基于视觉注意机制的视频监控中海上舰船目标检测

当天空、海面和岸上建筑等自然背景比较复杂时,容易干扰视觉注意的对象,而影响舰船目标的检测。本文提出了一种改进的视觉注意模型来检测海上舰船目标,首先利用小波变换获得舰船目标图像的高频特征和低频特征;然后利用改进的Top-hat滤波器抑制云雾和较强的海杂波,采用改进的Gabor滤波器得到方向特征,采用离散矩变换（DMT,discrete moment transform）得到边缘纹理特征;同时将图像进行色彩空间转换,由HSI（Hue-Saturation-Intensity）空间提取图像亮度、色调和饱和度来构成运动特征和颜色特征;最后将各特征图通过加权线性融合得到兴趣图,通过自适应阈值分割出舰船目标区域。实验证明该舰船目标检测算法具有较好的检测效果。     

低分辨率SAR图像舰船目标检测

针对低分辨率合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标受背景及杂波影响难以检测的问题,通过构建一种基于生物视觉侧抑制理论的背景抑制网络模型,有效地抑制了背景杂波.采用基于RENYI熵的分割方法提取舰船目标兴趣区域,以低分辨率SAR图像中舰船目标的成像特点为先验知识,结合同质性检验,滤除了兴趣区域中的虚假目标,降低了虚警率.实验结果表明:所提出的算法能够有效地抑制强海杂波背景,突出目标,既能用于检测SAR图像中带尾迹特征的舰船等运动目标,也可用于检测无尾迹特征的舰船目标.     

利用多颜色空间特征融合方法检测近似目标

以棉花中羊毛、白头发、塑料膜等杂质的检测为应用背景,提出一种利用多颜色空间特征融合方法。该方法构建了颜色特征评价函数,对近似目标在不同颜色空间的特征表现进行评估,从中抽取近似目标的若干最优特征;再利用区域信息相关度权值小波分析算法进行多特征融合,获取近似目标的图像。实验结果表明,融合图像比原始图像及单色空间图像具有较高的图像信息量值,近似目标视觉特征明显增强。此方法为提取与背景特征相近的近似目标提供一条新思路。     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

复杂背景下结合颜色和分形特征的多目标检测

针对复杂自然背景下的多目标检测,提出了结合颜色和分形特征的多目标检测算法.将RGB颜色空间转换到Lab颜色空间,采用改进K-means聚类算法,去除大片背景区域,计算区域分形维数和分形拟合误差.两种分形特征相结合能够准确排除小面积背景奇异区域的干扰,检测出待测图像中的多个目标.仿真结果表明:该算法能够正确检测出复杂自然背景下的多个目标,对彩色图像分割后的保留区域求分形特征,避免了搜索目标带来的计算量.相比于对全图提取分形特征的方法,本算法在时间上缩短约80%.     

SAR图像舰船目标的特征识别

详细分析了舰船在SAR图像中的特征;并且根据海上目标所具有的背景单一、结构复杂的特点,提出了利用舰船目标的特征量识别目标类型的新思路,提取了舰船的面积、周长、积分光学密度、欧拉数、长度、主轴方向角、细长度等特征量,给出了相应的提取算法.     

空间颜色聚类算法及其在图像特征提取中的应用

针对目前图像基本颜色特征单一、 可提取信息不足的问题, 提出将图像进行HSV颜色空间转换, 先用均衡化直方图增强空间颜色互转后的图像空间 颜色像素, 再用融入rgb2ind的K-means均值聚类算法提亮均衡图像, 以增强图像颜色特征的提取目标和数量. 实验结果表明, 该方法优于普通空间颜色图像进行特征提取的效果, 实现了为颜色特征识别提供更多的检索信息.     

基于模糊集的车牌提取方法

利用了车牌的颜色特征与纹理特征,提出一种新的基于模糊集的车牌提取方法.该方法用图像颜色对区域检测、颜色对边缘检测、色度峰值统计及密集小边缘增强,使用模糊集算子综合它们的结果,精确提取出车牌.实验结果表明:对在不同条件下拍摄的图像应用本方法,车牌提取准确率达到98.0%.特别地对光照不均、背景复杂的图像,本方法仍具有很强的鲁棒性.     

基于目标检测结果的轮廓及颜色识别研究

基于深度学习方法给出的目标矩形框检测结果,针对实时目标轮廓提取和颜色识别问题,提出了一种基于边缘提取和形态学操作的方法.首先通过Canny边缘检测算法提取图像大致轮廓,应用多次形态学闭操作将目标主体与背景、噪声等加以区分,找出最大轮廓即目标轮廓,然后利用目标轮廓所包含的区域,在HSI颜色空间中完成目标颜色的统计和识别,并采用真实场景中的无人机、小汽车和人的图像来进行实验验证.实验结果表明,所提出的方法相比纯粹基于深度神经网络的方法在效率上有较大提升,相比纯粹的底层图像处理方法在精度上有较大提高,既保证了实时性,又确保了较高的精度.     

基于增强SVM算法的红外舰船图像识别研究

红外偏振成像技术是针对复杂环境中识别目标的重要技术手段,是近年来国内外红外成像技术研究的重点.针对近岸复杂背景下的军用舰船红外偏振图像目标识别问题,提出了一种基于机器学习的分类算法.首先提取图像HOG特征,结合SVM分类器正确检测出舰船目标和渔船目标;然后运用基于灰度的归一化模板匹配算法实现舰船目标的识别.仿真结果表明,该算法具有良好的性能,能够有效地识别红外舰船目标.     

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

基于二次训练技术的入侵检测方法研究

提出了一个基于二次训练技术的网络入侵检测模型,不但可以从整体上提高入侵检测系统的检测性能,而且对于低频率、高危害攻击类型的检测性能有着更加显著的提升.该模型首先利用PCA算法提取数据集中的重要特征,然后使用二次训练技术训练分类器构建网络入侵检测模型.实验中分别使用决策树、朴素贝叶斯和KNN 3个经典分类算法构建了基于二次训练技术的入侵检测模型,并在著名的KDDCup99数据集上进行了实验.结果表明本文的入侵检测模型可以有效地提高入侵检测系统的性能,尤其是对于低频率攻击类型的检测性能有明显的提升.      

基于HSI的视觉注意力模型及其在船只检测中的应用

根据现有关于视觉心理学研究的相关成果和计算模型．提出了一种基于HSI颜色空间特征提取的视觉注意力模型．并应用于海上目标检测．首先把输入的RGB图像转换到HSI空间上．采用高斯金字塔和center-surround算子获得HSI三个分量下各自多尺度的视觉差异。通过对不同特征图的规格化和线性融合获得综合的显图．该方法应用于多种海上目标图像均取得较好效果．背景中的海浪杂波得到了有效抑制．提取得到的显区域包括了待检测的目标且范围较小。为后继的处理和分析提供了良好的基础．     

结合问题—关系注意力和特征视图匹配的关系检测方法

问答系统作为信息检索的一种高级形式，已成为人工智能和自然语言处理领域中一个备受关注的研究方向。本文聚焦于知识图谱问答(Knowledge Graph Question Answering, KGQA)研究中的关系检测，针对现有方法中未能较好兼顾全局语义和局部语义信息，以及复杂问题准确率不高的问题，提出了一种结合问题-关系注意力和特征视图匹配的关系检测方法。该方法从问题和知识库中提取多粒度的特征，将提取特征构造成特征对视图作为关系检测模型的输入，视图内部利用双边多视角匹配(Bilateral Multi-Perspective Matching, BiMPM)进行比较匹配，得出关系预测结果。为验证本文提出的方法，在SimpleQuestions、WebQSP数据集上，与6种主流基线方法进行对比实验，本方法的准确率分别提升3.42个和0.45个百分点。     

基于改进CGHT的光学遥感图像舰船尾迹检测

根据遥感图像舰船目标检测的实时性要求,提出了一种应用改进CGHT算法检测舰船尾迹的方法.通过加入舰船船体的检测结果,改进CGHT算法中种子点的选取方式,以改善尾迹检测的计算复杂度,并将检测重点侧重于舰船船体附近区域,避免尾迹检测的盲目性.实验表明,该算法显著减少了尾迹检测的运行时间,降低了伪尾迹引起的虚警,提高了尾迹定位的准确性.     

改进YOLOv3的桥梁表观病害检测识别

针对基于目标检测方法的桥梁表观病害检测存在检测精度低、误检率和漏检率高的问题,提出一种改进YOLOv3的高准确率桥梁表观病害检测识别方法。为实现局部特征和全局特征有效融合,在YOLOv3的检测层中添加固定分块大小的池化模块,并在YOLOv3的特征提取网络中引入了DenseNet密集型连接网络结构以增强桥梁病害特征在网络中的传播和利用效率,提高检测效率,采用数据增强技术来扩充样本图像以解决现有桥梁病害数据集样本数量不足的问题。实验结果表明,改进后的YOLOv3在桥梁表观病害检测上的平均准确率比原YOLOv3提高了3.0%,且模型训练时间减少了33.2%,同时降低了对桥梁表观病害检测的误检率和漏检率。     

船舶吃水线定位分析及算法研究

对船舶水尺视频图像的特点进行分析,设计吃水计算算法。采用纹理谱方法,提取相应的视频帧图像对比度和方向度特征,通过聚类算法进行分类,实现对船舶水尺图像的分割,从而确定出船舶吃水线的吃水准确数值。实验表明该方法速度快,精度高,可以解决港口船舶自动计重的吃水数值准确确定问题。     

基于内容的彩色细胞图像检索

提出了一种结合颜色、纹理和形状特征的细胞病理图像检索方法．首先,运用K-均值聚类方法提取出细胞核,并且采用多域值分割算法去除细胞图像中的背景区域．提取的特征包括颜色、纹理和形状等,这些特征能很好地表征单核细胞的主要特性．由于提取的特征数值范围以及物理意义不尽相同,对特征进行了归一化处理．最后提出了相关的反馈系统．该系统可以自动地调整不同特征的权值,提高了图像检索的准确率．运用该方法进行细胞图像的检索更符合人的视觉感觉要求,比仅仅提取一个特征的方法更加准确．