基于改进高分辨率网络的多语义图像分割方法

针对室外复杂场景下图像分割难度较大的问题,提出一种基于HRNet的多语义图像分割模型(HR_DfeNet)。该模型通过引入通道注意力和空间注意力模块优化特征提取,通过改进金字塔池化模块设计ASPP_M模块形成高分辨率特征提取分支,并与多种注意力机制融合。在Cityscape数据集上,HR_DfeNet相较于传统分割模型表现出不同程度的分割优化效果。

一种受雨滴影响的运动目标检测方法

提出一种在户外受雨滴影响的视频场景中检测运动目标的方法.在R,G,B空间构建雨滴在视频中的成像模型,该模型可以计算受雨滴影响像素的亮度变化值.能够有效克服现有模型只能针对某些特定类型雨滴进行辨识的局限性.在使用基于颜色信息的雨滴成像模型基础上,提出运动目标检测函数,此函数可以有效抑制雨滴产生的干扰.实验结果表明,提出的雨滴成像模型和相应的检测函数与现有模型比较,能够适用于多种不同受雨滴影响的图像序列采样环境,对于运动目标具有更好的分辨能力,并有更强的鲁棒性.

基于改进ViBe的室外行人检测方法

室外动态环境的行人监控检测一直是研究的难点,存在光照变化、树叶摇晃、小动物经过等复杂干扰。本文提出一种基于改进视觉背景抽取法(Visual Background Extractor,ViBe)的室外行人检测方法,该方法采用基于区域的改进ViBe更新策略,该策略在加快鬼影消除速度的同时,提高了行人目标提取的完整度,然后在前景目标提取的过程中通过背景差的方法过滤复杂背景导致的误报区域,最后在此基础上根据一定的逻辑规则执行行人检测。实验结果表明,该方法既可以提高鬼影消除速度,也有效降低复杂多变背景的干扰,在室外场景进行行人检测具有较高的准确性、鲁棒性。

交互式室外复杂光照条件下的本征图像分解

本征图像分解分解是将一张图片分解成本征图和光照图的过程。虽然本征图像分解已经经过几十年的研究,但是如何快速且准确地分解出两张图片仍然是一个艰难过程,仍然有很大的研究意义,尤其是复杂场景下的本征分解。室外的场景由于光照条件的多变、阴影、高光反射,等等,室外的本征分解极具挑战。本文提出在室外复杂场景下的本征分解。在手工交互的方式指导下,引入大气散射模型对光照图进行约束,然后进行分解,最终得到更好的效果。因为缺少真实场景的本征图像分解Ground Truth数据库,所以本文主要是在视觉效果方面进行实验结果评估。

YOLO-NKLT视觉SLAM回环检测方法

针对存在明显光照变化或遮挡物等室外复杂场景下,现有基于深度学习的视觉即时定位与地图构建(visual simultaneous localization and mapping,视觉SLAM)回环检测方法没有很好地利用图像的语义信息、场景细节且实时性差等问题,本文提出了一种YOLO-NKLT视觉SLAM回环检测方法。采用改进损失函数的YOLOv5网络模型获取具有语义信息的图像特征,构建训练集,对网络重训练,使提取的特征更加适用于复杂场景下的回环检测。为了进一步提高闭环检测的实时性,提出了一种基于非支配排序的KLT降维方法。通过在New College数据集和光照等变化更复杂的Nordland数据集上进行实验,结果表明:室外复杂场景下,相较于其他传统和基于深度学习的方法,所提方法具有更高的鲁棒性,可以取得更佳的准确率和实时性表现。