基于多尺度感知的改进Fast-RCNN交通场景行人识别与检测方法

目前,卷积神经网络(Convolutional Neural Network,CNN)模型在各种视觉任务中取得了巨大的成功,但行人检测方面的关键尺度问题仍有待进一步研究。为达到在交通场景下准确识别和定位小目标行人的识别与定位,提出了基于多尺度感知的改进Fast-RCNN模型,对Caltech行人数据集中的小目标行人图像进行检测。通过利用训练后的尺度感知权重,将大尺度子网络和小尺度子网络合并到统一的结构中,并利用对象建议的高度为两个子网络指定不同的尺度感知权重,同时将原模型中的VGG-16特征提取网络替换深度残差网络(ResNet-50)以获取更多特征。最后,对比所提改进模型和基础的Fast-RCNN的模型,发现所提模型行人识别准确率为97.49%,比未改进前提高了4.36%;再和传统的机器学习方法对比(基于HOG特征的SVM识别方法和基于ICF特征的AdaBoost识别方法),发现所提模型效果仍为最好。结果表明,该方法对交通场景下小目标行人的识别效果较好,能够为智能车辆图像识别系统和智慧交通提供参考。

基于深度卷积网络的SAR图像目标检测识别

在SAR图像解译应用领域,目标的自动检测与识别一直是该领域的研究重点和热点,也是该领域的研究难点。针对SAR图像的目标检测与识别方法一般由滤波、分割、特征提取和目标识别等多个相互独立的步骤组成。复杂的流程不仅限制了SAR图像目标检测识别的效率,多步骤处理也使模型的整体优化难以进行,进而制约了目标检测识别的精度。采用近几年在计算机视觉领域表现突出的深度学习方法来处理SAR图像的目标检测识别问题,通过使用CNN、Fast RCNN以及Faster RCNN等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验,验证了卷积神经网络在SAR图像目标识别领域的有效性及高效性,为后续该领域的进一步研究应用奠定了基础。

基于Fast RCNN模型的车辆阴影去除

针对运动车辆阴影带来车辆合并及形状失真的问题,提出一种基于Fast RCNN模型的车辆阴影检测去除算法。采用Selective search法对视频车辆图像提取多个车辆候选目标矩形区域,采用Hessenberg分解法将运动车辆和其阴影区域分开;利用深度网络提取阴影特征,用PCA分析法检测阴影,训练优化该网络,识别移动阴影中包含的车辆区域,实现快速去除阴影的效果。实验结果表明,该方法有效解决传统算法多车辆阴影检测去除效率低下问题,平均检测精度mAP(mean average precision)提高2.78%,为智能交通系统提供良好技术基础。

移动状态下小型飞行器的图像处理

选择移动状态下的小型飞行器作为应用场景,将图像获取与深度学习算法相结合。首先采用改进后MPF目标跟踪算法,获取目标的大致轮廓;其次chirpscaling算法将收集到的目标轮廓数据用于图像的生成;最后将得到的成像应用于fast-rcnn算法中,进行图像背景区域的提取。通过实验仿真,该方法可以对移动状态下的物体进行图像识别,图像获取更为全面,准确率高,提取效果较好。

基于深度学习与双目立体视觉的物体管理应用

利用搭载双目摄像机与GPS设备,提出了一种基于深度学习与双目立体视觉的物体管理方案。首先用智能眼睛拍摄照片,并利用GPS获取智能眼睛所在的位置,然后利用卷积神经网络(CNN)中的FAST-RCNN对拍摄照片进行物体识别,获取照片中的物体,再利用双目立体视觉技术中的SGBM算法,获取照片中的物体相对与摄像机的坐标。利用拍摄者的GPS与物体相对拍摄者的坐标,就可以获取物体的坐标,从而获取物品的位置,实现管理物体的功能。

基于机器视觉的加热管坐标数据采集系统

化工、食品行业普遍使用列管式加热器进行加工物质的热交换,获取每条加热管坐标数据是实现列管式加热器自动清洗的前提。基于Fast-RCNN算法的机器视觉系统,可以快速准确地识别出加热管坐标,能够替代人工实现全自动数据采集工作。

Faster RCNN模型和SCP方法在肝包虫病病灶位置估计中的研究

临床医生凭借经验判断肝包虫病在肝脏区域常发病位置具有一定的主观性,因此,本研究将Faster RCNN目标检测模型应用于肝包虫病的检测,并与SCP方法结合对肝包虫病在肝脏区域的发病位置进行估计。本研究首先使用基于ResNet101网络的目标检测模型检测肝包虫病病灶,然后使用基于SCP方法建立的极坐标系统计肝包虫病在肝脏区域常发位置。实验结果表明基于ResNet101网络的目标检测模型能够有效提取目标的特征,检测准确率达到了89.6%,基于SCP方法统计出的肝包虫病常发病位置主要在肝脏的Ⅳ区、Ⅵ/Ⅶ区。本研究通过目标检测模型检测肝包虫病病灶,可以辅助医生诊断疾病,减少漏检、错检的发生。对于统计出的肝包虫病在肝脏区域的常发病位置,能够辅助医生早期发现疾病,做到早发现、早诊断、早治疗。

基于Faster RCNN的行人检测方法

借鉴目标识别领域的快速区域卷积神经网络(Fast RCNN),提出了基于Faster RCNN的行人检测方法,利用CNN提取图像特征,通过聚类和构建区域建议网络(RPN)提取可能含有行人的区域,利用检测网络对目标区域进行判别和分类,并在INRIA数据集中进行了测试验证。实验结果表明:相比基于可变形的组件模型(DPM)的行人检测方法,提出的方法,在测试集上检测准确度达到92. 7%,相比现有的其他方法,其检测效果更好。

基于时空融合加速的Fast RCNN运动车辆检测算法

为了解决传统运动车辆检测方法准确性不高、实时性不足的问题,提出基于时空融合加速的Fast RCNN运动车辆快速检测算法。不同于传统方法仅考虑运动车辆的单一特性,所提方法综合考虑运动车辆目标的时域运动特性和空域相关特性。首先基于时域运动特性设计自适应动态背景估计方法,实时估计背景图像,之后基于空域特征利用形态学滤波快速提取疑似目标区域,最后在vgg16模型基础上设计Fast RCNN深度学习网络,对疑似目标区域进行精准真假判别,避免了全图冗余判别。仿真证明,相对于传统方法,该算法能够有效提高检测准确性,且时效性较高,可应用于实时性要求较高的场景。

人脸检测算法的优化

面部特征被广泛应用于一系列视频监控系统,其中公安系统中人脸检测模块尤为突出。由于人脸的巨大视觉变化,如遮挡、光照、大的姿态变化问题使人脸检测一直存在着瓶颈,在实际应用中这些问题依旧很常见。对此,文中通过简要介绍候选框生成算法,同时结合FasterRCNN、联合人脸检测和对齐的级联卷积神经网络框架的优缺点进行分析和改进,提出了快速级联卷积神经网络模型。由于候选框网络和RoI检测网络共享卷积层,在候选框网络中使用多层卷积层信息,采用RoI池化和L2归一化将身体信息与面部信息进行融合,实现结合身体上下文信息来处理较小的人脸区域,并对数据集进行测试来验证模型的有效性,弥补因视觉变化导致人脸检测中的不足,提高人脸检测网络性能。

基于无人机机器视觉的沙糖桔果园创新农场管理模式

应用无人机机器视觉技术,可判断沙糖桔的种植区土壤情况,监测其虫害和杂草影响,侦查其成熟期的果实情况,同时采用霍夫圆变换、Faster Rcnn目标检测算法等技术可预测产量。

一种基于卷积神经网络学习的条烟激光码识别

在我国烟草行业中,假冒伪劣产品的销售和生产现象屡禁不止,产品追踪工作也十分繁重,在此背景下本文介绍了一种基于神经网络学习的条烟激光码识别算法,用于智能识别条烟激光码,甄别烟草真伪并读取烟草的详细信息。识别过程中首先使用Fast RCNN对条烟激光码进行粗略检测,找出字符的大致位置,然后利用边缘投影法定位字符的准确位置。由于卷烟的32位激光码的具体形态差异过大,为此文章还提出了码值自适应变异技术,简化取样工作,同时提高算法识别率。最后,文章对不同的检测方案进行了测试,结果显示全烟标识别正确率约为74%,错1个字符的比例约为20%,错2个字符及以上约为6%。论文设计的算法已在相关条烟激光码识别系统中得到了应用,识别效果良好。

基于深度学习的输电线路均压环倾斜识别

为解决输电线路均压环倾斜图像识别过程中存在的准确率低、倾斜角度计算差的问题,提出了一种基于深度学习的输电线路均压环倾斜识别方法。首先,采用改进的快速区域深度卷积神经网络(Faster-RCNN)检测均压环与绝缘子串的目标与位置信息。然后,采用级联金字塔网络(CPN)定位目标多特征关键点,并在此基础上使用文本检测(TB)算法,根据绝缘子与均压环位置信息定量计算出均压环的倾斜角度。最后,采用仿真环境对该方法进行了验证,得到其均压环倾斜识别准确率为87.2%。试验结果验证了所提方法可有效识别输电线路均压环倾斜,提高了输电线路运维水平。