The Form of Literary Translation——“Foregrounding Translation” and the Translator's Poetic Entry

From the epistemological perspective translating sense is to pursue truth,while translating flavor is to pursue beauty.Rational knowledge is aimed at"fidelity";perceptive knowledge the"beauty".Literary language approaches fidelity because of beauty while non-literary language approaches beauty because of its fidelity.

融合前景注意力的轻量级交通标志检测网络

针对目标检测算法模型在交通标志检测上容易出现错检和漏检等问题,提出一种融合前景注意力的轻量级交通标志检测网络YOLOT。首先引入SiLU激活函数,提升模型检测的准确率;其次设计了一种基于鬼影模块的轻量级骨干网络,有效提取目标物特征;接着引入前景注意力感知模块,抑制背景噪声;然后改进路径聚合网络,加入残差结构,充分学习底层特征信息;最后使用VariFocalLoss和GIoU,分别计算目标的分类损失和目标间的相似度,使目标的分类和定位更加准确。在多个数据集上进行了大量实验,结果表明,本文方法的精度优于目前最先进方法,在CCTSDB数据集上进行消融实验,最终精度达到98.50%,与基线模型相比,准确率提升1.32%,同时模型仅4.7 MB,实时检测帧率达到44 FPS。

基于图像融合的运动前景检测方法

提出了一种有效的运动前景检测方法。该方法根据图像融合思想,将背景帧与监控视频的当前帧在R,G和B颜色通道分别进行融合,形成包含背景帧和当前帧视觉信息的单一融合图像。之后根据背景区域与前景运动目标在饱和度上存在较大差异的现象,使用大津算法分割融合图像的饱和度分量图,形成运动前景二值图。经形态学处理后,形成了目标区域较完整、背景干净的运动前景检测图。实验结果显示,该算法具有较好的前景检测性能,解决了背景减法过分依赖背景帧的缺陷。

基于图像多特征识别的空闲车位检测

车位空闲状态检测与识别是停车场自动泊车引导的关键技术,目前虽有多种检测识别方法,但就某一种方法而言,很难达到快速、准确的检测目的.原因在于每种识别算法各有所长,既有优势,又有不足,因而实际中需要结合采用两种或两种以上的方法才有可能达到满意的检测效果。基于图像多特征识别检测方案,提出一种融合边缘检测、封闭轮廓检测以及前景与背景的像素差异的联合检测方法,对每一个停车位进行综合检测,判断车位上是否有停泊车辆.实验表明,这种融合算法不仅十分有效,且具有较强的识别能力和较高的准确性。

一种基于多特征融合的视频目标跟踪方法

在预警系统和目标记录方面,传统的视频跟踪方法无法很好地解决目标重现和遮挡等问题,针对此类问题提出了一种融合多特征的视频目标跟踪方法,首先用背景建模的方法检测运动前景,分离目标图像,通过目标连续帧间的位移信息实现跟踪,对多目标帧间位移相近的情况,融合目标SIFT和彩色直方图特征进行目标匹配,并记录目标各帧的运动状态,最终实现目标运动的跟踪。实验结果表明,该方法对多目标缓慢变化的监控视频有较好的跟踪效果。

基于复合算法的混合交通流前景提取

根据混合流交通视频检测的特点,基于背景差分法和边缘信息提取算法各自的优点,建立了一种用于提取混合流参数的复合算法。该算法通过将利用背景差分提供的前景个数信息和利用边缘检测算法提取的前景边缘信息进行融合,得到有效的前景信息。试验结果表明,本文算法能够更为有效地获取混合流前景信息,更为准确地提供混合流交通参数。

运动信息引导的目标检测算法

在室外监控视频的场景下,由于场景的复杂性及目标的多样性,监控视频中的目标存在难以检测的情况,如目标被遮挡、目标尺寸变化等,目标检测任务仍然存在挑战。基于此,提出了一种利用运动信息引导基于卷积神经网络的目标检测算法来提高目标检测的准确率。对运动目标检测算法进行一定的改进,使得到的运动前景图中能够保持静止目标前景的存在;利用运动前景图中的前景可以指示目标空间位置的特点,在特征层面将网络提取的特征图与获取的以运动前景图为主的运动信息相融合,提高特征图可能存在目标区域的响应值;在目标检测算法的检测器中,引入一个定位分支,利用视频帧的运动前景图,学习候选目标的定位置信度,并与目标的分类置信度加权求和,作为目标最终的置信度,再通过非极大值抑制方法得到检测结果。实验证明,在固定摄像机下采集的数据集中,所提算法能够提升目标检测的准确率。

背景与前景融合的RGB-D图像显著性检测

RGB-D图像显著性检测是指在传统的2D图像中附加深度信息从而提取显著对象,但是现有的显著性检测模型,大多数只关注显著物体本身,却忽略了背景信息。因此,提出了一个新颖的显著性检测模型,将深度信息同时考虑到背景和前景中提取出显著区域。首先,通过图像边界信息的背景测量机制来去除前景噪声并从边界超像素中选择背景种子,从而计算出基于背景的显著图;其次,将输入的图像构造成图,并将深度信息引入到图形结构中,利用颜色、深度、位置等线索获取前景种子,从而计算出基于前景的显著图;最后,将背景图和前景图融合获得初始显著图,再加以元胞优化,迭代传播后得到最终的显著图。在三个RGB-D图像显著性检测数据集LFSD、NJU-400、NJU-2000上进行对比实验,实验结果表明,该方法具备有效性,同时也提高了检测准确率。

监控视频中动态目标与地理空间信息的融合与可视化方法

监控视频的动态前景目标智能分析是平安城市、智慧园区等安防建设的重要基础,将监控视频与地理空间数据融合可为静态的地理数据赋予动态属性。针对传统监控视频与地理信息数据集成仅仅将视频数据投射至地理空间,造成存储难、视频内容理解难度大等问题,本文提出了前景动态目标与地理空间信息的融合模型,通过推导出的映射模型将图像空间中的动态前景目标及跟踪轨迹映射至地理空间中,达到将监控视频与地理信息有机融合的目的。根据不同的应用需求,本文设计了4种多图层融合显示模式,实现了监控视频中的动态前景目标在地理空间的可视化。

基于多通道背景提取算法的车辆检测

车辆检测是智能交通中的一个基本问题。为了有效地检测车辆,本文提出了基于多通道背景提取算法的车辆检测方法。首先采用多通道灰度化预处理图像,并分别建立相应的背景模型,接着衡量新像素点和背景模型的相似性,分类出前景和背景像素,然后运用形态学操作和区域标记法滤除噪声,检测出运动目标,并通过区域标记定位目标。本文从不同角度开展对比实验,结果表明基于多通道背景提取算法的车辆检测能够有效提高车辆检测的精确性和完整性。

基于前景语义信息的图像着色算法

图像可分为前景部分与背景部分,而前景往往是视觉中心。在图像着色任务上,由于前景的类别多且情况复杂,着色困难,以至于图像中的前景部分会存在着色暗淡和细节丢失等问题。针对这些问题,提出了基于前景语义信息的图像着色算法,以改善图像着色效果,达到图像整体颜色自然、内容颜色丰富的目的。首先利用前景子网提取前景部分的低级特征和高级特征;然后将这些特征融合到全景子网训练中,以排除背景颜色信息影响并强调前景颜色信息;最后用生成损失和像素级别的颜色损失来不断优化网络,指导生成高质量图像。实验结果表明,引入前景语义信息后,所提算法在峰值信噪比(PSNR)和感知相似度(LPIPS)上有所提升,可有效改善视觉中心区域着色中的色泽暗淡、细节丢失、对比度低等问题;相比其他算法,该算法在图像整体上取得了更自然的着色效果,在内容部分上取得了显著的改进。

基于AR技术的手机拍摄软件的开发

近年来,AR与图像处理发展迅速,并在生活娱乐、辅助教学等方面起着越来越重要的作用。本文采用图像追踪技术获取动态目标,利用前景检测技术和图像融合技术更换视频人物所处环境,采用NDK开发Android应用,实现了基于AR技术的手机拍摄软件的开发项目。

基于DSP的无背景模型车流量检测

针对车流量检测中遇到光照变化、树阴、树枝摇动等一系列问题,在运动物体法,背景建模法和时间差分法的基础上,提出了一种基于DSP的无背景模型的新型车流量检测方法。笔者依次使用基于块的帧差法、双重前景融合法、基于纹理对象分割法、假前景滤波法对车流量进行检测。经实验验证,采用无背景模型算法能成功有效地检测车流量,检测准确率达88%,提高了车流量检测的精度。

基于分层图像融合的虚拟视点绘制算法

针对虚拟视点绘制过程中出现的重叠和空洞问题,提出一种新的虚拟视点绘制算法。通过形态学操作对三维图像变换后出现的空洞进行膨胀来消除伪影瑕疵,根据深度信息对左、右虚拟视点图像进行前景和背景分割,利用线性加权法对分割后的前景图像和背景图像进行分层融合解决像素重叠问题,对分层融合后的背景图像进行空洞填充并与前景图像融合得到虚拟视点图像。实验结果表明,与经典的Criminisi算法相比,该算法PSNR值提高了1.75 dB,具有较高的绘图质量。

基于多尺度特征融合的舞蹈规范动作姿态估计方法

舞蹈表演时的肢体动作灵活、表现方式复杂,姿态估计准确率较低。为此,提出了一种基于多尺度特征融合的舞蹈规范动作姿态估计方法。设计PCA分割模型,当增加至某数据帧时,提取出的主元成分与前一个区间段中的成分存在较大差异,由此确定此时的动作已经发生改变,实现动作序列分割。基于HSV空间设计一种视频前景分割算法,分割序列分割结果的视频前景。结合深度可分离卷积网络与级联金字塔网络构建舞蹈规范动作姿态估计模型,并生成舞蹈规范动作图像,实现舞蹈规范动作姿态估计。测试结果表明,该方法的姿态估计准确率在独舞时高于95%,群舞时高于92%;在明亮光线下高于93%,阴暗光线条件下高于86%,整体姿态估计准确率较高,满足了最初设计目标。

融合半监督及无监督算法的视频前景对象自动分割

为了提高视频前景对象分割的效率,设计了一个融合半监督及无监督算法的视频前景对象自动分割方法。计算视频帧中超像素,建立视频前景模型更新机制用来调节阈值和环境复杂性。将鬼影作为视频背景进行分类,同时更新背景模型,建立前景的统计图谱,对背景的相似度进行了二次判别。检测视频前景对象阴影,在此基础上,建立象素级别的交叉熵损失函数,对候选区域集成。采用融合半监督及无监督算法对视频前景对象自动分割,以此实现融合半监督及无监督算法的视频前景对象自动分割。实验对比结果表明,此次研究的视频前景对象自动分割方法有效提高了分割效率,并提高了分割全局正确率以及分割轮廓精准度,满足了视频前景对象自动分割需求。

结合前景分割的多特征融合行人重识别

目的行人重识别任务中,同一行人在不同图像中的背景差异会导致识别准确率下降,出现误识别的现象。针对此问题,提出了一种结合前景分割的多特征融合行人重识别方法。方法首先构建前景分割模块,提取图像的前景,并通过前景分割损失,保持前景图像的平滑性和完整性;然后提出了注意力共享策略和多尺度非局部运算方法,将图像中的全局特征与局部特征、高维特征与低维特征结合,实现不同特征之间的优势互补;最后通过多损失函数对网络模型进行训练优化。结果在3个公开数据集Market-1501、DukeMTMC-reID(Duke multi-tracking multi-camera re-identification)和MSMT17(multi-scene multi-time person ReID dataset)上进行了消融实验和对比实验,并以首位命中率(rank-1 accuracy,Rank-1)和平均精度均值(mean average precision,mAP)作为评价指标。实验结果显示,在引入前景分割和多特征融合方法时,网络的识别准确率均有一定提升。本文方法在Market-1501、DukeMTMC-reID和MSMT17数据集上Rank-1和mAP分别为96.8%和91.5%、91.5%和82.3%以及83.9%和63.8%,相比于对比算法,本文方法具有较大优势。结论本文提出的结合前景分割的多特征融合方法,在提取前景的同时,综合了不同尺度和不同粒度图像特征,相较于已有模型,提高了识别准确率。同时,前景分割模块消除了无用背景,缓解了背景差异导致的误识别现象,使行人重识别模型的实用性得到加强,在面对实际背景情况时,也能有较好的识别效果。

基于多特征组合的协方差目标跟踪方法

基于多特征组合的协方差矩阵表征目标的方法,研究用协方差矩阵来描述跟踪的感兴趣区域(ROI),从而提出基于速度预测和前景的协方差目标跟踪方法.因为积分图方法可以加快协方差的计算速度,在提出的协方差跟踪方法中使用了积分图快速算法,进一步提高算法的效率.结合目标速度的预测和前景提取缩小搜索范围,加快了匹配速度,使所提出的协方差目标跟踪方法能更进一步提高跟踪效率和准确性.通过背景强干扰、光照变化和相同颜色遮挡情况下的目标跟踪实验,结果表明基于速度预测和前景的协方差的跟踪方法在复杂场景下跟踪的准确性很高,跟踪的鲁棒性和快速性有明显提高.

融合语义—表观特征的无监督前景分割

目的前景分割是图像理解领域中的重要任务,在无监督条件下,由于不同图像、不同实例往往具有多变的表达形式,这使得基于固定规则、单一类型特征的方法很难保证稳定的分割性能。针对这一问题,本文提出了一种基于语义—表观特征融合的无监督前景分割方法(semantic apparent feature fusion,SAFF)。方法基于语义特征能够对前景物体关键区域产生精准的响应,但往往产生的前景分割结果只关注于关键区域,缺乏物体的完整表达;而以显著性、边缘为代表的表观特征则提供了更丰富的细节表达信息,但基于表观规则无法应对不同的实例和图像成像模式。为了融合表观特征和语义特征优势,研究建立了融合语义、表观信息的一元区域特征和二元上下文特征编码的方法,实现了对两种特征表达的全面描述。接着,设计了一种图内自适应参数学习的方法,用于计算最适合的特征权重,并生成前景置信分数图。进一步地,使用分割网络来学习不同实例间前景的共性特征。结果通过融合语义和表观特征并采用图像间共性语义学习的方法,本文方法在PASCAL VOC(pattern analysis,statistical modelling and computational learning visual object classes)2012训练集和验证集上取得了显著超过类别激活映射(class activation mapping,CAM)和判别性区域特征融合方法(discriminative regional feature integration,DRFI)的前景分割性能,在F测度指标上分别提升了3.5%和3.4%。结论本文方法可以将任意一种语义特征和表观特征前景计算模块作为基础单元,实现对两种策略的融合优化,取得了更优的前景分割性能。