基于YOLOv3的施工场景安全帽佩戴的图像描述

近年来,因工人未佩戴安全帽而造成的施工事故频繁发生,为降低事故发生率,对工人安全帽佩戴情况进行图像描述的研究。当前基于神经网络的图像描述方法缺乏可解释性且细节描述不充分,施工场景图像描述的研究较为匮乏,针对该问题,提出采用YOLOv3(You Only Look Once)的检测算法,以及基于语义规则和语句模板相结合的方法递进式地生成安全帽佩戴的描述语句。首先,采集数据,制作安全帽佩戴检测数据集和图像字幕数据集;其次,使用K-means算法确定适用于该数据集的锚框参数值,用以YOLOv3网络的训练与检测;再次,预定义一个语义规则,结合目标检测结果来提取视觉概念;最后,将提取出的视觉概念填充进由图像字幕标注生成的语句模板,以生成关于施工场景中工人安全帽佩戴的图像描述语句。使用Ubuntu16.04系统和Keras深度学习框架搭建实验环境,在自制的安全帽佩戴数据集上进行不同算法的对比实验。实验结果表明,所提方法不仅能够有效界定安全帽佩戴者和未佩戴者的数量,而且在BLEU-1和CIDEr评价指标上的得分分别达到了0.722和0.957,相比其他方法分别提高了6.9%和14.8%,证明了该方法的有效性和优越性。

Legendre矩的两种快速算法

Legendre正交矩在模式识别、图像分析等许多领域都有成功的应用 ,但是由于其计算的复杂性 ,相关的快速算法的研究尚未得到很好的解决 .本文针对一类采用图像块方法描述的图像 ,提出两种快速、有效的计算Legen dre矩的新方法 ,它们分别是累加方法和积分方法 .这两种方法都有效地降低了计算复杂度 ,缩短了计算时间 .

Tchebichef矩的快速算法

为了更有效将Tchebichef矩应用于模式识别和图像分析等领域,提出一种关于Tchebichef矩的快速有效算法.对二值图像采用图像块描述方法,并在推导了Tchebichef多项式一些性质的基础上,实现了一种快速计算Tchebichef矩的新方法.实验结果表明,该方法能够有效地节省计算时间,尤其在图像尺寸较大,以及所使用矩的阶数较高的情况下,该算法的效果更为明显.