根据前景变换程度,通过与标准模型进行比对,从而实现目标检测和人脸识别的目的。本文结合现阶段传统视频监控系统中检测效率低,准确性差等问题进行深入的研究,并在此基础上从系统功能和经济实用性的角度提出经过改善和优化的人脸识别检测方式,同时将其应用于ARM平台,为更多复杂场景下的应用创造条件。     

基于卷积神经网络的混沌序列图像加密算法研究

图像中包含了很多机密和重要信息,因此保证图像安全性具有重要的现实意义.一般混沌加密算法处理后,图像仍然呈现一定程度的周期性等,安全性不足.为此,结合卷积神经网络对一般混沌加密算法进行改进,提出一种基于卷积神经网络的混沌序列图像加密算法.该算法研究分为三部分,首先将明文图像处理成混沌序列图像,包括像分块、混沌系统处理和伪随机序列生成三步骤,然后利用卷积神经网络对混沌序列进行训练,消除混沌序列的周期性,最后对混沌序列图像进行扩散处理,改变原始图像像素值,进一步实现加密处理.结果表明:与3种传统图像加密算法以及一般混沌加密算法相比,所研究加密算法应用下,信息熵最大(8.591),峰值信噪比最小(8.755),说明加密效果更好,保证了图像信息的安全性和机密性.     

基于改进型神经网络智能远程抄表系统设计

利用电能表计、通信网络、图像处理、神经网络等技术组成的智能远程抄表系统是远程抄表系统研究发展的重要方向。系统通过视频实时动态的进行电能数据的远程采集,通过相应的数据通信网络,将电能数据传输给改进BP网络,经改进BP网络自动识别判断,获得对应的电能数据。基于改进BP神经网络的电能远程计量系统具有数据处理效率高、误差率低、能够进行实时动态监控等优点,促进了远程电能智能抄表技术的发展,是目前电力营销学者研究的一个重要课题。     

基于DSP的视频图像自适应分类系统

多媒体技术普及之后,视频图像技术在社会各行各业中的应用也变得普遍起来,如医学、军事、车场监控、楼宇监管等,都会应用到视频图像技术。为进一步探讨视频图像技术的应用优势,本文基于DSP技术,以不同环境下如何实现视频图像快速分类为主要研究内容,对视频图像自适应分类系统的设计与应用作详细论述,得出相关结论,供同行参考借鉴。     

智能视频分析技术在监狱监管工作中的应用

本文主要分析了智能视颇分析技术.研究了视频监视系统中的运动目标检测与跟踪方法,提出了基于背景统计模型估计的方法在基于运动目标检测与跟踪算法的智能视频监控系统中的实际应用方案,并设计了基于智能视频分析技术的数字化监狱网络监管系统的实现方案,包括基于DSP处理和单片机控制的运动目标检测与跟踪系统的硬件组成方案,和基于运动目标检测与跟踪算法的智能视频监控系统控制图像处理电路以及算法流程.     

水面漂浮物智能监控技术

智能监控技术是对场景进行实时监测、自动分析和处理的技术。水面漂浮物智能监控系统的分析过程由目标检测、识别和分类、视频内容分析等几个基本环节组成,其中视频内容分析主要针对识别出来的目标进行决策。     

基于深度学习的人体行为识别网络设计

基于深度学习的人体行为识别技术是计算机视觉领域的重要的研究方向,是智能视频监控、虚拟现实、视频检索等领域的关键技术,有重要的研究价值。本文主要针对视频中的人体行为进行识别,围绕人体行为识别网络展开研究。针对目前人体行为识别相较于图像识别的特殊性,提出基于3D卷积神经网络的特征提取与训练方法,通过采用3D卷积层搭建DenseNet,从而提高网络中的特征利用率,提升神经网络的识别率。最后实验结果证明了本文所采用的方法在提高人体行为识别的识别率上的有效性。     

基于SIP的智能楼宇监控系统设计与实现

随着计算机、网络、电子与通信、图像处理等技术的飞速发展,智能楼宇监控技术正朝着一体化、全面数字化、网络化、系统集成化的方向发展。研究并开发一种智能楼宇监控系统具有重要的实际意义。将嵌入式系统开发技术与网络通信技术、视频处理技术相结合,设计了一种基于SIP协议和嵌入式Linux的可视化楼宇对讲系统解决方案。     

基于航拍影像的车辆检测简要综述

航拍影像为远距离对地目标观测提供了丰富的数据信息,尤其是随着无人机的发展,越来越多的航拍影像数据可被获取,为该场景下的目标检测与识别提供了坚实的数据基础。车辆识别作为航拍影像场景下的目标检测研究的重要方向之一,是智能交通系统中的重要一环,为路况实时获取、事故监测、违章停车监控等应用场景提供技术支撑。该方向的研究在军事、民用等领域发挥重要作用,在计算机视觉、遥感观测等领域成为重要的研究方向。近年来,随着机器学习的持续发展,特别是深度学习在计算机视觉及模式识别领域的大放异彩,与车辆目标检测相关的方法也推陈出新。本文将基于有关车辆目标检测的方法做一个综述,以期能够快速了解这个领域,并为后续工作做出一定指导。     

基于深度学习的人脸追踪安防监控系统

针对现有监控系统存在的问题,提出了结构创新和算法改进,构建人工智能中的深度学习Tensor Flow神经网络框架,通过树莓派控制摄像头读取当前监控环境,用OpenC V进行图像分析处理并自动跟随人脸转动,实现了无死角的监控和对人体流量识别及检测,具有夜视镜头跟踪人物断电续航的功能,还可用手机实时查看监控及控制摄像头转动。一旦检测到有害气体或识别嫌疑人,立即启动声光报警并发送警报给用户手机,及时作相应响应处理,提供更智能有效的防护,在监控、家庭安全隐患检测等方面有着极其重要意义。     

基于区域卷积神经网络的车辆检测方法

为了解决传统车辆检测存在的问题,提高车辆检测的准确度,本文提出将区域卷积神经网络算法应用到车辆检测中。该算法利用图像的颜色层次特征,获取潜在的车辆候选区域;建立卷积神经网络结构,使用车辆样本库进行特征训练,提取候选区域特征;选定正负样本进行SVM分类器训练,采用SVM分类器进行最终的候选区域分类,最后得到车辆信息。本文使用的算法能够检测出图像中的车辆,剔除非车辆区域,有效提高车辆检测的准确性,并且具有一定的实时性。     

基于自然语言处理和深度学习的建设工程合同智能分类方法研究

当前建设工程合同管理工作量大,长期依赖人工审核和主观经验,为改变合同审查依赖主观经验的现状,进一步探索和实现合同条款智能识别和智能审核,尝试引入基于深度学习（DL）的自然语言处理（NLP）技术,提出一种建设工程合同智能分类方法。首先,设计合同智能分类方案,分别采用卷积神经网络（CNN）、长短期记忆网络（LSTM）和融合模型进行计算实验;其次,将CNN和LSTM模型用于合同文本特征提取和合同文本分类中,通过融合两个神经网络以提升分类模型的性能指标。结果显示,精确率和召回率的调和平均数（F1值）最高的为融合模型,其次是LSTM模型,CNN模型最低。相较于基于机器学习的其他同类研究,基于NLP和DL的建设工程合同分类融合模型能够提高合同文本分类任务的效果,实现对大规模数据量的施工、勘察、监理等不同类型合同的准确识别以及快速分类和归档。