基于步行周期聚类的视频行人重识别关键帧提取算法

视频行人重识别旨在不同摄像头拍摄的视频中检索特定行人。但是,它面临着数据量庞大和视频数据存在时间冗余的问题,即视频数据耗费大量的存储空间且不同帧之间存在极强的相关性。因此,使用所有的帧进行识别会带来查询效率的下降,而且视频中大量的干扰和噪声也会给准确率带来不利影响。本文提出了基于步行周期聚类的视频行人重识别关键帧提取算法,首先利用行人步行时双脚距离变化的周期性规律提取候选步行周期,然后利用聚类的方法从候选步行周期中选出关键步行周期作为关键帧。最后,将该算法应用在视频行人重识别中,仅使用关键帧的信息进行识别以减少时间冗余的影响,从而提高准确率,并且在查询前对视频进行处理,减少视频数据量以提高查询效率。在视频行人重识别数据集MARS和DukeMTMC-VideoReID上的实验表明,本文算法能够减少59%~82%的视频数据量,并且累积匹配曲线Rank-1提高了1.1%~1.4%,平均精度均值提高了0.2%~5%。     

稀疏泡状流中变形气泡的三维图像测量技术

研究气泡变形对于分析泡状流中气泡的受力和运动具有重要意义.设计了一种可确定稀疏泡状流中气泡空间坐标与变形参数的图像测量技术:原始图像经预处理和增强后,结合形态学方法识别出变形气泡投影的闭合轮廓.改进了分水岭方法对气泡投影进行分割,并用对称直线法确定投影中心改进Hough变换,得到椭球气泡模型的投影椭圆参数.提出了一种由两幅投影轮廓重构三维气泡模型的算法并分析了实验误差.该技术可较准确地测得气泡空间坐标和变形参数:投影椭圆的参数误差小于3个像素,气泡识别误差小于15%.     

基于视频的行人再识别

行人再识别是指在无交叉区域的多摄像机视频监控系统中,匹配不同摄像机中的相同行人目标。本文提出了一种基于视频的行人再识别方法,用HOG3D来描述一组视频的时空特征,在训练集上用预训练的DenseNet来微调模型参数,利用迁移学习得到的模型来提取视频中行人的表观特征,融合两种特征来描述视频序列中的行人。最后将融合的高维特征降维,并用度量学习方法计算行人对之间的距离。本文在PRID 2011和iLIDS-VID这两个视频数据集上进行了使用,实验结果表明本文的方法取得了较高的累积匹配得分。     

基于线过程模型的POCS超分辨图像重构算法

传统的凸集投影（POCS）超分辨重构算法易使图像产生边缘振荡效应的问题,在详细研究了边缘振荡效应的成因后,笔者提出一种新颖的基于线过程模型的POCS算法来对低分辨图像序列进行超分辨图像重构。该算法采用线过程模型检测出超分辨初始估计图像的4个方向的边缘,在传统POCS的投影过程中增加了对图像的平滑处理,最后实现了低分辨图像序列超分辨重建的对比实验,实验结果表明图像边缘振荡效应能得到明显改善。     

面向体三维显示器的图形算法设计

针对一种基于旋转双螺旋屏幕逐层扫描技术的体三维显示系统,设计并实现了一套支持真实空间三维显示的图形算法体系.算法核心主要包括立体图元的体素化,切片图像渲染和投影同步控制等3个环节.图形系统通过离散三维网格模型获取体三维显示需要的体数据,并根据螺旋屏幕的几何特征将物体的体数据集渲染成切片图像序列发送至高速投影单元,在保持投影与屏幕旋转同步的情况下,快速变换的投影图像基于视觉暂留融合成具有真实物理深度的三维影像.算法在体三维显示器样机上进行了验证,显示的三维影像占据真实物理空间,具备全方向观察角度,围绕显示器可直接观察到立体图像各个不同侧面,如同观察真实物体一样.     

基于联合检测-描述的火星表面特征提取方法

针对火星着陆光学导航过程中,传统的图像特征点提取算法在相机角度变化、光照条件变化等情况下,序列图像间的特征点提取与匹配鲁棒性差的问题,提出了基于卷积神经网络的联合检测-描述特征提取方法。首先,通过Blender获取模拟火星着陆过程的视频,使用稀疏重建方法,对模拟视频的图像和火星真实图像进行三维重建,建立了神经网络可用的训练数据集。然后搭建了卷积神经网络以处理图像数据,通过改进损失函数,联合特征描述符和特征检测器双重作用,获得了更准确的匹配结果。仿真结果表明,该方法在处理多视角、光照条件多变的火星表面图像方面,具有更好的特征提取结果,并在匹配测试阶段具备优于传统算法的性能。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点,提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识,通过无监督学习的方式,计算未标记数据与少量有标记数据之间相似度,从而对少数类样本进行扩充。利用构造后的数据集进行模型训练,从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题,在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法,该方法虽然在准确率上低于传统方法,但是在召回率与F₁值的表现上超越传统方法。     

地面目标多角度SAR数据集构建与目标识别方法

南京航空航天大学雷达探测与成像技术研究团队利用自主研制的无人机（Unmanned aerial vehick, UAV）机载高分辨率微小型合成孔径雷达（Mini synthetic aperture radar, MiniSAR）系统,针对多类具有代表性的地面目标进行全方位回波录取及成像处理,构建了拥有自主知识产权的复杂目标SAR数据集,并依托该数据集开展了基于人工智能的目标识别方法研究。针对无人机运动姿态不稳定、辅助传感器精度受限导致的图像散焦问题,本文提出了新型运动补偿及新型二维自聚焦算法。实验表明,虽然AlexNet、ResNet-18、AConvNet和VGG等经典神经网络在MSTAR十类目标分类问题中取得了接近100%的分类准确率,但将其应用于南航MiniSAR数据集时分类准确率均明显低于90%。由于本文采取的实验方法与SAR目标识别技术的实际应用场景较为接近,该MiniSAR数据集对于面向工程应用的SAR目标识别算法研究将会具有重要参考价值。     

考虑重投影尺度因子的特征直线三维重建

文章首先用Plücker坐标表示3D直线;然后用重投影几何误差作为线特征三角法的目标函数,实现算法的最大似然估计;最后用线性和非线性两种方法分别实现空间直线的重建。在重投影时,考虑了每条直线投影时的尺度因子λ,提高了重建精度。真实图像和仿真数据的实验结果表明,该方法能够准确有效地实现直线三维重建。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

基于模糊评价的无人机航路点选取方法

在无基准图的无人机景象匹配过程中,提取航路点是一个关键的环节。为摆脱对单一指标和专家经验值的依赖,提出了基于模糊综合评价的航路点选取方法。首先介绍图像的颜色特征模型,并提出了基于HSV颜色直方图的视频帧间聚类方法,以实现对图像帧的分组。然后,以航路点的信息丰富性、显著性、稳定性为考量,选取了图像熵、拉普拉斯响应和完整轮廓数作为衡量候选航路点适配性的特征指标,以候选航路点对指标属性的贡献度为权重,实现自动化、无干预的航路点筛选。在此基础上,提出了一种改进的模糊综合评价模型,对各候选航路点的适配能力进行综合评定,选取每组中评价值最高的图像作为无人机返航航路点。最后,对航路点选取方法进行了仿真实验和有效性验证,实验证明本文方法能够提取出适配能力强的图像作为航路点,以保证后续景象匹配的成功率。     

序列图像中直线边缘快速提取和匹配

针时飞行器视觉导航等实时性较强的应用,给出了一种在航空序列图像中进行直线边缘快速提取和匹配的方案。在提取直线边缘时,运用了当前速度较快的邻接元素标记方法,从而提高了直线边缘提取速度。而在时直线边缘进行匹配时,给出了一种分三步走的方案,并提出了一种能够有效降低噪声影响的度量方式。首先选择3条直线边缘作为参考模型,在直线边缘的方向、位置以及物理特性的约束下构建候选匹配基,然后在基于矢量技术的基础上确定与参考模型基相对应的匹配模型,在此基础上再确定其他直线边缘之间的对应关系。试验结果表明,本文的直线边缘匹配方法比现有的方法速度提高了30倍以上,能够有效地满足一些实时性较强的应用。     

三维曲面部分匹配的算法研究

将基于曲率分析的曲面片形状划分方法和几何哈希相结合，提出一种通用的空间曲面匹配算法。对待匹配的三维曲面模型，计算其网格顶点的主曲率和法矢；由主曲率和该点所在的曲面片类型来构造其无向脚标，有向脚标为该点的法矢。按照多重筛选标准生成数量少却有效的匹配点对，建立候选点对列表。由候选点对所生成的三维空间变换组成哈希表，运用双层哈希投票机制得出使模型能够正确匹配的三维坐标变换矩阵。实验表明，该算法适用于具有部分重叠的曲面模型的匹配，并能保证较好的匹配精度和速度。     

一种新的空间多维关联规则模型与算法

空间对象具有自相关、连续性、多尺度等特点,导致空间关联规则挖掘与传统的统计关联规则挖掘不同,不存在统计的“事务”,挖掘更加复杂。本文用基于空间相关的影响域来创建“空间事务”,以代替传统关联规则挖掘中的事务,建立了一种新的应用于挖掘空间多维数据的空间多维关联规则模型(Spatial multidimensional association rules model,SMARM)。设计并实现了一种新的挖掘算法SMARBIA,用基于影响域、空间支持度等剪枝技巧,克服了空间多维关联规则挖掘过程中候选项目集庞大的困难。实验表明,该算法能有效地减少候选项目集而获得较好的性能。     

基于HOG和SVM算法的磨粒图像在线监测技术

为了解决发动机润滑油液磨粒图像监测只适用于微流且易受气泡干扰等问题,设计了一种可适用于相对大流量工作环境的油液磨粒光学图像在线监测系统,区分气泡和磨粒。通过该监测系统,批量采集了一系列磨损颗粒和气泡图片,用于后续图像分类算法的训练与测试。采用了一种基于背景差分和大津法的运动物体提取算法提取出大量磨粒及气泡图像样本,运用基于方向梯度直方图（Histogram of oriented gradients, HOG）进行特征提取和支持向量机（Support vector machine, SVM）分类算法对气泡和磨粒进行识别。实验结果表明,该监测系统能有效采集磨粒及气泡图像并进行自动识别。与基于形态学特征提取算法以及K最近邻（K-nearest neighbor, KNN）等传统分类算法相比,HOG-SVM算法分类精度更高,识别准确率可达83.8%。     

CT图像重建的迭代算法

随着计算机运算速度的飞速发展,以前只是被看成一种研究方法的迭代算法在图像重建中越来越引起人们的重视,并且已经在科研、工业和医学领域中得到了实际应用.本论文从CT图像重建原理入手,根据迭代重建的物理意义,从投影模型出发,得到投影数据,然后利用迭代算法MART及SIRT重建出断层图像,再与模型相比较,从而确定各算法的优劣,总结出如何选择合适的图像重建算法.     

基于改进Faster-RCNN的机场场面小目标物体检测算法

针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法。该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的"自顶向下"的特征融合模块,以生成语义信息更加丰富的高分辨率特征图。并在网络训练过程中,采用在线难例挖掘的训练策略使模型更加鲁棒地对小目标样本进行定位。最后,手工构建了一个包含5 982张图片的机场数据集,用于检测模型的训练和测试。结果表明,本文所提出算法显著提升了机场场面小目标物体检测的准确率,且使整体平均检测准确率达到了80.8%,该结果高于其他先进的目标检测模型。     

基于改进的区域候选网络的行人检测

通过Caltech数据集训练区域候选网络时,发现其在场景复杂情况下存在大量的漏检和误检。经分析:一是区域候选网络使用VGG网络提取待检测图片特征,由于VGG网络层数较少,提取的特征不能够很好地表达行人;二是锚边框的尺度通过手工设计,没有利用到行人的尺度先验信息。针对以上2个问题,提出了一种改进的区域候选网络的行人检测方法,首先通过使用分类能力更强的Res Net提取待检测图片特征,然后利用检测小网络在卷积特征图上滑动,预测多个锚边框区域是否是行人并对锚边框位置和尺度进行修正,其中锚边框尺度通过KMeans算法计算得到。结果表明:本文算法在Caltech数据集上,比传统的VJ和HOG方法漏检率分别低36.23%、27.09%,比基于深度学习的方法 Ped Faster RCNN、MRFC+Semantic和UDN+漏检率分别低6.78%、3.73%、1.53%。研究表明本文改进的区域候选网络能够较好的检测行人。     

基于对极几何约束的景象匹配研究

提出了一种图像配准方法来解决实时图与基准图空间不对准问题。它是利用随机采样算法估计基本矩阵，恢复实时图与基准图之间对极几何．然后基于对极几何约束．剔除误匹配点．得到精确匹配控制点，计算出全局仿射变换，从而对实时图进行校正。该方法的特点是精确、稳定和全自动。采用真实图像实验结果表明，该方法是行之有效的。     

基于快速均值漂移和水平集方法的图像分割技术

通过加强边缘检测函数的约束作用,对L i提出的无需重新初始化的水平集方法进行了改进,用于提高水平集方法对弱边缘与低对比度图像的分割处理性能。同时,利用快速均值漂移法对图像进行预分割,将得到的轮廓作为水平集方法的初始轮廓,从而降低水平集函数的迭代次数。脑部M R图像的分割实验结果表明,该算法能够准确地提取相应的脑组织,同时大大地提高水平集函数的演化速度。