融合多分支网络结构的高频工件图像识别算法

为有效解决复杂光照变化下高频工件图像识别率低的问题,提出一种融合多分支网络结构的高频工件图像识别算法。该算法以Efficient-b0为基础网络,首先,引入轻量级的混合注意力模块提取强光照鲁棒性的全局工件图像特征,经过主干网络得到全局识别结果;然后,采用弱监督区域检测模块定位工件的局部重要区域,并将其引入分支网络得到局部识别结果;最后,在分支融合模块中联合全局和局部识别结果实现工件识别。实验结果表明,相较于多种图像识别算法,所提出的算法对光照变化具有更强的适应性,显著提高了高频工件识别性能,识别准确率达到了97.8%。

一种室内环境的运动目标检测混合算法

室内环境中光照、背景等变化虽然不如外界自然环境那么复杂,但是它们对于运动物体的检测也将产生显著影响。归类分析了室内照明条件与背景变化的不同类型,以及它们对于运动目标检测的影响,在此基础上提出一种能够较好适应室内环境变化的运动目标检测混合算法。该算法结合了帧间差分与背景模型算法的优点,同时引入亮度信息进行前序的处理;因此算法针对不同室内环境都具有较高的鲁棒性。通过仿真实验,证明了该算法的实时性与可靠性。

基于混合高斯模型的运动目标检测方法

研究了序列图像中的运动目标检测问题。传统的目标检测方法无法克服背景图像变化、场景光线突变、目标物阴影干扰等问题。采用混合高斯分布对背景进行建模,引入亮度信息进行前序处理,并在此基础上使用颜色模型对残留阴影进行移除,因此能够快速准确地检测出运动目标。通过相关仿真实验,证明了该方法具有可靠性和实时性。

适应光照突变的运动目标检测算法

针对光照突然变化条件下的运动目标检测存在的问题,提出一种基于局部二值模式(LBP)的背景建模算法.首先分别计算背景帧和当前帧的LBP纹理特征图,然后将其对应像素进行异或运算,得到的当前像素作为前景的概率,并根据该概率自适应地更新背景,可以使其很快接近真实背景,再用背景减除法得到目标.实验结果表明,文中算法能有效地处理光照的突然变化,背景更新速度快,检测出的目标接近真实目标.

视角和光照显著变化时的变化检测方法研究

探讨使用计算机视觉的最新方法来解决基于两幅高空间分辨率光学遥感图像的城市变化检测问题.基本原理是通过提取聚类出现的变化直线段群来提取城市变化,重点研究了拍摄视角和光照条件显著变化时的几个主要问题.提出了一种基于多种类型图像特征的匹配方法来提取无变化建筑的顶部区域,结合几何约束引入了变化盲区的概念以处理高层建筑在不同视角和光照下的图像不同现象.使用真实遥感图像进行实验,在视角和光照显著变化时仍可取得满意的变化检测结果.

基于ViBe的运动目标检测改进方法

针对运动目标检测算法视觉背景提取(visual background extractor,ViBe)对光线突变适应缓慢和易产生目标丢失等问题,提出一种ViBe的改进算法。充分利用ViBe算法初始化特点,在ViBe中加入光线判定方法并设计生成ViBe新背景模型的方法,改变原始ViBe算法结构,使ViBe算法在光线突变时找到合适的帧重置背景模型,将光线突变时模型恢复问题变为模型重置问题,达到迅速适应光照突变的目的。实验结果表明,使用该方法可以使ViBe有两方面的改进:在光线突变时不会产生目标丢失;使ViBe算法更加快速地适应光照变化。

光照突变场景中结合Phong模型的分层差分前景检测

针对前景检测中光照突变问题和非平稳背景扰动问题,提出一种块级-像素级分层背景差分结合Phong模型的前景检测方法。首先,利用块级Sigma-delta背景差分算法快速检测前景区域且有效处理非平稳背景,然后利用Phong模型对前景区域进行光照突变处理提取出粗目标,最后利用像素级Sigma-delta算法对粗目标执行像素级前景提纯操作和对背景进行更新。实验表明,该方法在光照突变场景中及非平稳背景中能鲁棒实现前景检测。

光照快速变化条件下的运动目标检测

为了解决视频监控系统中光照快速变化对运动目标检测产生的影响,提出一种新的运动目标检测方法。通过建立光照变化模型、色度差模型和亮度比模型来消除光照快速变化产生的影响。当光照快速变化的时候,背景像素和运动目标像素会被检测为前景像素。为了从检测到的前景像素中分离出运动目标像素和伪前景像素,分别建立色度差模型和亮度比模型来估计伪前景像素的亮度差和亮度比。色度差模型和亮度比模型的建立均依赖于光照变化模型。实验结果表明,本文的方法在光照快速变化的条件下具有较好的检测效果和检测实时性。

一种去光照干扰方法在行人检测中的应用

在基于图像差分的行人检测算法中,光照的变化对提取图片中的行人干扰非常大,一般的自适应背景更新方法很难消除光照快速变化带来的影响。为了解决这一问题,设计了一种基于直方图分布特征相似性的光照变化干扰去除方法,分析了光照干扰前后两幅图片局部区域的直方图分布特征相似性原理,给出了图像直方图分布特征相似性测量方法及评价参数——标准差。通过对光照频繁变化环境下相邻两帧图片进行差分实验,结果表明,该方法能够克服光照突然变化的干扰且鲁棒性好,能够准确分割出运动目标和抑制大幅度光照变化带来的干扰。

具有姿态变化鲁棒性的行人检测跟踪算法

为消除行人姿态变化、遮挡以及低照度对目标跟踪效果的影响,提出一种鲁棒的行人检测跟踪算法。为消除低照度的影响,在HSV空间进行图像增强,引入增强因子避免色彩失真。针对行人姿态变化和遮挡,引入人体部件模型得到更加鲁棒的全局特征。为验证算法的有效性,设计对比实验。相比于Center Net-Deep SORT,行人编号跳变几乎相同,但精确率提高5.3%,召回率提高15.7%。相比于YOLO_Tracking,行人编号跳变减少153,精确率提高2.1%,召回率提高约10%。

一种不同光照条件下的变动物体检测方法

在场景中添加与覆盖区域颜色相近的物体,改变光照方向和强度,构成1幅新的图像。为从新图像中检测出新添加的物体(变动物体),且不受光照改变的影响,采用多尺度结构张量的方法提取图像纹理特征,采用归一化RGB色彩模型提取图像色彩特征,2种特征通过自适应权重系数结合,由此检测变动物体。采用光照变化条件下颜色纹理特征不同的图像进行对比实验,结果表明:在光照缓慢变化时,采用多尺度结构张量的方法和归一化RGB色彩模型可抑制光照变化的影响;两者结合能有效检测出变动物体。

室内场景中适应光照变化的运动目标检测算法

为了进一步提高室内检测跟踪系统的有效性和稳定性,以经典的混合高斯模型为基础,结合了积分直方图方法,提出了一种室内场景中适应光照变化的运动目标检测算法。该方法通过当前帧和背景帧的全局积分直方图差分来确定光线变化的程度。对于全局的光线突变,进行模型的全局更新。对于局部的光线变化,用光线变化比例作为高斯模型权值更新率因子,实时控制更新速率。再对高斯模型提取的前景,用区域局部积分直方图进行虚假前景的判断和消除,从而进一步提纯真实前景。仿真实验结果表明:算法较好地消除了场景中光照变化对目标检测的影响。

室内照明条件对于运动目标检测算法影响的分析

在室内视频监控系统中,光照条件对于运动物体的检测与分类将产生显著影响。本文归类分析了室内照明条件对于运动目标检测算法的不同影响,提出一种能够快速地适应光照条件变化的运动目标检测算法。该算法结合了帧间差分与背景模型算法的优点,并且引入亮度信息进行前序的处理;因此能够快速准确地检测出运动目标,同时算法对不同光照条件具有较高鲁棒性。通过相关仿真实验,证明了该算法的实时性与可靠性。

基于LBP纹理特征的运动目标检测算法研究

在运动目标检测过程中,若两幅图像的光照有变化,则检测结果将会受到影响。为了解决这一问题,本文提出了一种新的基于局部二值模式(local binary pattern,LBP)纹理特征的背景建模方法,先分别计算背景帧和当前帧的LBP纹理特征图,再将背景帧和当前帧的LBP纹理特征图的对应像素异或生成前景概率图,前景概率图描述了当前像素是前景的概率,根据前景概率图自适应的更新背景,可以使背景很快接近真实背景,再用背景减除法得到目标。实验表明,本文提出的算法能有效处理光照的突然变化,背景更新速度快,检测出的目标接近真实目标。

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。

一种新的自适应背景建立与更新算法

针对视频监控系统中的动目标检测问题,提出了一种新的自适应的背景建立与更新算法。能够从含有运动目标的初始背景中,通过短时间的训练得到理想的背景,可以大大减轻系统的存储负担。实验表明算法能很好地适应光照的缓变和突变,具有较强的鲁棒性。

基于高斯混合模型和卡尔曼滤波的车辆检测与跟踪方法

提出一种改进的车辆检测与跟踪方法。在目标检测阶段,针对传统高斯混合建模算法对环境变化适应能力较差的问题,设计一个环境变化判断因子,据此进行高斯混合模型更新率的自动切换;在车辆跟踪阶段,为提高跟踪精度和跟踪效率,引入卡尔曼滤波并设计了跟踪列表进行单目标和多目标的跟踪。实验表明,该方法对光照突变有较好的适应性,能实现车辆的有效检测与跟踪。

改进的混合高斯模型的运动对象分割算法

针对视频序列中运动对象分割问题,提出一种改进的混合高斯模型分割算法.该算法首先由混合高斯模型得到前景,之后用当前帧的前景区域与上一帧对应位置做差,区分出实际变化区域及误检区域并为误检区域赋予较大的更新速率,从而有效地改善了长时间静止物体转为运动后留下的"鬼影"及光线突变导致的大面积误检情况.采用阴影抑制和形态学滤波使得前景目标分割的性能得到有效的提高.实验表明,本算法能够迅速响应实际场景的变化,准确分割出运动对象.

基于混合模型的运动目标检测算法

自然界中复杂的环境对视频监控系统有一定的干扰,对运动物体的检测也将产生显著的影响,通过分析光照变化、背景干扰等现象对运动目标的检测的影响,本文提出了一种能适应环境变化的混合模型运动目标检测算法,该算法结合帧间差分法和混合高斯模型算法的优点,将帧差法作为进行高斯背景减法的指导,既能得到较高的灵敏度又能进一步提高检测效果,提高了算法时效性和鲁棒性,通过仿真实验,达到了预期的实验目的,证明了算法的可靠性与实时性。

Deep Facial Emotion Recognition Using Local Features Based on Facial Landmarks for Security System

Emotion recognition based on facial expressions is one of the most critical elements of human-machine interfaces.Most conventional methods for emotion recognition using facial expressions use the entire facial image to extract features and then recognize specific emotions through a pre-trained model.In contrast,this paper proposes a novel feature vector extraction method using the Euclidean distance between the landmarks changing their positions according to facial expressions,especially around the eyes,eyebrows,nose,andmouth.Then,we apply a newclassifier using an ensemble network to increase emotion recognition accuracy.The emotion recognition performance was compared with the conventional algorithms using public databases.The results indicated that the proposed method achieved higher accuracy than the traditional based on facial expressions for emotion recognition.In particular,our experiments with the FER2013 database show that our proposed method is robust to lighting conditions and backgrounds,with an average of 25% higher performance than previous studies.Consequently,the proposed method is expected to recognize facial expressions,especially fear and anger,to help prevent severe accidents by detecting security-related or dangerous actions in advance.