基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值;通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法二聚类处理图像,采用制作的切割模板切割图像感兴趣区域,提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别;经实验对比证明,采用所提方法提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1 s,干扰下识别时间最高仅为15.1 s,验证了该方法可以快速且准确识别各个类型的交通标志。

基于视觉图像的飞行区大型目标监视方法改进研究

机场飞行区现使用的场面监视方法存在着定位偏差较大、不稳定、易跳变、皆为点源定位等问题。针对这些问题,设计了基于视觉图像的飞行区监视方法,实现快速准确的目标检测和轮廓定位,使飞行区监视更加稳定精确。提出了一种基于MobileNetV3和YOLOv5的网络模型(以下称为MobileNetV3-YOLOv5),即在YOLOv5的主干中使用MobileNetV3,来提高对目标的检测速度和准确度;提出了一种基于优化特征点提取的改进定向快速旋转简报(Oriented FAST and Rotated BRIEF,ORB)算法,将图像分割成多个区域,分别提取每个区域的特征点,从而提高目标识别框内区域的特征点识别数量,再进行特征点聚类筛选,最后根据识别目标类型采用最小包围盒进行轮廓划分,得到目标的轮廓定位。试验结果表明:MobileNetV3-YOLOv5方法对比原始YOLOv5模型,在识别目标准确率方面提升5百分点,在效率方面提升14张/s;同时在0~60 m的范围内,轮廓估计误差仅为2.9%;体现了所提出的监视方法的有效性,可以提升飞行区监视定位准确性和运行安全性。

生产、观看、技术:数字视觉图像参与社会时间加速的三重向度

本文从数字视觉图像生产者、观看者、视觉技术三个维度探究数字视觉图像参与时间加速的具体路径。研究发现,数字视觉图像生产者及平台在“中区”和“深后区”的图像生产中皆有着严格的时间规制;大众对数字视觉图像的观看始于视觉奇观,终于视觉沉浸,进而导致个人逻辑时间序列发生混乱;而媒介技术作为调节中介则为时间感知变化提供条件并使其成为可能。

舰船多方位视觉图像特征深度提取系统设计

基于视觉图像处理的特征提取和图像识别方案是对雷达和AIS的有效补充,有效识别其他船舶、礁石等可以有效保障舰船航行安全。本文提出一种基于CNN和拉普拉斯金字塔图像融合的视觉图像特征深度提取系统,设计了系统的基本结构,并分析了系统中各模块的基本功能,提出了基于CNN的特征深度提取方案,对船舶和浮标目标特征进行提取,使用拉普拉斯金字塔融合将不同舰船上获取的图像进行深度融合。本文建立的多方位视觉图像特征深度提取系统可以有效获取多种目标特征,并可以有效提高特征表示的丰富性和准确性。

基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究

目的:为消除手术器械视觉图像中的高斯与椒盐噪声,并恢复图像的细节特征,提出一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法。方法:首先,构建由多特征融合编码器解码器网络、注意力引导网络和细节恢复渐进式网络3个部分组成的轻量级多任务渐进式网络,使用多特征融合编码器解码器网络预测视觉图像中的噪声信息,并从原图像中去除,使用注意力引导网络进一步去除图像中的残留噪声,使用细节恢复渐进式网络对去噪图像的底层细节特征进行恢复。其次,对轻量级多任务渐进式网络进行轻量化设计,将细节恢复渐进式网络中的部分常规卷积替换为深度可分离卷积。最后,在公开的CBSD68、Kodak24数据集和自建的手术器械噪声数据集上进行去噪实验,比较基于轻量级多任务渐进式网络的去噪方法与经典去噪方法的去噪效果,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像的分类准确率,并分析轻量化设计前后的算力和内存占用情况。结果:在公开数据集上,所提出的方法较经典的去噪方法取得了更好的去噪效果。在手术器械噪声数据集上,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像分类准确率更高。经过轻量化设计的去噪方法的参数量和浮点运算数(floating point operations,FLOPs)分别减少了约27.27%和29.81%。结论:基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法具有优秀的手术器械视觉图像去噪性能,且具有更少的算力消耗和内存占用。

基于视觉图像识别的山洪水位流量监测技术与设备研制

面对传统山洪灾害监测方法在复杂环境下的局限性,本文提出一种基于视觉图像识别技术的非接触式山洪水位流量监测设备。该设备采用人工智能和时空图像视频分析技术,通过高清红外摄像头非接触式采集图像,结合水位智能识别及山洪流速流量测算模型进行实时监测。该设备在河南栾川山洪灾害试验基地多个站点成功应用,应该结果显示:相比传统方法,实现了更高效、稳定且精准的监测效果,为山洪灾害防治提供了重要的数据支持。研发出的非接触式监测设备在山洪监测中具有显著优势,有助于提升监测安全性、时效性和自动化水平,降低山洪监测成本,值得进一步推广应用。

船舶监控三维视觉图像模糊目标清晰处理研究

对船舶周围环境实时监控有利于提升航行的安全性,立体视觉技术通过计算图像之间的视差来重建目标的三维结构,但是三维视觉图像的构建严重依赖于图像质量。本文对暗通道分析技术和深度神经网络技术进行研究,分析图像去雾以及通过绘制环境场景进行还原的基本流程,提出一种基于MobileNet V2的轻量级雾浓度分类器,得到了不同训练周期时图像分类的训练准确率和验证准确率,对船舶监控三维视觉图像模糊目标清晰化处理进行验证试验,结果表明清晰化处理后的环境空间图像质量得到了大幅度提升。

视觉图像与三维点云融合的障碍物主动识别与距离感知研究

针对无人机配电线自动巡检及绝缘层涂覆维护过程中障碍物主动识别和距离感知的问题,提出视觉图像与三维点云相结合的障碍物识别方法。对图像进行增广预处理来丰富数据集,引入基于特征提取的深度学习进行模型训练,获取障碍物目标的类别和方位,结合三维点云信息得到目标的距离信息。实验结果表明:三维点云与视觉图像融合的障碍物主动识别与距离感知算法可以兼顾实时与精准测距的需求,提高了系统预警的精确度,最大识别误差为2.356%,有助于提高无人机及线缆涂覆机器人的障碍感知能力,保障作业安全。

视觉图像缩放效果评价心理感知模型设计

当前视觉图像缩放效果评价模型仅采用硬性评价指标,缺少对模糊参数评价的灵活性,存在敏感性低、评价结果主客观一致性差和评价代价高的问题,故设计视觉图像缩放效果评价的心理感知模型。通过提取图像底层亮度、颜色及方向等视觉感知特征完成特征采集;再通过视觉图像缩放评价参数分析计算质量参数和变形度参数,得出缩放视觉图像的形变量和变形区域,利用特征和相关参数构建心理感知模型,以实现视觉图像缩放效果评价。该实验结果表明,设计模型评价代价较低、敏感性较高、评价结果的主观一致性较好。

基于深度卷积神经网络的多媒体视觉图像重构处理研究

图像重构方法往往依赖于手动设计的特征和先验知识,导致图像峰值信噪比低,为此进行基于深度卷积神经网络的多媒体视觉图像重构处理研究。首先,对视觉图像去噪处理后,采用多方向局部二值模式提取多媒体视觉图像的特征。其次,采用线性融合算法来融合不同来源的图像信息,利用深度卷积神经网络进行图像分类。最后,采用匹配跟踪技术实现图像重构,恢复出高质量的图像。研究结果表明:随着采样率的增加,与现有图像重构方法相比,所研究方法峰值信噪比上升趋势明显,数值增加,重构质量更高。

从新媒体角度看新闻讯息传播中视觉图像的说服力

从新媒体角度看新闻讯息传播中视觉图像信息的表现与作用,也就是对大众传播信息的功效进行研究,这就是通俗传播效果研究。本文主要以黄冈东坡庙会系列活动为例进行分析,通过分析表明,在重大活动新闻讯息的传播中,视觉图像具有更广泛、更有效的信息说服力,为我们总结重大活动新闻图像传播的经验和教训提供了借鉴。

基于深度强化学习的移动机器人视觉图像分级匹配算法

针对传统移动机器人视觉图像分级匹配算法只能完成粗匹配,导致最终匹配精度较低、匹配时间较长等问题,提出一种基于深度强化学习的移动机器人视觉图像分级匹配算法.首先,利用深度强化学习网络结构中的策略网络和价值网络,共同指导浮动图像按正确方向移至参考图像;其次,在粗匹配过程中通过设计奖赏函数,实现颜色特征粗匹配;最后,在粗匹配基础上,利用改进尺度不变特征变换算法提取待匹配的图像局部特征,按相似度进行移动机器人视觉图像分级匹配.实验结果表明,该算法可有效实现图像的粗匹配与精匹配,在不同视角与尺度情况下特征检测的稳定性均较高,匹配精度高、时间短,匹配后的图像质量较好,提高了移动机器人的实际应用效果.

复杂场景下全景视觉图像局部特征点检测仿真

为了在获取全景视觉图像特征点的同时有效保持图像的边缘信息,提出一种复杂场景下全景视觉图像局部特征点检测方法。采用经验模态分解方法分解全景视觉图像,在信息熵差值的基础上确定含噪的IMF分量,引入CLEAN算法抑制IMF分量中存在的噪声,实现全景视觉图像去噪处理;对全景视觉图像展开小波变换,消除图像特征图中存在的冗余信息,避免复杂场景对特征点检测产生影响,融合全景视觉图像的局部特征显著区域,获得显著图,完成局部特征点提取;根据特征点的独特性、均匀性、独特性、覆盖度挑选最优局部特征点,完成全景视觉图像局部特征点检测。实验结果表明,所提方法的去噪平滑性高、边缘保持能力强,特征点检测准确率高、效率高。

论安徽油画风景创作者对徽州视觉图像的继承与创新

明清徽州的视觉图像可分为“高雅”图像和“民间大众”图像两大类,当代安徽油画风景创作者对明清徽州视觉图像的传承脉络清晰,他们以明清时期徽州的画家为榜样,传承新安文脉,对徽州“减笔”视觉图式承继的基础上有所创新,吸收了新安画派的线性造型、篆刻意味,画面呈现平面化、抽象化的风貌。安徽境内的艺术家,以黄山、徽州建筑、新安自然之景为蓝本,书写文人情怀,承继中有所创新,构建个人心目中理想的风景。安徽油画风景创作者追忆往日的宁静,力图找回往日人与自然的和谐共处,试图营造一个人与自然合二为一的精神世界,给人以精神的启迪,引发人们对人与自然关系的思考。

基于雷达点云与视觉图像融合的输电线路探鸟驱鸟技术

为了克服驱鸟器易被鸟类适应的缺点以及解决基于视觉图像的目标检测算法受天气条件制约的问题,根据毫米波雷达的特性,提出了一种基于雷达点云与视觉图像融合的探鸟驱鸟方法。首先运用均值拟合实现雷达-相机坐标融合,并利用视觉和场景增强技术创建了囊括多种气象环境的鸟类点云-图像融合数据集;然后提出一种将雷达点云注意力机制与深度学习识别网络YOLO相结合的鸟类识别模型,实现决策层融合;最后,结合三帧差分算法构建基于3F-GIo U的驱鸟器智能启停策略,判断是否有鸟类停留在目标区域,使其适合于轮廓小、速度快的目标行为识别。实验结果表明,所提的鸟类识别方法能够满足实际应用场景中鸟类识别的鲁棒性和准确性,不同天气条件下平均识别准确度为91.21%;所提的3F-GIoU策略能够有效识别鸟类存在危害线路、杆塔的活动。

基于像素直方图和YOLO优化算法的视觉图像识别检测技术研究

针对传统识别检测技术对较小目标的检测准确度不足,且检测速度较慢的问题,提出利用小波变换进行图像整合得到原始的背景图像,并引入图像特征融合机制和感受野增强机制优化YOLO算法。对改进像素直方图方法的性能验证结果表明,像素直方图+小波变换检测方法在数据集1~4中的准确率分别为90.39%、94.29%、96.69%和96.60%。在数据集1~4中改进的YOLO算法在目标检测的准确度和检测速度高于YOLOv2和RetinaNet算法。从结果可以看出,改进后的方法具有较高的准确性,可以实现对较小目标的检测,在视觉图像识别技术中可以得到较好的应用,具有较高的应用价值。

基于改进CNN算法的视觉图像目标跟踪研究

为减小视觉图像目标跟踪的执行时间和提高跟踪轨迹的准确性,提出一种基于改进卷积神经网络算法的视觉图像目标跟踪方法。为获得较短的目标跟踪执行时间和较好的目标跟踪轨迹,用视频图像处理技术提取视觉图像的前景,利用改进卷积神经网络算法提取视觉图像的特征,采用MeanShift目标跟踪算法在视觉图像特征的基础上跟踪视觉图像目标,通过卡尔曼滤波进一步优化MeanShift目标跟踪算法的跟踪结果,实现视觉图像目标的跟踪。实验结果表明,所提方法的执行时间短、跟踪准确度高。

写实与意象:新时代中国画“视觉图像”的构建

新时代中国画由于受到西方绘画的影响和新旧艺术思潮的碰撞,已然变得不再那样纯粹。“视觉图像”信息的不断冲击也造成了中国画“写意”精神的缺失。因此,研究新时代中国画的理论框架与精神指向要着眼传统,并结合现代视角,从中西方文化体系的差异中判断时下中国画的审美观,探寻“视觉文化”背景下新时代中国画的变革方向,确立中国画在当代美术史中的地位。

基于改进YOLOv5算法的电力施工场景安全帽视觉图像检测方法

为了判断施工人员是否佩戴安全帽,确保电力施工现场安全,本文提出基于改进YOLOv5算法的电力施工场景安全帽视觉图像检测方法,采用可分离卷积方法改进YOLOv5算法的输入端,并在输入端内增加马赛克数据增强过程,以提升电力施工场景安全帽视觉图像的清晰度;采用模糊C-均值聚类算法获取YOLOv5算法输出端的候选框设定值,并在卷积层内引入注意力机制模块,使卷积层提取到的电力施工场景安全帽视觉图像特征更加精准;利用感知量化方法对YOLOv5算法归一化融合层和卷积层实施量化,使YOLOv5算法输出结果更为准确,将电力施工场景安全帽视觉图像输入到改进后的YOLOv5算法内,经过算法迭代输出安全帽视觉图像检测结果。实验表明:该方法具备良好的候选框有效类和无效类分类能力,并且可在电力施工场景安全帽视觉图像存在遮挡和缺失时有效监测施工人员是否佩戴安全帽,具备较好的应用效果。

基于视觉图像的全向移动机器人轨迹跟踪控制研究

机器人轨迹节点跟踪比较难,导致机器人实际轨迹偏离期望轨迹,所以设计基于视觉图像的全向移动机器人轨迹跟踪控制方法;构建全向移动机器人的运动学数学模型,以此确定机器人移动轨迹数学模型;以移动轨迹数学模型为基础,按照视觉图像划分标准对全向移动机器人运动图像的分割,通过分离目标节点的方式提取运动学特征参量,完成机器人轨迹节点跟踪处理;结合节点跟踪处理结果,将运动学不等式与误差向量作为机器人轨迹跟踪控制的约束条件,利用滑模变结构搭建轨迹跟踪控制模型,实现全向移动机器人轨迹跟踪控制;对比实验结果表明,所设计的方法应用后,全向移动机器人角速度曲线、线速度曲线与期望运动轨迹曲线之间的贴合程度均超过90%,满足全向移动机器人轨迹跟踪控制要求。