结合Faster RCNN和相似性度量的行人目标检测

行人检测是计算机视觉领域的一个研究热点,针对目前算法中常采用非极大值抑制和硬阈值筛选的方法作为后处理,容易造成误检和漏检的问题,提出一种基于相似性度量的行人目标检测方法。首先,采用Faster RCNN生成一系列的目标候选集,应用非极大值抑制对候选集进行初步筛选,然后由较高置信度的目标区域建立特征模板,再根据特征相似性对较低置信度的目标区域做进一步判别,最后将筛选后的目标候选集和模板区域作为检测结果。在VOC、INRIA、Caltech数据集的实验结果证明,基于相似性度量的算法提高了行人检测的准确率。

基于多阶段递推数据分析的低压台区窃电检测方法

窃电行为不仅会扰乱正常用电秩序,更会影响电网的供电质量和安全运行。针对窃电检测工作中所面临的用户正常用电行为与窃电行为多样化问题,该文提出一种基于多阶段递推数据分析的低压台区窃电检测方法。该方法第1阶段对嫌疑窃电台区进行判定,针对当日线损不是明显激增的情况,提出基于台区线损综合波动率、总分表电流差异率、线损和电流曲线的突变点时间重合度的三步分析法,为窃电嫌疑用户的检测提供了良好的条件;第2阶段提出基于最优特征集的时间序列相似性度量方法,基于欧氏距离度量曲线间数值特征,同时基于动态时间规整(dynamic time warping,DTW)算法度量曲线间的形态特征,实现窃电嫌疑用户的初步筛选;第3阶段提出基于核函数和惩罚参数优化的支持向量机二次深度检测模型(optimize kernel-function and penalty-parameters support vector machine,OKPSVM),其中惩罚参数采用综合改进的粒子群(improved particle swarm optimization,IPSO)算法。通过算例仿真和实际工程应用,整体优化后的支持向量机模型(IPSO-OKPSVM)能够提高深度窃电检测的精准性和适用性。

孪生神经网络交通标志编码识别算法

交通标志识别技术正在被逐步应用到汽车辅助驾驶领域。但是,遮挡、污损、天气环境变化等因素会严重影响交通标志识别的准确性和稳定性。针对该问题,提出了一种基于孪生神经网络的交通标志编码识别模型。该模型将交通标志的识别问题视为交通标志的卷积特征编码识别问题。通过卷积神经网络对交通标志训练样本和基准样本进行特征提取与编码。再利用孪生神经网络进行编码对比,结合对比损失函数对编码器训练调整。通过全连接层对输入通路的标志卷积编码进行重新组合与分类,从而实现交通标识的识别。实验结果表明,所提的基于改进孪生神经网络的编码器模型对存在运动模糊与遮挡的标志图像能生成有效、鲁棒的特征编码,相较于其他先进算法,具有更高的识别准确率。

基于内容的图像检索技术综述

随着计算机网络以及多媒体技术的飞速发展,基于文本的传统图像搜索已经不能满足高效准确的要求,所以基于内容的图像检索(Content-Based Image Retrieval,简称CBIR)技术越来越受到用户们的重视。本文对CBIR技术的主要原理与方法进行了分析并对以后的发展趋势进行了展望。

电力机房巡检机器人的指针式仪表识别算法

针对目前电力机房巡检机器人仪表识别精度不高的问题,提出了一种新的仪表检测识别方法。该方法分为两个部分,第一部分为仪表检测过程:提出了一种基于相似性度量的目标检测方法。首先,采用Faster RCNN网络生成一系列候选集,然后由高置信度的目标区域建立特征模板,再根据特征相似性对低置信度的目标区域进行判别,最后将筛选结果和特征模板作为检测结果,从而实现对仪表类型的识别与定位。第二部分为指针式仪表读数识别过程:采用自适应Canny算法进行边缘检测,然后采用八领域轮廓跟踪算法串联边缘点获取轮廓,并通过分析轮廓形态,提取指针和刻度线段。最后通过改进的刻度修复算法解决光照下刻度缺省问题,从而建立完备的刻度坐标系,再根据坐标系中的指针与刻度之间的相对位置得到仪表读数。实验结果表明,本算法对于光照条件、拍摄角度、电力机房环境干扰具有较好的鲁棒性,提高了仪表识别的准确性和实时性。