标签差网络在噪声标签数据集中的应用

噪声标签在实际数据集中普遍存在,这将严重影响深度神经网络的学习效果。针对此问题,提出了一种基于标签差学习的噪声标签数据识别与数据再标记方法。该方法设计两种不同的伪标签生成策略,利用基础网络所识别的干净数据生成人工噪声数据集,并计算该数据集的标签差向量或标签差矩阵;以强化相似类别间的关联性为目标,利用全连接层与单行卷积核,设计标签差向量网络与标签差矩阵网络等两种噪声学习网络直接学习样本数据的噪声概率;设计与噪声率线性相关的阈值,对干净数据与噪声数据进行判断。通过设计实验,对包括伪标签生成策略、网络结构、训练迭代次数等影响网络识别性能的因素进行分析。在公开数据集上的测试表明,在多种噪声分布情况中,该算法在保持干净数据的准确率与召回率基本稳定的前提下,能显著提高噪声数据的准确率与召回率,提高幅度最大为16.45%及21.01%。

基于图像运动模糊特征的车辆运动侧偏角直接测量方法研究

提出了一种车辆运动侧偏角的直接测量方法,该方法利用安装在车辆外部的拍摄单元对路面图像进行拍摄,然后根据所得图像的倒频谱图计算图像的运动模糊方向。该方向直接反映车辆与地面相对运动的方向,在拍摄单元安装方向确定的条件下,即可直接获得车辆运动的侧偏角。试验结果表明,该方法能够直接、准确地测量车辆运动侧偏角,成本低且不受车辆参数变化的影响。

融合直方图高阶统计特征与GLCM特征的室内红外图像人群密度分类

公共场所的人群密度信息在公共安全、交通管理、应急减灾等方面具有重要作用,采用红外技术,可以在拍摄人群图像时避免环境光照影响。为了实现室内场景下的红外图像人群密度分类,提出一种融合灰度直方图高阶统计特征与灰度共生矩阵特征的人群密度分类方法。首先,根据红外图像的特点,分析并提取样本图像灰度直方图的高阶统计特征,随后与提取的灰度共生矩阵特征串行融合,最后作为多分类支持向量机的输入,对不同人群密度等级进行分类。实验结果表明,提出的方法对于不同密度人群图像的分类准确率可达92.13%,同时特征向量提取简洁、算法耗时短。

结合天空分割和局部透射率优化交通图像去雾算法

针对现有的去雾算法在处理交通场景图像时由于透射率估计与实际情况偏差较大,尤其交通图像含有天空区域时容易导致色彩失真和产生光晕效应等问题,在暗原色先验理论的基础上,提出一种结合天空分割和局部透射率优化的交通图像快速去雾算法。首先,采用大津算法(OTSU)将原始图像分割为天空区域与非天空区域;其次,对非天空区域,利用最大值滤波和引导滤波对其透射率进行优化,采用自适应参数调整的方法对天空区域的透射率进行修正;最后,对复原的图像利用限制对比度自适应直方图均衡法(Contrast Limited Adaptive Histogram Equalization, CLAHE)调整色调,提高亮度。实验结果表明,对于天空区域,本文算法不但能有效减少产生颜色失真和光晕效应的现象,得到更为自然清晰的复原结果,对于非天空区域,复原结果的清晰度和对比度更高,而且,算法保持较高的运行效率,另外,去雾后的图像在方差、平均梯度、信息熵等指标上相对于暗原色先验算法、Tarel算法、Meng算法、Zhu算法和Berman算法均有所提升。本文方法可较好地复原雾天交通图像,能为雾天模糊的交通图像快速有效去雾复原提供重要有益的理论基础和技术支持。

基于FPGA的1080P低质视频实时增强系统

传统的图像增强算法对暗光、背光等低质图像的亮光区域有过度增强的不足,且算法复杂度较高,难以应用于嵌入式小型系统中。为此,设计并构建了一种基于Xilinx XC7A200T FPGA的1080P低质视频实时增强系统,在研究IMSR(Integrated Multi-Scale Retinex)算法及传统算法的过度增强等问题的解决途径基础上,提出了结合颜色估计方法的改进IMSR增强算法。该算法采用Xilinx XC7A200T FPGA来构建低质视频实时增强系统的处理框架,并优化改进了IMSR算法各个模块在Vivado HLS(Vivado High Level Synthesis)上的实现过程。为验证所建系统的有效性和可行性,搭建了实验环境并进行了应用测试。验证实验结果表明,所构建的增强系统实现了预期的1080P低质视频实时增强功能,基本解决了传统Retinex算法对1080P低质视频增强中的过度增强及"雾化"偏色问题,具有增强程度自适应调整功能,占用资源较少,增强效果良好。

考虑连锁冲突的城市公交车行车风险量化分析方法

为了量化城市公交车给区域混合交通带来的安全风险,通过提取交通冲突数据并识别连锁冲突,研究了公交车行车风险的量化分析方法。在数据采集上,采用了航拍图像并基于YOLOv4网络学习航拍目标的外观特征,检测并跟踪航拍车辆,从而提取带精细属性的车辆轨迹数据。在冲突识别上,将不同车道上可能发生横向碰撞的车辆对之间的相对位置作为约束条件,在跟驰模型的基础上补充了匹配相邻车道上车辆对的动态关系,从而将经典碰撞时间(TTC)模型扩展至可同时识别侧向冲突的二维TTC模型;基于车辆刺激-反应理论标定每个冲突车辆对区域交通造成连续干扰的时空范围,根据干扰范围的动态变化建立冲突间的作用关系并形成时序性的冲突树模型,从而识别连锁冲突并追溯连续风险形成的因果过程。在风险研究上,从3个方面量化不同状态下城市公交车的行车风险:①基于二维TTC模型解析冲突频率;②在此基础上结合累积频率法解析冲突严重性;③通过连锁冲突比例及冲突树长度解析冲突聚集的概率和范围大小。采集广州大桥路段航拍视频进行实验研究,结果表明:城市公交车在拥堵常发路段不仅冲突风险高,且带有较高的冲突严重性和区域聚集性;拥堵流中公交车的冲突频率超过9次/(veh·min);公交车的严重冲突率为33.39%,远远高于小汽车的16.61%;公交车的区域连锁冲突发生率为30.75%,达到了小汽车(14.67%)的2倍。

基于轻量化ConvLSTM的密集道路车辆检测算法

针对拥堵场景中目标遮挡引起的漏报、误报等问题,考虑到视频中同一车辆在不同时刻下重叠程度不同,利用未被遮挡时刻车辆所提供的特征有助于当前时刻目标车辆的检测,提出了一种适用于密集场景的车辆检测算法WB-YOLO v5。算法结合ConvLSTM模型的输入数据结构,设计了特征选择和特征稀疏模块,实现了特征的重标定;并将特征选择和特征稀疏模块输出的特征送入ConvLSTM的不同支线,实现了不同时刻特征的强化与衰减;再使用1×1卷积替换原始门控结构,构建轻量化的WBConvLSTM,以减少参数量和计算量,提升训练速度与小样本数据源目标的检测准确率;在YOLO v5的Neck端引入WBConvLSTM,实现网络特征提取能力的增强。实验结果表明,相比于YOLO v5,WB-YOLO v5的检测平均准确率有1.83个百分点的提高。相比于ConvLSTM,WBConvLSTM的参数量和计算量分别减少约2/3和6/13。

基于混合类别均衡损失的车型精细识别

为了应对车型精细识别中数据分布不均衡导致训练中头部类别过拟合,而尾部类别被忽略的问题,提出了一种基于混合类别均衡损失的车型精细识别数据增强方法。结合Mixup数据增强方法和类别均衡损失,提出混合类别均衡交叉熵损失函数;通过均衡子集微调的训练策略,进一步提高了长尾分布数据的识别效果。实验结果表明,算法在Stanford Cars、CompCars、SYSU Cars数据集上的识别准确率分别比Baseline提高了1.07、0.17和1.58个百分点,有效地缓解了因车型数据不均衡带来的问题,进一步提高了车型精细识别的识别效果。其中SYSU Cars为自建数据集,由66137张车辆正脸图片构成,包含102种品牌,691种车型以及不同的光照条件(即将在OpenITS上公开)。

基于散热器栅格背景精确分类的车标定位方法

由于车标的背景散热器栅格形状大小不一、颜色不定、背景多样,因此导致了车标定位的困难,故精确分类散热器栅格是准确定位车标的基础。提出了一种基于散热器栅格背景精确分类的车标定位方法,首先依照车牌与车标空间位置关系确定车标粗定位,然后依据栅格纹理特征,利用霍夫变换和灰度值的梯度变化确定散热器栅格背景的类别,进而通过不同算子分别对不同种类栅格背景进行背景消融;为了保证多种光照条件下的准确定位,引入离散度,并将其与大津法进行融合,形成一种适用于车标定位的自适应二值化方法,同时结合形态学对栅格背景进一步处理,得到准确的车标定位。这种方法适用于在不同光照强度和不同类型的车标背景条件下,对车标进行定位。对10类车标、30类散热器栅格共1 200张图像进行车标定位,实验结果显示,图像总体的车标定位准确率可以达到97.67%。

基于Edge Boxes的大型车辆车标检测与识别

传统车标检测与识别算法难以检测大型车辆车标,且速度较慢。提出了一种基于Edge Boxes的大型车辆车标检测与识别方法。Edge Boxes算法是一种成熟的图像分割算法,能够快速且有效地检测物体位置,满足大型车辆车标检测与识别问题的准确性及实时性的需求。该方法首先根据车标在车辆中的空间位置关系初选车标候选区,然后利用Edge Boxes算法进行目标提取,进而将提取得到的目标送入利用线性约束编码构建的车标检测分类器和车标识别分类器进行训练与识别,得到车标检测与识别结果。对不同卡口的不同天气和光照条件下采集的4 480张图像(含50类大型车辆)进行实验,实验结果表明,在检测与识别性能以及时间消耗方面均优于传统方法,具有良好的实用前景。

车牌倾斜校正算法研究及改进

车牌倾斜校正是字符分割前的必要步骤,校正效果直接影响分割结果。车牌倾斜可以分解为水平旋转倾斜和竖直错切倾斜两种模式。研究现有的水平倾斜校正主要算法:Hough变换法、旋转投影法、特征直线法、方向图像法,分析各种经典算法的缺陷并给出其改进算法。通过实验分析比较各种算法的校正效果,结果表明改进算法比各自原始算法在识别效果上都有提高。设计实验研究现有竖直错切校正算法:基于预分割的旋转投影法和直线拟合法,实验结果表明旋转投影法效果远优于直线拟合法。

基于LLC与加权SPM的车辆品牌型号识别

针对传统车辆识别算法鲁棒性及实时性不强的问题,结合局部线性约束编码(LLC)和加权空间金字塔匹配(SPM)模型,提出一种车辆品牌型号精细识别算法。提取图像方向梯度直方图特征,通过LLC对图像特征进行编码映射,得到具有语义信息的图像表达向量,以提高识别的准确率。利用加权SPM模型将空间位置信息引入图像表达向量中,并将每个图像的最终表达送入线性支持向量机分类器进行训练与识别。使用交通监控摄像头在不同天气和光照条件下采集150种车辆类型共56 827张图像进行实验,结果表明,该算法可有效改善识别效果,提高识别速度。

融合实时交通状态信息的道路背景更新模型

针对道路背景的提取和更新效果受实时交通流状态影响的问题,提出了一种用于交通视频监控场景下的融合实时交通状态信息的道路背景更新模型和实现方法。该方法通过构建宏观交通状态参数特征集估计道路实时的交通状态信息,在传统方法基础上融合交通状态信息建立选择性背景帧提取模型,改进背景更新候选帧的选取条件,通过光照变化来估测道路背景的更新频率并自适应地提取背景更新区域。试验表明:该方法在道路交通顺畅和拥堵状态时,均能有效地提取道路背景,大大地提高背景更新的收敛速度。

一种基于连通域和跳变的车牌定位方法

在车牌识别系统的实现过程中,车牌定位是最基础的一步。本文介绍一种基于连通域和灰度跳变的车牌定位方法。该算法首先对灰度化后的车牌图像进行"阴阳牌"的判定,对判定后的"阴阳牌"和普通牌分别进行处理;根据灰度跳变特征对车牌重新进行更细致的行定位以及列定位,得到完整车牌。实验表明这种车牌定位算法具有定位准确、光照干扰小的特点。

基于字典学习的模糊车牌中文字符识别

车牌识别技术已经是一项非常成熟的技术。而车牌当中的中文字符由于笔画比较复杂且位置较偏导致拍摄条件受限,得到的车牌中文字符图像质量不佳,往往较难辨认,从而给车牌识别工作尤其是车牌中文字符识别带来了极大困难。文中采用基于费希尔判别准则的字典学习方法来提取中文字符的特征,为了从不同的角度对中文字符提取特征,用不同的训练样本训练三个字典学习模型,将车牌中文字符样本分别通过训练好的三个字典学习模型,从而形成三种残差信息,用Softmax对三种残差信息进行整合,最终得到识别结果。通过实际测试表明,由于文中采用了更加具有区分能力的基于费希尔判别准则的字典模型,且采用三种不同的字典学习模型同时对同一个中文字符进行特征提取,与传统的中文识别方法相比,该方法对模糊车牌中文字符具有较好的识别效果。

基于时空共现模式的视觉行人再识别

基于视频图像的视觉行人再识别是指利用计算机视觉技术关联非重叠域摄像头网络下的相同行人,在视频安防和商业客流分析中具有重要应用.目前视觉行人再识别技术已经取得了相当不错的进展,但依旧面临很多挑战,比如摄像机的拍摄视角不同、遮挡现象和光照变化等所导致的行人表观变化和匹配不准确问题.为了克服单纯视觉匹配困难问题,本文提出一种结合行人表观特征跟行人时空共现模式的行人再识别方法.所提方法利用目标行人的邻域行人分布信息来辅助行人相似度计算,有效地利用时空上下文信息来加强视觉行人再识别.在行人再识别两个权威公开数据集Market-1501和DukeMTMC-ReID上的实验验证了所提方法的有效性.

基于部件融合特征的车辆重识别算法

针对车辆型号相同但车辆个体不同的重识别问题,提出一种新的车辆重识别算法。运用部件检测算法获取不同车辆之间差异较大的车窗和车脸区域,对检测到的车窗和车脸区域进行特征提取并进行融合,生成新的融合特征,计算图像特征之间距离度量进行分类识别。在中山大学公开数据集VRID-1上进行测试,结果表明,该算法的Rank1匹配率达到66.67%,明显优于经典的传统特征表征算法,从而验证该算法是可行且有效的。

用于车辆重识别的基于细节感知的判别特征学习模型

在多摄像头下拍摄的车辆图片集合中,对属于目标车辆的图片进行匹配为车辆重识别。如何有效的区分具有相似外观的不同车辆的图片,是车辆重识别的一大挑战。考虑到不同车辆之间的差异集中于车窗等区域的细节,文章提出了一个基于细节感知的判别特征学习模型;设计了一个指导式的车辆局部特征提取流程,将局部特征与骨干网络提取的全局特征联合作为车辆的提取特征,不同车辆联合特征之间的欧式距离作为相似度衡量。在算法实验中,所提出的算法在公开数据集VehicleID与VeRi上都取得领先于现有车辆重识别算法的结果,验证了算法的有效性。

基于选择性搜索算法的车脸部件检测

车脸部件检测能够广泛地应用于车辆识别及车辆的语义分割。尽管对于车脸的检测已经做出过大量的努力,但现有的研究大多集中在车脸的整块区域的检测及定位,提出了一种基于选择性搜索的车脸部件检测算法。该算法分为两个阶段:首先,将车辆图片进行高斯滤波去噪以及图像归一化预处理。其次,对预处理后的图片,利用基于图表示的图像分割算法获取初始分割区域,计算两两相邻区域在颜色、纹理、大小及吻合度之间的相似度;随后利用初始分割区域相邻区域间的颜色、纹理、大小以及吻合度的相似性对初始分割区域进行合并,从而准确分割车脸各部件。采用部分香港中文大学的公开数据集CompCars,总计4 199张图像,作为测试样本以测试车脸部件分割检测效果。实验结果表明,该算法检测车脸部件的平均重合度达到73.74%,明显胜过其它目标检测算法,此外,该算法不需训练,具有更强的通用性。

电厂环境下作业人员安全帽佩戴检测研究

佩戴安全帽是作业安全重要保障,针对电厂环境下基于视觉的安全帽佩戴检测存在遮挡、复杂光照、图像目标对象尺度变化等问题,提出一种基于深度学习的高精度安全帽佩戴自适应检测模型。应用Random-erasing数据增强提升遮挡场景检测精度,构建融合图像双颜色空间信息的双平行网络图像增强模型应对复杂光照影响,设计K-means聚类的目标自适应匹配、前后端融合双注意力的卷积神经网络与模版匹配检测分类模型。在融合施工环境的安全帽数据集开展实验,结果表明,所提模型检测精度为96.61%,高于对比模型,开展的消融实验验证了各模块有效性,在电厂现场环境检测效果良好。