角点检测在车辆特征提取中的应用

Harris算子是在计算机视觉和图像处理领域使用非常广泛的点特征提取算子,利用其计算简单和稳定的特性对车辆的角点特征进行了实验,收到较好的效果,并为进一步地图像理解打下了基础。     

基于Android平台的非接触指纹识别研究

提出一种利用手机摄像头获取指纹在Android平台中进行实时指纹识别的方法。采用多尺度Harris角点检测和ORB图像匹配算法进行特征提取与匹配,并运用Android开发工具和Open CV对其技术实现,最后分别在不同的Android移动设备上进行实验和测试。实验结果表明此方法能够在Android平台上进行实时的指纹图像的采集、注册与识别,具有较高的识别率和稳定性,基本满足移动平台非接触式指纹识别的需求。     

基于改进RANSAC算法的图像自动拼接技术

图像拼接技术关键在于图像配准和算法效率,针对传统的图像特征匹配算法数据量大、计算耗时长的缺点,将K-means聚类算法应用到图像匹配算法中,提出了一种解决该问题的改进算法。该方法利用K-means聚类算法对图像提取出的角点对先进行聚类分组,然后采用预判断模型和分组随机选取的方法来提高传统算法效率。实验结果表明,该算法相比于传统的RANSAC算法,在保持较高的精度和鲁棒性的情况下,大大提高了计算效率,有助于提高图像的自动拼接的效率。     

一种基于Harris角点特征精确匹配的图像拼接方法

提出了一种基于Harris角点特征的精确匹配方法。该方法首先提取参考图像及待拼接图像中各自的Harris角点点集,并计算出这2个点集间每对点的圆形邻域图像的相关系数;再通过提取各个角点邻域的Hu矩特征,获得了该特征下每对点的相似程度。将不同特征下的相似度进行归一化并融合,构造出2个点集间,每对点的相似度表。在此表的基础上,优化匹配结果,使得匹配点对的总体相似程度高,从而得到精确匹配。由于Hu矩特征具有旋转及尺度不变性,因此提取出的角点特征能够较好地抵抗常见的图像变换。最后,实现了一套包括图像预处理、图像对齐与匹配等诸多模块的图像拼接系统。通过实际操作表明,该方法的图像拼接效率较高,有较好的鲁棒性。     

无人机视频中道路交叉口车辆检测与跟踪

提出了一种基于无人机视频的交叉口车辆检测和跟踪方法,以道路交叉口行车区域为检测区域,将车辆检测和跟踪分成独立的两个阶段,并使用背景差法检测车辆,接着使用置信度指标进行车辆跟踪。该方法使用广州大学城两个道路交叉口的视频进行了验证,车辆检测和跟踪结果的精度都达到94. 49%以上,表明该方法准确可靠。基于无人机视频的车辆检测跟踪方法具有实施方便、快速和适用范围广等特点,为道路交叉口车流量调查提供了新方法,可以用于道路交通的实验教学、科研及生产等领域。     

基于视频快速目标检测算法实现

首先回顾了目前流行的各种车辆检测方法,并指出视频检测技术已日益成为最具优势、最有发展潜力的检测方法。在此基础上,对各种基于视频的车辆检测算法分别进行分析比较。最终,给出一种基于视频的快速目标检测算法。     

基于单目视觉的道路车辆检测系统设计

为了减少车辆碰撞,设计了一个新的基于单目视觉的道路前方车辆检测系统.首先,建立一个基于DM642数字信号处理器的小型灵活硬件平台.然后,提出了一个2步车辆检测算法.第1步,采用车辆边缘和对称性融合算法,设定较低阈值检测出所有可能车辆,该步骤对车辆有接近100％的检测率(TP)和对非车辆有较高的误检率(FP),即能获得图...     

高层次综合特征检测算法的FPGA实现

针对机器视觉领域中图像处理系统实时性要求高,传统FPGA设计开发周期长等问题,高层次综合(High level synthesis,HLS)提供了一种新的加速机器视觉算法的思路。基于Xilinx公司推出的ZC706开发平台,选择机器视觉中广泛应用的Sobel边缘检测算法、Harris角点检测算法作为加速对象,在SDSo C环境下采用流水线优化、循环展开、软硬件并行、行缓冲(Line buffer)和窗口缓冲(Window buffer)协同处理等优化方法实现了算法的硬件加速。实验结果表明,相比在ARM平台上的软件实现方式,基于HLS的FPGA实现对Sobel、Harris算法的加速比分别达到了7.37、19.41,满足了机器视觉领域的实时性需求。     

基于分层光流场的运动车辆检测与跟踪

针对LK(Lucas Kanade)算法不能稳定跟踪快速移动目标的局限性,采用一种图像分层光流的跟踪方法,能获得针对目标的大尺度运动的较好预测结果.为了减少计算量,提出一种基于特征角点的光流跟踪技术,首先提取运动车辆的特征角点,计算其光流场,对角点实施跟踪极大地减少了光流计算量,可以满足目标检测实时性的要求.实验表明,当运动车辆转弯和移动时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征焦点,实现了复杂交通场景下对运动车辆的实时稳定跟踪.     

基于SSD的道路前方车辆检测

目标检测是计算机视觉领域重要的研究方向,应用于无人驾驶、机器人、行人检测等领域。然而,高检测准确率、鲁棒性等对目标检测方法提出了严苛要求。针对SSD对不同场景下检测准确率较低的问题,提出了一种改进的基于残差网络的SSD目标检测模型,以提升对不同场景的检测精度。对比研究了不同算法在MIT数据集和真实交通场景下的检测能力。实验结果表明,该方法的车辆目标检测准确率为96.72%,耗时短,鲁棒性高,有一定的泛化能力,为未来智能辅助驾驶系统提供了一种全新思路。     

基于Matlab GUI角点和边缘检测软件开发与实现

基于Matlab/GUI开发了角点和边缘检测软件,设计的软件平台可实现图像的装载、角点检测、角点数统计、时间计算、边缘检测等功能。界面的人机交互好,操作简单方便,可提高算法或数据处理效果的直观认识。     

基于角点的汉字特征提取与识别算法

在分析角点提取技术和基于边缘检测和模板匹配的角点提取方法的基础上,采用Sobel边缘算子进行角点提取,利用角点的坐标值匹配实现汉字识别,达到81.8%的汉字识别率.     

基于多颜色空间信息融合的视频车辆检测方法

利用图像颜色空间各分量的相对独立性和互补性,通过理论分析和实验,提出了有选择地将RGB、YCbCr和HSI3个颜色空间9个分量的检测结果进行融合的方法,提高了车辆视频检测的准确性.该法在S和l分量较大时依据H分量的值选择不同3个分量的检测结果进行有差别融合,而S和l分量较小时再选择另外3个分量的检测结果融合.实验证明,同只利用亮度分量的检测结果相比,检测到的车辆更加充实,空洞大幅度减少,很大程度提高了依赖于该结果的交通信息数据的精确性.     

基于决策树的改进AdaBoost算法在车辆检测中的应用

为满足车辆检测实时性和准确性需求,将基于C4.5的决策树算法作为AdaBoost算法的弱分类器,产生一种速度快、识别率高的强分类器,称之为AdaBoost DT算法。算法训练多个决策树并将之作为弱分类器,之后通过改进级联架构的AdaBoost算法将若干弱分类器组合成一个强分类器。该算法特点在于：相对于广泛使用的以SVM作为弱分类器的算法,其以决策树作为分类器,速度提高了29%;通过在AdaBoost算法进行强分类器的形成阶段加入再判决函数,准确率提高了14.1%。     

基于深度学习的监控视频车辆实时监测

针对传统车辆检测算法不能自适应地完成复杂道路场景变化下提取车辆特征的问题,结合焦点损失、K-means聚类与mobilenet网络,提出改进的RFB-VGG16与RFB-MobileNet模型进行车辆检测。从开源数据集UA-DETRAC的24个视频中每隔一定帧数抽取8 209张已标注的图片构成数据集,在相同的超参数与训练策略下,改进后RFB-VGG16网络的AP值比原模型提高了3.2%。基于mobilenet网络重新设计RFB骨架网络,使RFB-MobileNet模型在牺牲一定性能的情况下,具有更快的检测速度,能较好地满足监控视频对车辆检测实时性的要求。     

基于分层架构的车辆审批调度管理系统设计与实现

随着高职院校的快速发展,公务用车频率大幅度攀升,为提高公务车辆管理效率,在对需求进行详细分析的基础上,设计并实现了基于B/S模式三层架构的车辆审批调度管理系统,重点对系统需求、设计思想、详细设计及核心模块实现进行了阐述,为实现公务用车信息化管理提供了参考。     

基于KM算法的毕业设计选题系统设计与实现

针对传统的毕业设计选题方式所带来的效率低、容易出错以及管理不及时等问题,提出了基于KM算法的毕业设计选题系统。采用KM算法,根据学生志愿和教师期望值,智能地完成学生与课题的最优匹配,提高了选题效率,解决了教师手工分配课题工作量大、难度大以及师生满意度偏低等问题。     

基于FPGA的视觉机器人控制系统设计与实现

针对传统的“PC＋运动控制卡”开发模式,采用ARM＋ FPGA架构,并引进视觉系统,分析了控制系统软、硬件设计和图像采集、存储、算法的相关内容,结果表明这种设计具有良好的扩展性和稳定性,减轻了劳动成本.     

基于视频的城市快速路交通流检测及车辆行为监控

提出一种针对城市快速路的视频监控系统,完成交通流及道路异常行为检测.流量检测模块对车辆进行实时跟踪获得各类交通流统计数据,实现快速路车辆运行状况的全面掌控.异常监控模块运用隐马尔科夫模型,对带有时间和空间信息的车辆轨迹进行训练,获得路径划分后对道路车辆轨迹进行参数匹配,提取诸如超低(高)速行驶、违章停车、违规掉头等异常...