基于多尺度特征融合的细胞计数方法

细胞计数一直是医学影像分析中非常重要的一项工作,在生物医学实验和临床医学等领域起着十分关键的作用。针对细胞计数工作中存在的由细胞尺寸变化等因素造成的细胞计数精度低的问题,引入高度拥挤目标识别网络CSRNet并加以改进,构建了一种基于多尺度特征融合的细胞计数方法。首先,使用VGG16的前10层提取细胞特征,避免了由于网络过深造成的小目标信息丢失;其次,引入空间金字塔池化结构提取细胞的多尺度特征并进行特征融合,降低了因细胞形态各异、尺寸不一和细胞遮挡等问题带来的计数误差;然后,使用混合空洞卷积对特征图进行解码,得到密度图,解决了CSRNet在解码过程中像素遗漏的问题;最后对密度图逐像素进行回归得到细胞总数。另外,在训练过程中引入了一种新的组合损失函数以代替欧几里得损失函数,不仅考虑了groundtruth密度图与预测密度图单个像素点之间的关系,还考虑了其全局和局部的密度水平。实验证明,优化后的CSRNet在VGG cells和MBM cells数据集上取得了较好的结果,有效改善了由细胞尺寸变化等因素造成的细胞计数精度低的问题。

融合多尺度密集块的低照度交通图像增强模型

车辆检测与跟踪是智能交通领域的重要内容,复杂的光照强度与多变的交通场景使高速公路拍摄图像细节模糊、对比度低,图片信息提取干扰性强。提出一种基于注意力机制融合多尺度残差稠密块的生成对抗网络用于低照度交通图像增强。通过伽马校正、相机响应函数和手工调节方法合成不同照度图像作为数据集,涵盖更广泛亮度曲线,模拟真实夜晚场景;引入注意力机制通过表征不同通道与高频信息间关联性,同时采用最大池化和平均池化捕获纹理信息和背景信息间依赖关系增强图像整体完整性;搭建多尺度融合的残差稠密连接网络,深度提取图像复杂特征利用并行支路融合不同级别和层次的信息,提升网络对细节的整体感知力,保留图片信息一致性;采用双线性加卷积结构代替反卷积层消除伪影现象。实验结果表明与主流方法相比,该网络的增强效果评价指标PSNR和SSIM分别提升26.37%、14.14%,图片增强使细节纹理清晰、图像自然视觉效果提高,为交通领域的视觉任务提供技术支持。

一种基于HSV颜色空间的车辆牌照提取方法

给出了一种根据车牌底的彩色信息,利用HSV颜色空间对输入的含有汽车牌照的彩色图像直接进行处理,从而快速提取车牌照的方法。该方法的主要思想是通过选取合适的彩色空间将输入的彩色图像直接转换为二值图像,再用空间聚类技术进行滤波消噪,最后利用二值图像的水平垂直投影来分割提取车牌区域。

交通流视频检测系统的设计与实现

本文描述了交通流视频检测系统的结构、功能和工作原理。根据系统的功能要求 ,对软件功能模块进行了设计和说明 ,并着重对车流量统计、车速计算和车类识别的算法进行了描述和实现 ;文章最后给出了实现结果并讨论了提高检测系统实时性的具体措施。

交通违章视频检测管理系统的设计与实现

针对交通违章的检测和管理,设计了一种基于视频检测技术的违章检测管理系统。给出了系统的组成结构和工作流程,定义了系统的功能,设计和实现了系统的功能模块,并分析和讨论了系统的技术难点。该系统利用视频图像处理和图像识别技术,对交通视频图像进行分析,能有效的检测出车辆违章行为(误检率低于10%),抓拍违章车辆图像(成功率95%以上),记录和管理违章车辆信息。应用结果表明,该系统较好地实现了对机动车越线类违章的检测与管理。

基于视频检测和颜色的车辆牌照提取方法

车辆牌照的快速提取是牌照识别技术实用的基础。本文给出了一种利用视频检测方法和车牌彩色信息快速提取车辆牌照的方法。该方法的主要思想是通过设定牌照检测区来检测并获取牌照的预定位区图像,然后选取合适的颜色空间将预定位区彩色图像直接转换为二值图像,再用空间聚类技术进行滤波消噪,最后利用二值图像的水平垂直投影来分割提取车牌区域。

视频检测式违章自动监测管理系统的设计

本文概述了几种违章自动监测管理系统的特点、重点介绍了利用摄像机为前端设备的视频检测式道路交叉口违章自动监测管理系统的设计。

常数分解变换法及在数据压缩和消噪上的应用

目的 研究常数分解变换法(SDT)及其在数据压缩和消噪上的应用。方法 在探讨常数分解变换法原理的基础上,提出了对一维数据进行有损压缩和消噪的思想,并给出了相应的优化算法以及将该算法拓展于二维信号的简单方法。结果 获得了常数分解变换法和小波分解变换法(DWT)进行数据压缩和消噪的实验结果。结论 在一定条件下,对于一维数据的压缩和消噪,常数分解变换法优于小波分解变换法。

一种基于近似支撑矢量机(PSVM)的交通目标分类方法

本文介绍了支撑向量机的特点,给出了实际应用中传统支撑矢量机存在的问题。为了克服支撑矢量机算法的不足,引入了一种近似支撑矢量机(PSVM)算法,并将此算法用于交通目标的分类识别。实验结果表明此算法比BP神经网络法准确率高,比传统的SVM法的效率高。

基于背景模型的运动车辆检测算法研究

本文给出一种改进的背景初始化和更新算法,动态调整参数学习率,缩短了建立背景模型的时间,提高了背景模型适应环境变化的能力。采用Otsu阈值化方法自动选取全局阈值,完成二值化处理。结合形态学方法,去除噪音点的影响。实验表明,本文的方法能更快、更准确地检测出运动车辆区域。

单幅图像去雾算法研究综述

随着图像处理技术和计算机视觉技术的蓬勃发展,对特殊天气下的场景检测和图像处理成为该领域的重要研究方向。其中在雾天拍摄的图像容易受雾或霾的影响,导致图片细节模糊、对比度低以至于丢失图像重要信息,为解决此类问题图像去雾算法应运而生。图像去雾算法是以满足特定场景需求、突出图片细节并增强图片质量为目的的一种图像分析与处理方法。为了研究图像去雾算法的发展过程、现状以及未来,根据原理不同将去雾算法分为基于物理模型去雾算法、基于非物理模型去雾算法和基于深度学习去雾算法三大类。对其中经典算法从内容、发展和优缺点等方面进行介绍;并对算法进行实验分析与比较。展望了去雾算法的未来研究的重难点。

一种优化YOLO模型的交通警察目标检测方法

针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化YOLOv4模型的交通警察目标检测方法。首先,采用4种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合问题并提高模型的泛化能力;其次,将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构,有效地减少了参数总量并加深了网络层数;然后,使用K-means++聚类算法对自建数据集进行聚类分析以重新定义网络的初始候选框,提高了交通警察目标深度特征的学习效率;最后,引入焦点损失函数以优化分类损失函数,解决了训练中正负样本数量不平衡问题。研究结果表明,优化后的YOLOv4模型大小仅50 M,AP值达98.01%,与FasterR-CNN,YOLOv3和原始YOLOv4模型相比均有提升。有效解决了目前复杂交通场景中交通警察目标的漏检、误检及检测精度低等问题。

基于视频的交通目标跟踪方法研究

交通目标的检测是智能交通系统(ITS)中的一项关键技术,基于视频跟踪方法的检测技术是目前研究的热点。介绍了近年来提出的一些主要的基于视频的运动目标跟踪方法,对各种方法进行了归类,并分析比较了这些方法的优缺点。在此基础上,着重介绍了一种快速运动目标跟踪方法——MeanShift算法。该算法主要利用图像的颜色统计直方图作为特征,利用Bhattacharyya距离作为目标匹配相似性测度,采用梯度优化方法完成对运动目标的快速跟踪。该方法非常适合对交通目标的跟踪。

非均匀光照下马氏瓶刻度图像的自动识别研究

马氏瓶刻度的自动识别会直接影响到潜水面蒸发量的观测与计算效率[1]。针对室内物理实验光照不均匀情况下的马氏瓶刻度图像的识别,首先使用改进的Bernsen算法对图像进行二值化处理;然后求得二值化图像的垂直投影曲线,利用Loess(locally weighted scatterplot smoothing)算法对垂直投影曲线进行平滑处理,求得平滑处理后的各个极值点,计算出相邻极值点像素值之间的差值,最大差值对应的位置即马氏瓶液位线;根据得到的液位线和识别的数字计算出液位值,即可计算出潜水面的蒸发量。实验结果表明,改进的Bernsen算法改善了室内物理实验中非均匀照射下的马氏瓶刻度的分割效果。将此方法与可调焦的摄像头相结合,可实现潜水面蒸发量观测的自动化、连续化和智能化。此方法对类似的刻度识别具有重要的参考价值。

一种基于OBB包围盒算法的交通事故检测方法

给出了一种用虚拟环境下的OBB碰撞检测算法对真实环境下城市道路交通事故进行检测的方法。该方法的主要思想是利用OBB算法计算车辆的包围盒,通过对包围盒的地面平面投影得到车辆矩形二维包围盒,然后检测这些矩形在同一平面上是否相交从而判断车辆是否发生碰撞,最后根据车辆的碰撞方式确认事故的类型,从而完成事故检测。为了提高算法效率,还给出了OBB包围盒数量的控制方法。实验结果表明,该方法能够快速地检测到交通事故的发生。

基于不变矩理论线矩法图像特征的提取

传统的Hu不变矩直接针对原图计算,计算量大、实时性不够理想,且受强噪声影响明显,特征描述也不是很准确。文中在不变矩理论的基础上结合Schlick镜面指数简化公式,给出一种将边缘线矩作为识别特征的提取方法。该方法只需对边缘映射图计算不变矩,不必直接在原图上计算,因而避免了不必要的误差,再经过简化指数计算,降低复杂度、减少计算量的同时提高了实时性。最后针对该方法的效率和特征提取性能进行了实验,结果表明该方法快速有效,很好地兼顾了速度与精度。

基于优化YOLOv5s的跌倒人物目标检测方法

针对目标检测模型在人物跌倒时易漏检、鲁棒性和泛化能力差等问题,提出一种基于改进YOLOv5s的跌倒人物目标检测方法YOLOv5s-FPD。首先,对Le2i跌倒数据集使用多种方式扩充后用于模型训练,增强模型鲁棒性和泛化能力;其次,使用MobileNetV3作为主干网络来进行特征提取,协调并平衡模型的轻量化和准确性关系;然后,利用BiFPN改善模型多尺度特征融合能力,提高了融合速度和效率,并使用CBAM轻量级注意力机制实现注意力对通道和空间的双重关注,增强了注意力机制对模型准确性地提升效果;最后,引入Focal Loss损失评价从而更注重挖掘困难样本特征,改善正负样本失衡的问题。实验结果表明,在Le2i跌倒数据集上YOLOv5s-FPD模型比原YOLOv5s模型,在精确度、F_(1)分数、检测速度分别提高了2.91%,0.03和8.7 FPS,验证了该方法的有效性。

一种基于视频流的多车牌定位方法

针对视频流中多个车牌的定位问题,提出了一种基于图像复原技术与HSV颜色空间的多车牌定位方法.该方法的主要思想是用改进的维纳滤波器对获取的视频图像进行复原,根据车牌的颜色特征,利用HSV颜色模型构造5级灰度图,对灰度图用形态学方法进行消噪和区域连通处理,最后利用水平、垂直投影技术,结合车牌先验知识,通过分析和判断来确定并分割出各个汽车牌照.实验表明,该方法能有效的从复杂的背景中准确定位并提取出多个运动中的车牌.

多尺度密集时序卷积网络的单幅图像去雨方法

雨滴会降低户外拍摄图像质量,影响图像视觉效果及后续图像分析工作。针对目前去雨算法存在颜色失真、去雨过度化等问题,为了提高计算机视觉算法在中、大雨天气下的准确性,提出多尺度DenseTimeNet(密集时间序列卷积神经网络)的单幅图像去雨方法。该网络由多个尺度DenseTimeNetBlock(密集时序卷积网络密集块)组成,通过卷积下采样技术得到不同尺度下雨线特征信息与降低图像维度后利用时域卷积寻找的时间维度特征信息。在不同维度下学习雨景图和无雨图之间的映射关系,网络主体由密集卷积块和残差网络组成,可加速算法收敛速度,更深度学习图像纹理特征,使特征信息在网络结构进行深度传播,可以更好地复原残损图像。在不同方向,不同大小的雨滴图像上对所提方法进行验证,实验结果表明,该方法相较于现有算法,图像去雨效果良好。

动态背景下基于边缘检测的道路识别

在实际应用中,对道路识别的实时性以及准确性都有很高的要求,而且在很多情况下道路视频图像中的背景都不是静止的,因此,在场景复杂多变的视频图像中完成对道路的识别,是计算机视觉的研究热点,也是研究难点。针对上述问题,对复杂环境下道路识别与道路特征提取进行了深入研究,提出了一种有效的边缘检测方法。该方法通过对传统边缘检测的Canny算法进行改进,解决了识别过程中由于背景变化造成的误差以及检测结果不准确等问题,实现了对视频图像中道路位置的实时更新,并且分别与灰度直方图法和延时摄影法进行了实验对比。实验结果表明,该方法的限定条件相对较少且准确率较高,具有较好的识别效果。