基于形状特征及边缘候选区域的车辆检索技术

为了快速定位监控场景中不同姿态的车辆位置,结合车辆外形特征、目标候选区域和级联Boosting分类器进行多角度车辆检测。对不同角度和纵横比的车辆进行聚类,然后对每种姿态的车辆提取候选区域的累积通道特征(ACF),使用Ada Boost学习分类器用于车辆检测,此外,检测时用边缘框计算可能存在物体的区域代替滑动窗法进行提速。以含有较难、中等、较易3种难度水平超过3 500个样本为测试集进行了快速车辆检测测试,并与ACF、DPM、NPD和HOG-Haar等4种方法进行了对比,实验结果表明基于候选区域的车辆检测方法性能最优,在3种测试集上平均达到了85%以上的检测率。

红外图像显著目标检测算法

提出一种简单快速的红外图像显著目标检测算法,算法可以分为三步:首先,对原始红外图像进行预处理以增强目标与背景的对比度;然后,在log频谱中提取预处理后图像的频谱残差,通过相应的反变换及简单的阈值分割,可以得到显著目标的大致区域;最后,采用一个滑动窗口在目标候选区域内进行搜索确定显著目标的准确位置,这个过程采用由目标及其周围区域在原始图像中的灰度分布得到的半局部特征对比度的概率表达得到每个像素点的显著性值,进行阈值分割得到显著目标,改变滑动窗口的大小可以检测出不同尺度的目标。采用大量的红外图像对算法进行测试,实验结果表明该算法具有高效性和鲁棒性。

基于显著性的遥感图像舰船目标检测

舰船作为海洋信息感知中的重要目标,其检测在军舰探测、精确制导等军用领域以及海面搜救、渔船监测等民用领域具有极其重要的战略意义。海洋遥感图像受云雾、风浪、海杂波和光照等干扰使得舰船检测具有挑战性。根据可见光遥感图像舰船目标检测特点提出粗检测和细鉴别相结合的技术路线。先基于视觉显著性的谱残差法对图像进行增强以提取目标候选区域,后根据舰船与干扰因素差异采用舰船方向梯度直方图特征对目标候选区域进行鉴别,提取真正的舰船目标。实验结果表明,上述算法舰船检测率高,对光照、海杂波干扰具有一定程度的鲁棒性,且能有效剔除碎云岛屿等干扰物,显著降低虚警率。

基于卷积神经网络的遥感图像目标检测

遥感图像目标检测具有十分重要的研究意义,当前遥感图像目标检测方法存在精度低,误差高,难以满足实际应用要求等不足,为了获得更优的遥感图像目标检测结果,提出了基于卷积神经网络的遥感图像目标检测。首先分析遥感图像目标检测的研究进展,采集遥感图像,对遥感图像进行预处理,并去除遥感图像复杂背景,提取遥感图像目标候选区域,然后采用卷积神经网络对遥感图像目标候选区域进行分类,实现遥感图像目标检测,最后在相同实验环境下,其当前经典遥感图像目标检测方法的对比测试。结果表明,相对于经典方法,卷积神经网络大幅度提升了遥感图像目标检测精度,降低了图像目标检测的虚警率,具有十分广泛的应用前景。

基于候选区域选择及深度网络模型的骑车人识别

基于骑车人目标识别的骑车人保护系统是保护道路环境中骑车人的重要手段。该文提出了骑车人目标的候选区域选择方法,并结合基于深度卷积神经网络的目标分类与定位方法,实现了骑车人目标的有效识别。候选区域选择方法可分为3部分:骑车人共有显著性区域检测、基于冗余策略的候选区域生成和基于车载视觉几何约束的候选区域选择。在公开的骑车人数据库上进行的对比试验表明:相对于现有的目标候选区域选择及目标识别方法,该方法显著提升了骑车人目标的识别率及识别精度,进而验证了该方法的有效性。