Fast Face Detection with Multi-Scale Window Search Free from Image Resizing Using SGI Features

Face detection is applied to many tasks such as auto focus control, surveillance, user interface, and face recognition. Processing speed and detection accuracy of the face detection have been improved continuously. This paper describes a novel method of fast face detection with multi-scale window search free from image resizing. We adopt statistics of gradient images (SGI) as image features and append an overlapping cell array to improve detection accuracy. The SGI feature is scale invariant and insensitive to small difference of pixel value. These characteristics enable the multi-scale window search without image resizing. Experimental results show that processing speed of our method is 3.66 times faster than a conventional method, adopting HOG features combined to an SVM classifier, without accuracy degradation.

基于深度学习的桥梁表观裂缝检测算法研究

针对在复杂背景条件下难以直接对桥梁表观裂缝进行检测的问题,文章提出一种基于深度学习的桥梁表观裂缝检测算法。首先利用滑动窗口算法将采集到的桥梁表观裂缝图像切分为小尺寸的桥梁裂缝面元图像和桥梁背景面元图像,并根据对面元图像的分析,提出一种基于Inception网络和残差网络(ResNet)的桥梁裂缝分类模型,用于桥梁裂缝面元和桥梁背景面元的识别;然后结合桥梁裂缝分类模型与滑动窗口算法对桥梁表观裂缝图像进行检测;最后利用数字图像处理技术测量裂缝宽度。结果表明:该文算法对桥梁表观裂缝有超过99%的分类精度,可满足实际工程需要;实现了裂缝的提取并能准确地定位出裂缝在图像中的位置;根据成像原理能测量出裂缝宽度。与传统的深度学习模型相比,该模型拥有更高的执行效率,可用于大规模检测,更易于应用在桥梁健康检测中。

基于概念漂移发现的业务过程异常检测方法

现有的业务过程异常检测方法假定业务过程固定不变,忽视因出现概念漂移而导致业务过程模型变化的情况,以致现有的异常检测方法准确率下降。提出一种使用事件日志、基于概念漂移发现的业务过程异常检测方法。构建结合概念漂移发现方法和基于循环神经网络的业务过程异常检测模型,从事件日志中提取事件序列特征数据集,使用该模型中的事件预测模块来预测事件发生的概率,根据事件发生的概率分布来计算事件日志中每个案例的异常分数。异常分数大于设定的异常评分阈值的事件所在的案例被认为是候选异常案例。使用霍夫丁不等式来判断概念漂移是否已发生,并使用双层滑动窗口机制来获取概念漂移案例的发生位置,从候选异常案例提取概念漂移案例。使用增量学习将概念漂移案例用于更新事件预测模块,使过程异常检测模型能够辨别概念漂移案例与真正异常案例,更准确地检测出真正的业务过程异常。实验结果表明,与主流的业务过程异常检测方法相比,所提异常检测方法可以较准确地发现业务过程中的概念漂移,能够更准确地检测出业务过程中发生的异常,对提高业务过程运行的平稳性有积极意义。

基于机器视觉的木窗双端铣削加工尺寸测量方法

木窗是一种以木材或木质复合材料为主要构件的门窗产品,具有良好的生态性能和美观效果,适用于多种建筑形式和风格,其中木窗尺寸是衡量木窗加工是否合格的重要指标。对于传统木窗双端铣削加工中人工测量尺寸方式存在的精度低、效率低等问题,提出一种基于机器视觉的木窗双端铣削加工尺寸测量方法,以期提高尺寸测量精度及加工效率。该方法针对木窗厚度引起的透视效应,提出一种物平面提升法,以消除透视投影带来的误差。首先对木窗图像采取灰度化、平滑去噪、图像增强及轮廓分割等举措,完成图像预处理,提取出木窗内外轮廓区域。对轮廓区域应用Canny算子获取木窗像素级轮廓。通过优化的Zernike矩亚像素边缘提取算法对木窗像素级边缘进行更精确的定位,得到亚像素级轮廓坐标。通过最小二乘法联合RANSAC算法对亚像素轮廓坐标进行拟合,得到拟合轮廓及角点坐标,并使用透视矫正模型计算出木窗尺寸。实验利用3种厚度规格相同但尺寸不同的松木材质矩形木窗,分别测量其内框和外框的边框尺寸及对角线尺寸,并与对应的实际物理尺寸对比,验证了所提木窗尺寸测量方法的检测精度。研究结果表明,所提方法与实际物理尺寸值相比,其绝对误差范围在±0.12 mm之内,相对误差在±0.1%之内,且效率及精度高,可以满足对木窗的在线尺寸检测。

YOLOv5-LR:一种遥感影像旋转目标检测模型

真实遥感图像中,目标呈现任意方向分布的特点,原始YOLOv5网络存在难以准确表达目标的位置和范围、以及检测速度一般的问题。针对上述问题,提出一种遥感影像旋转目标检测模型YOLOv5-Left-Rotation,首先利用Transformer自注意力机制,让模型更加注意感兴趣的目标,并且在图像预处理过程中采用Mosaic数据增强,对后处理过程使用改进后的非极大值抑制算法Non-Maximum Suppression。其次,引入角度损失函数,增加网络的输出维度,得到旋转矩形的预测框。最后,在网络模型的浅层阶段,增加滑动窗口分支,来提高大尺寸遥感稀疏目标的检测效率。实验数据集为自制飞机数据集CASIA-plane78和公开的舰船数据集HRSC2016,结果表明,改进旋转目标检测算法相比于原始YOLOv5网络的平均精度提升了3.175%,在吉林一号某星推扫出的大尺寸多光谱影像中推理速度提升了13.6%,能够尽可能地减少冗余背景信息,更加准确检测出光学遥感图像中排列密集、分布无规律的感兴趣目标的区域。

融合高效注意力的多尺度输电线路部件检测

针对在高分辨率输电线路图像中,不同种类部件尺度跨越大,难以被均衡检测的问题,提出一种融合高效注意力的多尺度输电线路部件检测算法。在YOLO v5目标检测算法中,设计添加高效注意力模块ECBAM提高算法特征提取能力。根据输电线路部件的特征分布统计,使用滑动窗口对高分辨率输电线路图像进行切片,并对切片前后的图像分别使用改进后的YOLO v5算法训练模型。将两个模型的检测结果进行集成,得到多尺度输电线路部件检测结果。在公开的PLAD架空输电线路图像数据集上,该模型的检测性能远超现有目标检测模型,Precision可达83.2%,Recall可达92.8%,相比数据集原作者提出的模型,mAP值提升了1.6个百分点,达到了90.8%,且能检测出未在原始数据集上标注出的隐蔽目标,验证了在高分辨率图像中检测多尺度输电线路部件的有效性。

基于混合神经网络和注意力机制的生物医学事件触发词识别方法

生物医学事件作为生物医学文本挖掘的重要组成部分,在生物医学研究和疾病的预防中发挥着重要作用.触发词识别是生物医学事件抽取的关键和前提步骤,旨在提取描述事件类型的关键词.传统方法在特征提取过程中过分依赖自然语言处理工具,导致耗费人工成本.另外,由于生物医学文献的特殊性—长文本语句多,导致长距离依赖问题比较明显.为了解决这些问题,我们提出了一种混合结构,由残差卷积神经网络和双向长短期神经网络、混合神经网络和多头注意力机制组成.该模型利用残差卷积神经网络提取单词级特征并利用双向长短期神经网络提取上下文语义信息.此外,本文通过空间域滑动窗口将长句划分为等长短句,在不破坏上下文信息的前提下,避免了长距离依赖.实验结果表明,本文提出的方法在生物医学事件抽取通用语料MLEE(Multi-Level Event Extraction)上取得了较好的效果,F值达到81.15%.

一种Windows主机入侵检测实验系统

针对广泛使用的Windows平台,建立了一个基于主机的入侵检测实验系统。在深入分析Windows主机的安全特性的基础上,利用安全日志、系统日志、性能日志及文件完整性校验、注册表等多种信息,提出了18项入侵检测特征,并利用支持向量机建立入侵检测器,实现了对多种攻击的检测。实验结果表明,特征选取合理、检测方法有效。

基于Attention-BiTCN的网络入侵检测方法

为解决网络入侵检测领域多分类准确率不高的问题,文章根据网络流量数据具有时序特征的特点,提出一种基于注意力机制和双向时间卷积神经网络(BiDirectional Temporal Convolutional Network,BiTCN)的网络入侵检测模型。首先,该模型对数据集进行独热编码和归一化处置等预处理,解决网络流量数据离散性强和标度不统一的问题;其次,将预处理好的数据经双向滑窗法生成双向序列,并同步输入Attention-Bi TCN模型中;然后,提取双向时序特征并通过加性方式融合,得到时序信息被增强后的融合特征;最后,使用Softmax函数对融合特征进行多种攻击行为检测识别。文章所提模型在NSL-KDD和UNSW-NB15数据集上进行实验验证,多分类准确率分别达到99.70%和84.07%,优于传统网络入侵检测算法,且比其他深度学习模型在检测性能上有显著提升。

基于分层的体域网异常数据检测方法

针对无线体域网(wireless body area network,WBAN)异常数据检测方法忽视人体异常数据的连续性,缺乏异常数据集检测等问题,提出一种基于Hampel滤波器和DBSCAN分层的WBAN异常数据检测方法。根据时间相关性利用Hampel滤波器检测异常数据点,保证数据的连续性,使用改进的基于滑动时间窗的DBSCAN算法,检测异常数据集。实验结果表明,所提方法和其它方法相比,实现了分层的异常数据检测,在保证检测精度的同时准确标注出了异常数据集,具有空间复杂度小的优势。

基于消失点引导透视变换的车道线检测算法

目的为解决车道线的位置会随着车辆或相机的偏移发生变化而导致车道线检测准确率低和适应性差的问题,提出了一种基于消失点引导透视变换的车道线检测算法。方法首先,采用自适应消失点坐标引导更新透视变换矩阵,将车道图像转换为车道线保存完整的鸟瞰图;其次,将其颜色特征和边缘特征进行融合,得到精准的二值化图像;最后,根据直方图分析定位车道线的基点,采用滑动窗口搜索的方法提取候选的车道线像素,然后对搜索到的车道线像素进行多项式拟合。在不同的道路场景下测试算法的性能,并与其它同类算法进行对比分析。结果仿真结果表明,算法的准确率为94.12%,平均每帧耗时85.35ms,在检测精度和速度方面优于对比的算法。结论该算法能有效解决车道线位置的改变对车道线检测性能的影响,具有更高的准确率和较好的适应性,在阴影遮挡、车道破损、恶劣天气等复杂道路环境的检测下,表现出良好的鲁棒性。

改进YOLOv5s的室内喷涂机器人的窗户检测算法

室内窗户检测对喷涂机器人实现自动化喷涂作业有着重要意义。现有的窗户检测模型受光照环境影响较大,且无法识别局部窗户图像,参数量多、计算量大,难以部署在算力有限的喷涂机器人上。针对以上问题,本文提出一种改进YOLOv5s网络的轻量级室内窗户检测算法,在YOLOv5s网络的基础上引入PP-LCNet和GhostNetv2两个轻量级网络,降低模型的参数量和计算量,提升模型的实时检测速度;再将基于Transformer编码的C3TR模块添加到主干网络,增强模型的特征提取能力,并使用SIoU损失函数加快网络的收敛速度,保留有利特征。实验结果表明,本文改进的算法相较于原算法参数量降低了77.7%,权重文件减小了75.7%,检测速度提高了77.8%,平均精度均值提升了2.9%。

基于支持向量机的Windows主机入侵检测系统

提出了一种基于支持向量机的W indow s主机入侵检测方法。讨论了以W indow s注册表作为数据源的入侵检测系统的结构及特征向量的提取方法。给出了基于支持向量机的入侵分类算法,通过建立支持向量描述模型进行预测。实验表明:该方法对已知样本有很高的检测率,对未知样本也有一定检测能力。

基于小波分析的输电线路故障识别检测

在输电线路故障识别的过程中,容易受到高频干扰信号影响,导致降低识别检测结果的准确性。因此,该文提出了基于小波分析的输电线路故障识别检测方法。分析输电线路故障信号奇异性,计算故障暂态信号的小波包能量,构建小波窗函数,以突变特性信号下的过电流为识别判据,检测输电线路故障情况,识别冗余信号,避免检测结果受到高频干扰信号影响。实验结果表明,该方法检测的输出电流波动范围与实际电流波动范围一致,说明识别检测精准度较高。

多行人条件下后向窗口滤波优化计步方法

针对使用惯性测量单元(IMU)的计步算法在多行人条件下存在的伪零速造成计步准确率低的问题,提出了一种后向窗口滤波优化计步方法。首先,利用巴特沃斯低通滤波对IMU输出的加速度和角速度数据进行平滑处理,计算合加速度模值与合角速度模值。然后,采用阈值和零速检测算法得到初始步数识别数组。最后,通过计算后向窗口内的步数均值,取整优化步数识别数组,抑制零速检测中伪零速的干扰。在六名实验者的足部安装IMU模块,在单行人或多行人条件下以连续的多种行走活动进行实验验证。实验结果表明,所提方法的计步平均准确率为99.8%,相比多源信息自适应步数检测方法,准确率提高了28.5%,具有较高的计步准确率。

基于滑动窗和多块卷积自编码器的故障检测

为了进一步提升故障检测性能,充分挖掘时序和隐含特征信息,提出一种基于卷积自编码器的故障检测方法。在对原始信息集进行建模的基础上增加了对累计信息与变化率信息的建模,以增强对隐含信息的挖掘;对重构的3个信息集进行滑动窗采样,基于卷积自编码器进行时序特征提取和建模;将卷积自编码器的决策结果进行贝叶斯融合得到统计量,并用核密度估计的方法确定控制限从而进行故障检测。将该方法进行数值仿真并应用于TE过程,仿真结果验证了所提方法的有效性和检测性能。

高分辨率遥感图像的目标检测

卫星遥感图像的分辨率高且目标在图像内的相对尺寸小,因此难以同时确保检测准确率和运行速度。为解决高像素遥感图像的目标检测问题,本文提出了一种结合滑动窗口分割和小目标检测器的检测方法。首先使用滑动窗口法将图像分割成多个子图,滑动步长略小于窗口的大小以使每个子图之间具有一定的重叠部分,并采用较大的分割窗口以降低子图数量。之后对子图进行压缩,使用目标检测算法处理压缩后的图片,降低算法运行时间。最后合并检测结果并采用非极大化抑制策略以去除在重叠部分重复检测的目标。在检测算法方面,本文以YOLOv8n为基础,使用SPD卷积核对网络结构进行改进,基于NWD方法调整正负样本匹配策略,并改进特征金字塔结构以提升算法对小目标的检测性能,从而使算法能够适应在更大尺寸下压缩的子图以减少图像分割数量,提升检测速度。实验证明,在图像平均分辨率为4000×4000的车辆检测数据集上,该方法对目标检测的平均准确率为55.7%,平均每张图片的计算时间约为47.5 ms,准确率比YOLOv8n提升16%,比YOLOv5s提升15%,比YOLOv6s提升7.6%。本文方法的运行效率满足实时化要求,能够以更高精度实时检测卫星遥感图像中的目标。

“霍山地震窗”小震检测及其在地震预测中的应用

安徽霍山地震窗作为地震预测效能评价较好的指标(R>R_(0),R=0.26,R_(0)=0.204),对安徽及邻区震情形势研判具有重要作用。历史震例总结显示,当霍山地震窗3个月内M_(L)≥1.0地震累计频次超过40次时,出现开窗异常,该异常对未来一年内地震窗中心点周边100 km范围内的M_(S)3.5地震、 250 km范围内的M_(S)4.0地震、 500 km范围内的M_(S)5.0地震、 500 km以外的M_(S)6.0及以上地震具有预测意义。自1970年以来,使用该指标漏报地震7次,其中,在2018年河南固始M_(S)3.6地震与2019年湖北应城M_(S)4.9地震发震前,霍山地震窗区域内小震活动增强,并且3个月内ML≥1.0地震累计频次接近异常阈值。霍山地震窗区域内小震密集,可能存在小震波形相互交叠干扰而无法被识别的情况。本研究利用匹配定位(M&L)法对2017年4月与2019年4—9月霍山地震窗区域的小震进行检测,以获取更为完整的地震目录,并重新分析了霍山地震窗的预报效能。研究结果表明,基于小震检测后更为完整的地震目录,霍山地震窗开窗异常未漏报2018年河南固始M_(S)3.6地震与2019年湖北应城M_(S)4.9地震,计算得到R>R_(0)(R=0.30,R_(0)=0.196),该项异常对应地震优势发震时间为开窗后9个月内。本研究说明M&L法在霍山地震窗小震检测中具有实用性,可在后续霍山地震窗跟踪中作为一种常规的处理方法,以期获取更为完整的小震目录,为震情跟踪研判提供数据支撑。

一种基于CEI的GEO目标滑窗式机动探测方法

为了进一步提升地面跟踪站的监视预警能力,提出一种基于连线相位干涉测量(CEI)的地球静止轨道(GEO)目标滑窗式机动探测方法:立足于CEI的GEO短弧段定轨和预报,基于GEO卫星位保机动的持续小推力和轨道缓慢渐变特性,提出一种针对GEO目标尤其是非合作GEO目标的滑窗式准实时机动探测方法;并利用亚太七号和中星十号卫星的CEI仿真和实测数据进行机动探测。结果表明,东西机动和南北机动捕获与卫星发动机的点火时刻基本保持一致,机动探测延迟量均小于10 min;能够实现GEO目标的准实时机动告警。