基于双目视觉的聚合积分通道行人检测优化算法

针对单目视觉下复杂室外场景及人体非刚性变化多样时行人检测效率及准确率较低的问题,提出了一种基于双目立体视觉的行人检测方法.首先采用非局部视差聚合匹配方获取稠密视差图;然后以粗细两阶段分割策略获取感兴趣区域,使用最小面积阈值获取潜在行人最小尺度;结合行人最小尺度自适应地减少检测所需数据量,最后基于聚合积分通道模型完成数据建模与行人检测.实验结果表明,该方法能有效利用双目视觉信息解决单目视觉下虚假干扰问题,在实现较高检测精度的同时有效提高检测速度.

基于积分通道特征的异常行为检测算法

对视频中的行人异常行为检测问题进行了研究。针对传统行人异常行为检测算法在准确性和兼容性方面的不足,提出一种基于积分通道特征的异常行为检测算法;该算法利用背景分割和行人信息统计的方式,对不同背景下的视频模型进行了建模。结合对行人个体的轨迹分析,对运动个体的位置进行异常行为检测。算法首先对检测区域采取区域划分,然后采用改进的积分通道特征行人检测算法对目标进行检测,最后采取Mean-shift算法对目标进行跟踪。最后的实验数据表明该算法整体性能有所提高。

改进积分通道特征的快速多尺度行人检测

针对积分通道特征冗余信息多,在多尺度行人检测中检测速度较慢的问题,提出了改进积分通道特征的快速多尺度行人检测算法。该方法首先采用快速特征金字塔计算图像不同尺度下的特征通道,避免对图像重复缩放计算特征通道;然后将检测窗口分为单元和块来对图像进行整体描述,代替原始方法的随机位置和大小矩形来减少冗余特征,最后计算单元和块内的像素和作为特征向量送入软级联Adaboost分类器进行分类。仿真实验结果表明,该算法检测精度优于积分通道特征算法,同时检测速度提高了15.4倍,在640×480大小图像上检测速度达到18.5 f/s。

模板自适应的积分通道特征行人检测算法

本文对视频中的行人检测问题进行了研究。针对传统的积分通道特征算法在误测背景目标和丢失目标两方面存在缺陷,本文以积分通道特征的行人检测算法为核心,对原检测算法进行了优化并提出模板自适应的积分通道特征算法。通过使用预处理优化和自适应模板,该优化算法能够有效地检测到丢失的目标并且抑制了背景干扰,提高了检测的准确性。最后的实验数据表明该优化算法整体性能有所提高,尤其在提高检测丢失目标的准确率和降低误测背景目标的检测率上都相较于传统的积分通道特征算法有较大的提高。

基于SURF特征与积分通道特征的车型识别

随着交通问题的日益严峻,智能交通系统技术的研发显得尤为迫切。车型识别系统作为ITS系统的一个重要组成部分,起着关键的作用。针对车辆图像的车型识别,提出了一种基于SURF(speed up robust features)特征与积分通道特征的车型识别方法。实验结果表明,此方法能够对车辆图像的车型进行准确的识别,且简单高效,具有较高的鲁棒性。

视频监控领域基于自适应学习因子与积分通道特征的核相关目标跟踪算法

针对视频监控领域复杂场景下单一特征跟踪算法适应性不强的问题,提出一种基于自适应学习因子与积分通道特征的核相关目标跟踪算法;该算法利用积分通道特征丰富多样的特征信息与高效的计算效率,将不同通道的特征整合到核相关模型中,可以克服单一通道特征对目标区域描述不足的缺陷,增强模型的泛化能力;大量的定性定量实验表明所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。

双通道积分电路在变频调速供水系统中的应用

分析了变频调速多泵并联供水系统的特点，提出了一种按设定频率上、下限实现自动转换的双通道积分电路，并据此设计了ＰＬＣ（ＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＣｏｎｔｒｏｌｅｒ）控制的变频调速供水系统。

用双通道积分电路实现高楼供水

应用电子技术按设定频率上、下限实现自动转换的双通道积分电路,并按此设计PLC控制的变频调速高楼供水系统。系统性能稳定、安全可靠,稳压精度0.01Hp,调节时间小于10s,节电率达40%以上,是一种节能有效的方法。

双通道积分电路在高楼变频供水系统中的应用

应用电子技术按设定频率上、下限实现自动转换的双通道积分电路 ,并按此设计PLC控制的调速高楼生活供水系统 .系统用 1台超小型PLC及 1台变频器构成 3台水泵并联供水 ,经长时间运行表明 ,供水系统各水泵循环投切稳定可靠 ,节电率 4 0 %以上 ,在现代城市高楼生活供水中 ,是一种比较安全稳定、节能有效的方法 .

基于ACF与PCANet改进通道特征的级联行人检测

针对聚合通道特征(ACF)算法误检窗口多的问题,提出一种由粗到精的级联行人检测算法。采用ACF算法快速粗检,改进通道特征来滤除误检窗口,以每个图像通道学习主成分分析(PCA)滤波器组,代替PCANet从训练图像和卷积图中学习滤波器组,用图像通道进行单层卷积,代替PCANet的双层卷积以降低特征维数,提升对行人的表达能力,并对卷积图池化降维,得到改进的通道特征。仿真结果表明,该算法相对于原ACF算法误检窗口减少,检测率在INRIA、Caltech数据库上分别提高3.8%和17.5%。

基于3DKAZE通道特征的实时行人检测

将二维非线性扩散滤波方法扩展到三维时空域,提出一种新的3DKAZE特征点检测与描述方法。同时提出一种基于3DKAZE通道特征的实时行人检测算法。利用双目视觉的方式获取输入图像对中行人的深度信息进而排除了地面和天空等自由区域,采用HOG+LUV+3DKAZE的积分检测算子进行检测,最后通过训练得到的Soft Cascade分类器对得到的描述子进行分类,最终得到目标行人。在Caltech、ETH、INRIA以及TUD-Brussels四个公共基准数据集中的实验结果表明,所提出的行人检测算法的检测结果在准确性上达到了较好的水准,同时也得到了快速实时的效果。

星上多通道遥感图像的实时合成压缩

针对星上图像整合电路工作频率过高而造成的成像系统工作不稳定的问题,讨论了相机结构的改进,提出了一种基于现场可编程门阵列(FPGA)平台实现星上时间延迟积分CCD(TDICCD)遥感图像实时合成压缩的方法。介绍了星上多通道遥感图像实时合成压缩的原理。针对TDICCD线阵推扫成像模式的特点,使用改进的JPEG-LS压缩算法;通过自适应量化动态地控制码率,在FPGA硬件平台上实现了图像数据的实时合成压缩。试验验证结果表明,在无损压缩和2倍压缩时,系统主时钟从原来的100MHz分别降低为80MHz和64MHz,整合电路的工作稳定,恢复图像的峰值信噪比(PSNR)满足大于80dB的要求。提出算法的存储量小,处理每行的平均时间为57.5μs,小于相机的最小行周期63μs,满足实时性要求。本文系统可靠性高,算法稳定,实现了星上多通道时间延迟积分CCD相机内部的实时合成压缩。

基于双通道事件触发机制的水面无人艇同时故障检测与控制

本文研究双通道事件触发通讯机制下水面无人艇(USV)的同时故障检测和控制(SFDC)问题.考虑执行器故障和外部扰动,建立了SFDC框架以同时实现控制和故障检测目标.为了节约有限的通信资源和系统能源,在传感器–控制器通道和控制器–执行器通道分别部署了积分型事件触发器.在事件触发的通讯机制下,提出了故障检测器和控制器的联合设计准则.最后,USV的仿真结果验证了提出的基于事件触发的SFDC方法的有效性.

基于感兴趣区域提取的行人检测

为能在单目图像中快速准确地检测出行人,提出一种基于ROI提取的行人检测算法。根据待检测图像的边缘信息提取所有可能含有行人的区域,用区域的中心点代表该区域;基于这些中心点,根据行人在图像中固有的特点,确定行人ROI区域;对该ROI区域进行行人的检测。在INRIA测试集上的测试结果表明,该算法在误检率较低、检测速度较高的情况下,检测率达到95%以上,可以用于实时行人检测系统。

结合组像素嵌入的双注意力高光谱图像分类

近年来,基于深度学习的框架在高光谱图像分类领域中取得了令人满意的结果。然而,多数方法仍使用卷积神经网络作为主干网络,其存在感受野过小,对特征信息的挖掘不充分,序列建模的能力较弱,模型复杂和分类精度低等问题。为克服上述局限性,该文提出一种结合组像素嵌入的双注意力高光谱图像分类的方法。该方法主要分成三个部分,首先,使用含有点卷积组和深度卷积组的通道空间卷积分离模块来高效学习空间光谱的特征信息;其次,添加通道空间双注意力机制,抑制冗余信息的干扰,增强高光谱图像空间与光谱的特征权重;最后,通过组像素嵌入Transformer来进一步强化空间与光谱之间的联系,建立全局长距离依赖关系,缓解精度下降的问题,保证了网络良好的分类性能。实验结果表明,该方法与现有的网络模型相比具有更优越的性能,在Pavia University和WHU-Hi-LongKou两个数据集中的总体准确率分别达到99.26%和99.73%。

基于多特征融合的红外图像行人检测

针对基于单特征红外图像行人识别准确率低的问题,提出一种基于梯度方向直方图(HOG)、积分通道特征(ICF)和强度自适应特征(ISS)的多特征融合红外图像行人检测的新方法。首先,分别提取训练样本的HOG、积分通道和ISS特征,用主成分分析(PCA)算法对提取的ISS特征进行降维,然后通过并行加权特征融合方法把HOG、积分通道和降维后的ISS特征相融合,并用融合后的特征训练支持向量机(SVM)分类器,最后用训练好的SVM分类器进行行人识别检测。LSI Far Infrared Pedestrian Dataset红外行人图像数据库上的实验证明,基于多特征的红外图像行人检测方法明显优于经典的HOG和局部二值模式(LBP)单特征方法,提高了检测精度,降低了误检率。

基于多特征融合级联分类器的高速公路交通流检测方法研究

本文针对复杂的高速公路环境,对鲁棒的交通流检测算法进行研究,建立了有效的基于多特征融合级联分类器的高速公路交通流检测系统。本算法改善了现有常见交通流检测技术特征单一的劣势,采用了多特征融合的方式,利用目标的颜色、梯度幅值、梯度直方图等多种图像特征,并通过级联分类器的方式建立检测器,使算法有较好的时效性。实验表明,此算法及系统能够快速准确地检测高速公路场景下的交通流,对各种外观以及角度的车辆均表现出较好的检测效果,具有较好的鲁棒性。

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习(Simple MKL)来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。

两种性能优异的行人检测方法分析

行人检测是计算机视觉中的关键问题,与之相关的一些应用对人们的生活质量有着潜在的积极影响。近年来,基于单眼图像行人检测方法的数量正稳步增长。对现今两种最优异的行人检测算法做深入的分析,对比两种算法在特征提取,分类器选择以及加速优化过程中各自的特点,为将来设计出更出色的算法提供指引。

基于神经网络深度学习的车牌识别算法

当前收费系统使用的车牌识别设备识别车牌的方式普遍为模式识别,识别率基本在85%~90%,而且受到天气、车牌污损等因素的影响,无法满足"互联网+"收费系统对于精确车牌识别的要求。通过对车牌识别参数进行抽象和建模,运用成熟的人工智能技术,以基于神经网络的深度学习算法模型为基础,根据车牌识别的需求,对车牌特征进行建模,车牌模型在算法的支持下,通过深度学习认知车牌的颜色、文字、字符等属性,有望解决在强光照、大侧角、模糊等极难条件下无法识别车牌关键信息的问题,满足"互联网+"收费系统对于精确识别车牌的要求。