改进YOLOv5s算法的车辆目标实时检测方法

针对城市道路车辆检测中小目标车辆漏检率高和存在异类冗余框的问题,提出一种改进YOLOv5s的车辆实时检测算法。对YOLOv5s算法网络结构进行优化,采用增加小目标检测层,将浅层特征图与深层特征图拼接后进行检测的方法,提升小目标车辆的检测率;针对异类冗余框问题,采用加权非极大值抑制融合两边框信息的方法,提升检测准确性。实验结果表明,改进YOLOv5s算法的平均检测精度(mAP@0.5∶0.95)达到64.17%,相比YOLOv5s算法,查准率、召回率分别提高1.72%、0.72%;在小目标车辆检测中,正检率提高5.95%,漏检率降低4.63%。改进YOLOv5s算法能有效改善小目标车辆的检测精度和准确率。

基于机器视觉的目标跟踪研究

目前计算机视觉领域研究的一大热点问题是目标跟踪,而该领域中出现最早的算法是目标跟踪算法。针对这项研究,采用三帧差法、Mean shift算法和Cam shift算法来对一段存在目标遮挡及目标背景相似的视频进行目标跟踪实验,并对三种算法的跟踪效果进行比较。Mean shift算法有较高的实时性和鲁棒性,但在跟踪过程中,跟踪窗口的大小需保持不变,当跟踪目标发生形变时,容易跟踪失败;Cam shift算法以运动目标的颜色为特征,对光照变化不敏感,有利于目标的跟踪,但在复杂背景下容易出现目标丢失;三帧差法做了两次差分运算,为目标跟踪提供了更大的可能,实现简单,运行速度快,自适应性强,并且对场景光线变化不敏感。实验结果表明:在目标遮挡和背景相似的情况下,Mean shift算法和Cam shift算法跟踪效果较差,而三帧差法可以准确地跟踪目标,跟踪效果良好。

基于不同卷积神经网络的目标检测算法对比研究

为实现基于遥感影像的地物信息智能化、快速化、高精度的目标检测和提取,本文基于卷积神经网络理论,对R-CNN、SPPNet、 Fast R-CNN、Faster R-CNN及Mask R-CNN 5种不同卷积神经网络算法进行对比研究。结果表明,Mask R-CNN算法在分类精度和标定框精度上具有明显优势,运行时间较传统卷积神经网络算法有较大提升,通过检测获得的二值Mask为提取影像建筑物轮廓等后续工作提供技术准备,可在高分辨率遥感影像地物检测提取中应用。

面向运动目标检测的改进ViBe算法研究与实现

ViBe算法容易实现且运算效率高等优点,在运动目标检测等领域中获得广泛运用,但其也存在一些缺点,如鬼影、空洞、漏点以及运动目标检测不完整等问题,针对这些不足,从ViBe算法处理过程的主要阶段出发,提出一种改进的ViBe算法.首先用迭代累积背景法获取真实背景用来抑制鬼影问题,其次把真实背景分别用于帧差法和改进的ViBe算法中,帧差法可用来弥补视频序列帧中边界处像素点遗漏问题,改进的24领域ViBe算法用来提高模型精度,再把两个结果进行“或”运算,最后利用形态学进行处理用以消除小噪声干扰,使得到的目标更加完整.该算法能够去除噪声、抑制鬼影以及减少空洞点,实验结果表明,与传统的ViBe算法相比,能够有效抑制鬼影以及减少漏点问题,提高运动目标检测精确度.

基于角域特征PSO的海面目标HRRP识别方法

针对特征空间中各类海面目标特征混叠严重和高分辨距离像(high resolution range profile, HRRP)的角度特征利用率低的问题,提出了一种基于角域特征粒子群优化(particle swarm optimization, PSO)的海面目标HRRP识别方法。该方法引入HRRP的角度信息优化特征空间,增加特征空间的整体可分性;利用自适应分帧算法对特征空间进行角域划分,增加特征空间的局部可分性,并利用PSO算法确定特征空间角域划分时最优的单帧最小样本数目,增强方法的鲁棒性与适用性。实验结果表明,通过将特征空间优化和区域划分进行结合,可以有效提升多类海面目标的分类识别性能,PSO算法可以有效增强方法的抗误差性和抗噪鲁棒性。

一种新型快速运动目标检测算法

为了克服光流法计算量大和亮度不连续性引起的运动估计误差,提出一种基于改进帧差法和改进光流法相结合的快速运动目标检测算法。通过改进帧差法,精确获取运动目标区域。利用改进的光流法,在光亮度不连续的情况下,准确地提取运动目标区域特征点的光流,并对光流矢量采用阈值标注,进而检测出运动目标。实验结果表明:该目标检测算法鲁棒性强,计算量小。

Linux下基于iSCSI存储系统的实现与性能评测

本文分析了新的网络存储协议———iSCSI协议,并给出了Linux下iSCSI协议实现的一种软件模型,进而搭建了基于iSCSI的存储系统,对其进行了性能测试,并指出了优化iSCSI系统性能的途径。

改进的人工免疫算法求解武器-目标分配问题

为提高武器-目标分配(weapon-target assignment,WTA)模型求解的实时性与精确度,针对人工免疫算法(artificial immune algorithm,AIA)提出了一系列改进措施。在采用自适应锦标赛选择算子的基础上,引入"(1+λ)-选择"全局更新技术以提高算法的全局寻优能力,引入Memetic局部更新技术以提高算法的局部搜索能力,采用最优抗体抑制机制减小了AIA陷入局部最优的危险。仿真实验结果显示,改进的人工免疫算法(improved AIA,IAIA)具有较快的收敛速度及较高的收敛精度,满足WTA问题解算需求。

Mean-shift改进算法在火箭目标跟踪中的应用

针对火箭目标跟踪问题,提出了一种基于改进Mean-shift算法的火箭目标跟踪算法。为克服传统Mean-shift算法难以对快速运动的火箭目标进行跟踪的问题,以及在跟踪过程中的跟踪误差累积问题。采用3帧差分法检测出火箭目标的大概位置,然后在此基础上使用Mean-shift算法实现对火箭目标的精确跟踪。仿真实验表明所提算法能够有效的实现火箭目标的跟踪,并能很好的解决跟踪过程中的跟踪误差累积问题。

帧差法和Mean-shift相结合的运动目标自动检测与跟踪

传统的Mean-shift算法简单快速,但存在半自动跟踪缺陷,在起始帧需要手动确定搜索窗口来选择目标,且核窗宽固定不变,不能实时地适应目标尺寸大小变化,容易跟丢目标。接合帧差法,首先通过帧差法检测目标,并获取目标窗口和中心,再结合Mean-shift跟踪,并通过设定ρ^(y)相对改变量r来确定目标模板是否需要重新获取,实现Mean-shift算法全自动跟踪,并能适应目标尺寸大小改变的情况。实验表明,该方法跟踪准确,实时性高。

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。

序列图像运动目标的新型快速检测方法

运动目标检测是计算机视觉运动分析的基础,并有着广泛的应用领域.为结合帧差法运算速度快和光流法运动目标检精度高的特点,提出一种基于改进帧差法和双向光流法相结合的快速运动目标检测算法.通过改进的三帧帧差检测法,准确的获取运动目标区域.利用提出的双向光流法,在光亮度不连续及干扰的情况下,准确地提取运动目标区域特征点的光流,并对光流矢量采用阈值标注,进而检测出运动目标.实验结果表明,该方法可以有效的改善目标检测的准确性和检测速度.

基于相邻帧补偿的高速运动目标图像稳像算法及仿真

在高速运动目标图像视频采集过程中,高速运动、风力作用等因素将导致视频图像抖动。为提高高速运动目标图像视觉系统采集性能,改善图像采集质量,提出一种基于相邻帧补偿的高速运动目标图像稳像算法。结合自适应中值滤波方法和灰度化直方图均衡方法对图像进行预处理,用尺度不变特征变换(SIFT)算法提取视频图像中的特征点,利用仿射模型求解运动参数,采用Kalman滤波对视频图像中的正常扫描进行滤波,最后用相邻帧补偿方法将图像的前一帧作为参考帧对当前帧进行参数补偿,实现高速运动目标的视频图像电子稳像处理。仿真实验表明,新算法能在保留图像中的特征的同时去除图像中含有的抖动,非常适合高速运动视频图像的电子稳像处理,精度提高,计算量明显减少。

LK光流法和三帧差分法的运动目标检测算法

三帧差分法是目前较为常见的运动目标检测算法之一。它的执行速度较快,但是它会存在各种干扰以及易受到环境噪声的影响,而且容易在检测到的运动目标内部产生较大的空洞,以致影响到最后的检测效果。针对这些问题,将Lucas-Kanade光流法与三帧差分法进行结合。利用Lucas-Kanade光流法计算得到运动目标的大致矩形区域。在确定的区域内外通过选取不同的阈值利用三帧差分算法提取运动目标,构成一种分级阈值的三帧差分法。并且利用前面光流法计算得到的角点来完善目标轮廓。这样将传统三帧差分算法的阈值分割转换成阈值分割与区域分割相结合的模式。试验结果表明,该改进算法具有良好的抗噪性,能够得到比原算法更好的检测效果。

改进Mode算法与双门限融合的目标检测方法

为解决视频监控系统中远距离小目标、快速动目标准确检测,提出一种改进Mode算法与双门限融合的目标检测方法.该方法首先改进了Mode算法,完成初始背景提取,然后通过改进的缓冲帧机制,将实时视频信息引入到缓冲帧,借助缓冲帧的缓冲作用实现对背景的逐渐更新,获得可靠的背景图像;同时利用双门限阈值对差分图像进行动目标检测,其中低门限值可以检测分割出明显变化的动目标,在低门限的基础上利用高门限值以解决低门限检测分割中存在的伪目标及噪声目标,最后获得视频监控复杂环境下动目标的准确检测.通过监控视频中车辆、飞机等不同对象做实验,验证了本文方法不仅能够快速、准确地检测出动目标,而且能够有效地抑制伪目标和噪声的干扰.

基于聚散熵及运动目标检测的监控视频关键帧提取

针对公安监控视频检索中根据运动目标准确标注视频关键帧的问题,提出一种基于聚散熵及运动目标检测的监控视频关键帧提取算法。首先通过对视频内容的分析,提出监控视频聚散熵的概念。其次根据聚散熵对监控视频进行子镜头划分,再次根据运动目标检测对子镜头进行划分,从而提取视频关键帧。最后列举出算法在几种典型视频数据库中的实验结果及结果分析。实验结果表明该算法在关键帧提取的准确性和鲁棒性上都有良好表现,该算法针对公安监控视频检索需求,在缩短公安视频侦查时间及智能检索中起到支撑作用。

混合高斯融合三帧差的运动目标检测改进算法

针对混合高斯模型(Gaussian Mixture Model,GMM)无法检测到完整的运动目标,三帧差法检测目标时对物体速度的敏感,检测到的物体会出现空洞等缺点,提出了一种混合高斯融合三帧差法的运动目标检测改进算法。首先,在运动目标提取过程中,改进的三帧差法采用动态分割阈值和边缘检测技术,解决光线突变和边缘不连续问题;然后引入新的高斯分布自适应选择策略,以减少处理时间,提高检测准确性;最后,利用改进HSV(Hue-Saturation-Value)颜色空间来消除阴影区域,得到一个完整的运动目标。数据实验表明,该算法在不同场景具有较好的检测能力。

基于K-SSD-F的东亚飞蝗视频检测与计数方法

针对目前国内蝗虫监测主要以人工监测为主、监测效率低且计数不准确的问题,以5龄东亚飞蝗为实验对象,提出了一种蝗虫视频计数方法K-SSD-F算法。该方法可以实时、连续、自动监测蝗虫的数量。首先利用背景分离法中的KNN算法提取视频前后帧的时空特征;然后通过标注好的数据训练SSD模型,并对视频进行检测,提取视频的静态特征,二者结合以提高计数准确率;最后利用补帧算法识别因姿态变化导致的漏计数的帧。实验结果表明,蝗虫识别准确率为97%,召回率为89%,平均检测精度(mAP)为88.94%,F1值为92.82%,且检测速度达到了19.78 f/s。本文方法具有较好的鲁棒性,可以实现蝗虫的实时和自动计数,其精度优于其他模型,也可为其他种类的昆虫自动识别计数提供理论基础。

基于Surendra背景差分和帧间差分的运动目标检测

运动目标检测是视频监控和目标跟踪研究的前提,目标提取是否准确,将直接影响到后期目标跟踪和处理的效果。该文在背景减除法和五帧差分法的基础上,提出了将两种算法相结合的方法,对视频序列中的运动目标进行检测。首先采用Surendra背景减除法建立背景模型,并通过迭代法计算出动态阈值,完成背景更新,然后将检测出的运动目标区域与五帧差分法得到的目标轮廓图形进行逻辑"或"操作,取得比较完整的运动目标,最后采用连通性检测和孔洞填充方法综合得到运动区域图像。通过MATLAB验证和量化评估表明,该方法能准确地检测出运动目标,同时在识别率和误检率方面也得到了较好结果。

基于双三帧差分的运动显著前景区域目标提取

为了解决传统运动图像前景区域目标提取方法未进行双三帧差分,而导致的提取过程计算复杂、提取结果精准度差的问题,提出了一种基于双三帧差分的运动显著前景区域目标提取方法。在三帧差分算法的基础上,将具有连续性的两次或者多次图像差分结果进行二值化处理,同时以连续的四帧图像为例,通过并集手段最大程度上弥补传统三帧差分算法造成的轮廓断裂,根据此结果类推基于连续五帧的图像,随后使用连续的双三帧图像做差分处理,根据差分结果对图像部分区域进行填充,获取前景图像中的完整运动区域,再对目标帧图像做Canny边缘提取,获取出边界轮廓从而实现目标提取。仿真结果表明,所提方法可以有效的解决传统三帧差分算法带来的缺陷,并且具有目标信息提取完整、抗噪声性强的优点。