基于改进InfoGAN的字体多风格融合模型

为解决汉字字体结构复杂、多风格融合特征难度大的问题,提出了一种基于改进InfoGAN的字体多风格融合方法。对InfoGAN特征多风格融合模型进行改进,调整输入向量的维度,添加了通道注意力模块。InfoGAN可以将较难提取的风格特征清晰化、规律化,通过改进InfoGAN,实现了对汉字字体图像风格特征的多风格融合,得到了能够控制汉字字体风格的特征向量。把改进的InfoGAN模型和VAE、Beta-VAE、AAE进行对比实验,再通过模型消融实验证明通道注意力的有效性。实验结果表明:该模型能够更好地将不同风格的特征进行分离,避免了信息重叠和冲突,可以有效准确地完成字体多风格融合任务。

基于ICF和多级分类器的交通标志检测

针对传统的基于积分通道特征(ICF)和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种两阶段交通标志检测方法。第一阶段对ICF进行谱聚类并结合Adaboost算法学习得到目标感兴趣区域(ROI);第二阶段对所获得的感兴趣区域进行直方图均衡化,利用尺度不变特征变换(SIFT)描述子与支持向量机(SVM)分类器相结合,提高了目标区域检测的准确性。通过德国交通标志数据集(GTSDB)的验证,结果表明:采用SICF-Adaboost+SIFT-SVM构建的交通标志级联分类器检测算法相对于传统的ICF-Adaboost算法召回率高且误检率低,适用于真实场景下的交通标志检测。

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。

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。

基于空间金字塔和特征集成的智能机器人目标检测算法

随着人工智能研究的不断升温,机器人以其对识别、检测、控制的复杂需求逐渐成为研究热点。以NAO足球机器人为例,针对比赛球场背景复杂、光照视角多变、造成目标识别困难的问题,提出一种基于空间金字塔和特征集成的目标实时检测算法。算法引入多尺度检测,通过对原始图像构建高斯金字塔空间,解决了不同视距下目标检测的难点。提出双通道串行特征集成框架,利用计算速度快、漏检率低的梯度方向直方图特征基础检测器和线性支持向量机做初步检测,采用识别精度高、错检率低的三通道尺度不变特征转换描述子改进检测器和随机森林做二次筛选,然后使用非极大值抑制算法去除冗余标定框。实验结果表明,该方法在智能机器人目标识别任务上具有很高的鲁棒性和实时性。

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。

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。

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。

用于测量软X射线能量角分布的多路纳秒门控积分器

介绍了纳秒量级的门控积分器。多路积分器采用模块化结构设计 ,每路门完全导通的时间约为7ns,用信号源信号作输入 ,积分非线性不超过 2 .9%。在“星光”装置上的惯性约束聚变实验中 ,每路门控积分器测量结果 ,与示波器积分测量结果对比 ,最大误差不超过满量程的 3.3%。

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。

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。

基于特征金字塔与感兴趣区域的快速行人检测方法

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。使用特征金字塔方法对行人进行快速的检测,利用路面估计来设定感兴趣区域,对检测出的行人进行筛选,实验表明该方法相对FPDW方法在时间上并没有明显增加,而检测正确率则有明显提高。

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。

一种道路车辆监控视频中的关键帧提取方法

针对道路监控视频中特定车辆图像序列的关键帧提取问题,在运动对象检测的基础上,提出一种关键帧提取方法。将积分通道特征和面积特征作为图像特征描述子,结合Ada Boost训练分类器,实现道路监控视频车辆序列图像中关键帧的提取。通过运动对象前景检测技术获得出现在监控区域的运动车辆最小外接矩形图像序列,选择满足监控分析需求(车牌清晰度高,能判断车型)的若干帧作为正样本,其他不满足监控分析需求的作为负样本,提取样本图像的面积特征和积分通道特征,利用Ada Boost方法训练得到一个分类器,使用Ada Boost分类器对测试样本进行分类,根据打分规则提取关键帧。实验结果表明,该方法能提取运动车辆从进入到离开监控区域的序列图像帧中最清晰的图像,实现道路车辆监控视频分析数据的有效压缩。

通道加权和自适应模型更新的实时目标跟踪

针对单一特征不能有效建模目标及特征通道直接叠加影响跟踪质量的问题,基于判别式尺度空间跟踪(DSST)提出了自适应模型更新与响应加权的实时相关滤波跟踪算法。首先,融合多维特征,并对每一响应通道自适应加权;其次,在尺度估计中融入多项式拟合策略;最后,根据响应图峰值波动情况进行样本可靠性判定,并提出模型更新策略。在OTB2013和OTB2015上进行实验,所提算法相较基准跟踪器,成功率分别提升6. 4%和6. 7%。与最近的跟踪器相比,其展现了优秀的性能,每一模块都对结果产生了有效的提升,且速度高达85 fps,是基准跟踪器DSST的三倍,超过大部分实时性跟踪算法。

视频监控行人流量统计系统的设计

针对当前行人统计方式落后、非实时性、统计数据滞后等问题,文中提出采用智能视频监控、图像识别的方式实时统计行人流量。系统根据积分通道思想统计行人目标特征,通过Adaboost算法训练分类器对图像帧中的行人目标进行定位、识别。文中在已识别目标的基础上采用CPU多任务模型改进核相关滤波算法对目标进行实时跟踪、统计得到行人流量。测试结果表明,系统能实时识别、跟踪、统计行人目标,整体功能稳定,平均识别率为93%,改进多任务模型使得跟踪速率提高约20%。

复杂背景下的车型识别系统

随着交通问题的日益严峻,车型识别系统技术的研发显得尤为迫切。提出了一种复杂背景下的车型识别系统关键算法的研究与实现,采用一种初步检测和精确定位相结合的车辆检测方法;提取车辆的积分通道特征作为车型识别SVM分类器的输入特征。系统基于Visual Studio平台下完成,实验表明,该车型识别系统具有较高的识别率和识别速度,且具有很好的鲁棒性,满足实时系统的要求。

监控视频中正面人脸快速判别方法

视频监控领域由于其数据量巨大使得对视频分析变得更加困难,找到视频中正面人脸图片能够使得分析变得简单。正面人脸判别采用了基于积分通道特征和Adaboost的方法,通过提取积分通道特征,利用Adaboost训练分类器,对人脸检测窗口进行正面人脸快速判别。实验结果表明,该方法具有比较好的判别速度和精度,能够应用于大部分监控视频。