基于CNN的红外与可见光融合图像的场景识别

针对传统场景识别算法中存在的场景内容相似、场景识别率低的问题,提出一种基于卷积神经网络的红外和可见光融合图像的场景识别算法。采用像素加权融合算法对红外和可见光图像进行融合,以丰富图像的细节信息;利用改进的卷积神经网络模型提取融合图像的有效特征,将其作为目标的分类特征实现场景识别。在RGB-NIR数据集上进行场景识别实验,实验结果表明,所提算法相对其它方法在分类精度、目标识别率上均有一定的提高。

一种基于对比度增强和柯西模糊函数的红外与弱可见光图像融合算法

由于可见光图像在低光照环境下其可视性较差,为了提高红外与弱可见光图像融合的效果,提出了一种基于对比度增强和柯西模糊函数的图像融合算法.首先用改进的引导滤波自适应增强提高弱可见光图像暗区域的可视性;其次,利用非下采样剪切波变换将红外和增强后的弱可见光图像分解,得到相应的低频和高频子带;再后,分别用直觉模糊集构建柯西隶属函数和自适应双通道脉冲发放皮层模型对低频、高频子带进行融合;最后,使用非下采样剪切波变换对融合得到的高低频子带进行逆变换重构得到融合图像.实验结果表明,与其它融合算法相比,该算法有效地增强了弱可见光图像的暗区域,保留了更多的背景信息,从而提高了融合图像的对比度和清晰度.

基于显著性和ORB的红外和可见光图像配准算法

针对红外与可见光图像配准过程过受灰度差异影响大、特征点难配准的问题,提出基于显著性检测和ORB特征点的图像配准算法。首先利用优化的HC-GHS显著性检测算法得到图像的显著性结构图;其次利用ORB算法在显著性结构图上进行特征点检测,利用泰勒级数筛选出鲁棒性强的特征点,并根据特征点的方向进行分组匹配的策略;最后利用汉明距离实现特征点的匹配。实验表明本文算法能准确实现红外与可见光图像之间的配准,在红外噪声干扰、尺度变化下都具有良好效果。

基于聚合通道特征及卷积神经网络的行人检测

为解决在复杂环境下难以尽可能多地检测到行人的问题,提出一种基于聚合通道特征、通过卷积神经网络提取特征的行人检测算法。采用聚合通道特征的算法尽可能多地产生候选框,通过卷积神经网络提取候选框内物体的深度特征,使用支持向量机分类器对候选框内的物体进行分类,检测出行人。在公开数据集Caltech和INRIA数据集上进行测试,实验结果表明,与目前主流算法比较,召回率平均提升12%,F值平均增加0.05,能有效减少计算机的计算开销。

关于生物地理学算法自适应性能优化研究

针对生物地理学优化算法(BBO)存在局部搜索能力不强,后期收敛速度变慢以及收敛精度过低等问题的存在影响系统优化。为提高算法的全局优化程度,提出了一种基于自适应动态调整迁移过程,并在变异操作中采用差分变异方法的生物地理学优化算法(SDBBO)。在迁移过程中采用基于更新代数设置的自适应迁移算子优化,增强了算法的全局搜索能力并提高收敛速度和收敛精度;在变异过程中采用差分进化模型,提高算法多样性,避免陷入局部最优;全局采用余弦迁移模型,使系统更加趋向于自然界中真实情况,提高算法性能。基于标准测试函数仿真实验的优化结果表明,提出的改进算法应用与优化问题中在收敛速度、精度以及全局优化能力上优于其它对比算法,验证了改进算法的可行性和有效性。

一种基于自适应支持权重优化的立体匹配算法

立体匹配是图像处理领域的经典问题和研究热点之一。针对原始ASW立体匹配算法中存在的运算时间过长以及遮挡区域的误匹配率高的问题,提出了一种改进优化方法。在自适应支持权重方法的基础上结合Rank变换方法,从参数选择以及立体匹配性能这两个方面对自适应支持权重进行改进,然后对得到的初始视差进行有效视差校准从而得到最终视差。最后利用仿真实验得到匹配精度较高的图像序列视差图,并通过实验结果对比验证了该方法具有很好的可行性。

基于深度学习的中文网络招聘文本中的技能词抽取方法

为了能够充分利用领域知识来提升技能词的抽取性能,提出了一种基于深度学习与语料特征相结合的技能词抽取方法。将技能词抽取转化为序列标注问题,以序列标注的基本模型Bi-LSTM-CRF为基础,在输入层中加入语料特征,并将输入层的输出与Bi-LSTM输出连接在一起作为CRF层的输入。实验结果表明,提出的技能词抽取方法效果提升明显,加入的语料特征有利于提升技能词抽取的准确率,并能够缓解标注数据的稀缺。

基于ADBN的入侵检测方法

当下大多数入侵检测算法无法在入侵检测率和误报率之间取得较好的平衡,为了有效避免此类问题,提出了一种基于非对称深度信念网络的入侵检测方法。该方法首先通过训练深度信念网络初始化ADBN(asymmetric deep belief network)模型中编码器部分的参数,利用正态分布初始化解码器部分的参数。然后通过计算重构误差来调优ADBN模型的参数,使模型能获取原始数据的最优低维表征。最后以编码器得到的数据作为分类器的输入数据并对其进行检测,采用ADBN模型可以提取出更有利于分类的特征且能够在模型初始化阶段节省更多的测试时间。实验结果表明,该方法可以达到更好的检测性能,对小类别样本也达到了较好的检测准确率。

三维重建网格模型的缺陷孔洞识别与修复方法

针对三维重建网格模型经常出现异常缺失孔洞的问题,提出一种缺陷孔洞自动识别与孔洞区域细节特征保持的曲面修复方法。首先对缺失区域的上下文及轮廓曲线进行异常检测以判断是否为缺陷孔洞,确认为缺陷孔洞后对孔洞周边的特征线进行检测与匹配构造孔洞区域的基曲面;之后引进一个无约束的三角剖分对基曲面进行三角化;最后利用网格的各向异性进行细化及形态调整,改善网格的拓扑结构和几何性质。实验结果表明,该方法能够有效地识别三角网格模型的缺陷孔洞区域并还原其细节特征。

基于卷积神经网络的驾驶员检测和安全带识别

为了降低驾驶员检测算法的复杂度,提高安全带识别算法的准确率,提出了一种基于卷积神经网络的驾驶员检测和安全带识别的方法。通过减轻级联网络框架,调整特征训练比,尽可能快而多地生成驾驶员候选框,再利用深度特征差异、检测和边框校准之间的相关性,精确定位驾驶员位置。通过改进经典卷积神经网络,最大和平均池化层相结合,减少全连接,并通过特征批量化处理,减轻计算量,提高了安全带识别准确率。实验结果表明,与其他方法相比,驾驶员检测算法的综合评判标准平均增加了6.7%,安全带识别的准确率平均提高了3.4%,满足实时性要求。

基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络(Deep Difference Convolutional Neural Network,DFDCNN).DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入(t帧和t+1帧)中获取时序信息;AppearanceNet用于从输入(t帧)中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明:DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.

一种基于光谱角字典构造稀疏表达的高光谱目标检测方法

由于光谱变异性现象在高光谱图像数据中所具有的普遍性,经常导致“同物异谱”现象,高光谱目标检测结果受先验目标特征的影响很大,检测性能受到很大影响。因此提出一种基于稀疏表示的方法来生成优化的目标光谱,当缺乏关于感兴趣目标对象的全面信息时,通过稀疏字典重构的方法优化目标,然后由一组选定的字典生成像素,这些像素包含具有不同状态的目标信号,用来优化先验目标签名。最后将先验目标用稀疏字典重构的方式,利用光谱角分别构造目标训练和背景训练样本,使得来自有限目标训练的样本能够减轻光谱变异性对高光谱目标检测的影响。实验结果表明:该方法在不同数据集中具有良好的检测效果和精度,尤其在AVIRIS数据集中的检测精度高达0.9978,优于其他典型检测算法。