基于梯度可感知通道注意力模块的红外小目标检测前去噪网络

红外图像去噪在军事及民用领域应用广泛。现有基于深度学习的图像去噪方法主要为可见光图像设计,此类方法容易过度平滑图像细节,从而导致弱小目标丢失,为后续的检测任务带来困难。为了在去除噪声的同时保留好红外图像中的目标信息,本文提出了一种基于梯度可感知通道注意力模块的红外弱小目标检测前去噪网络。该网络首先采用编码器-解码器结构来去除图像中的加性噪声,然后通过梯度可感知通道注意力模块对图像高频区域进行自适应增强,有效保持红外弱小目标的响应强度。此外,本文提出了领域第一个包含3981张含噪声的红外图像数据集。实验结果表明,该网络能够在有效去除加性噪声的同时避免过度平滑,很好地保留了红外图像中的目标信息,最终实现了在含噪声环境下的高鲁棒性红外弱小目标检测。

基于自编解码器与残差连接的红外图像降噪模型

红外成像应用场景使得红外成像设备常常迭代慢,且需要长时间工作,从而导致红外成像内部器件噪声具有分布类型多和强度随时间变化的复杂情况。为了适应红外图像内部噪声特点,本文提出一种基于自编解码结构与残差连接的红外图像降噪模型。通过分析红外图像内部噪声产生原因建立了几种主要的红外器件噪声模型,从而设计了多种噪声分布类型和不同强度的红外噪声图像集;在自编解码器结构基础上,使用深度卷积作为特征提取模块,增强模型的非线性映射能力和特征表达能力;同时,为了弥补在编码中损失的红外图像的细节信息,在编码器和解码器的特征图之间建立了残差连接,在多个尺度补充特征信息上,增强了重构图像的边缘纹理等细节。实验结果表明,所提方法在重构能力和鲁棒性上,都明显优于多种传统的降噪算法。基于自编解码结构与残差连接的红外图像降噪模型具备去除多类型高强度的噪声干扰的能力,对红外图像质量进行了改善。

结合跨尺度特征融合与瓶颈注意力模块的轻量型红外小目标检测网络

提出一种结合跨尺度特征融合与瓶颈注意力模块的轻量型单帧红外小目标检测网络。该网络在不引入额外神经元的前提下,直接在编码层和解码层之间进行高频多尺度特征交互,从而维持小目标在网络深层的响应幅值,实现小目标浅层空间结构特征与深层高级语义特征之间的交互融合。同时,该网络在编码器瓶颈处级联轻量型混合注意力模块,进一步增强目标特征在网络深层的响应幅值。实验结果表明,该网络能有效抑制复杂背景杂波,并以较低参数量实现红外小目标检测。

一种基于TuriCreate和OpenCV的实时图像识别系统设计

图像分类即是将图像结构化为某一特定类别的信息,用事先确定好的类别(string)或实例ID来描述图片,可应用在人脸、场景的识别等领域,为其他更高层次的图像理解任务提供了基础。本文设计了一种基于Turi Create机器学习框架和Open CV机器视觉库的实时图像识别系统。首先在Colaboratoryh云运行环境读入Turi Create,并让Colaboratoryh可以从数据文件夹里面读取内容,然后在Anaconda虚拟环境下建立机器学习框架Turi Create,利用Resnet50数据特征提取,相似搜索查询,然后进行相似关联图搜索,完成建立并且训练模型,从Open CV读入视频利用帧间差分检测运动目标并提取帧,利用模型实现图像实时识别分类。

基于OpenCV和深度学习的助老机器人动作识别系统设计

像人类通过眼睛感知世界一样,视觉感知模块使机器人能够感知外界信息,通过视觉系统采集的信息,可以用来作进一步的加工,分析和模式识别,使机器人更加的智能化。本文设计了一种以深度学习技术为基础,以树莓派为平台,结合python语言和OpenCV库的动作识别系统——为助老机器人视觉感知模块提供技术实现。

一种基于OpenCV和Kinect的人体步态识别系统设计

步态识别不需要被检测人的配合、非侵犯性,并可在图像分辨率不高和较远的距离条件下实现对人体的身份检测,具有很好的实际应用前景。本文设计了一种基于OpenCV机器视觉库的人体步态识别系统。首先,通过Kinect摄像头和OpenCV函数实现步态图像数据的采集。然后,将图像数据进行预处理,通过背景差分方法提取出人体步态轮廓,并进行归一化。将一个周期的步态轮廓,通过能量图的方法来生成二维步态能量图,并以此为基础实现步态的分类和识别。