引进样品效果实例选登

杭州塑料制品研究所在国内首次研制成功顺丁橡胶与聚氯乙烯并用的半透明牛筋鞋底,并于1984年11月在杭州通过了技术鉴定。半透明牛筋鞋底质轻、色美、耐磨,可为旅游鞋、运动鞋、凉鞋、布鞋、皮鞋等各种鞋类配底。近几年来,国外广泛采用了橡塑并用技术。因为塑料强度较高,成型加工容易,价格便宜,     

多尺度光照估计和层次化分类的衣着颜色识别

衣着颜色是行人最显著的表观特征,在视频监控场景中极易受到光照变化的影响.为此,笔者提出了一种基于多尺度光照估计和层次化分类的衣着颜色识别方法.首先,提出一种多尺度局部反射统计的光照估计模型,通过该模型实现对偏色图像的光照矫正;其次,为了精确地识别衣着颜色,设计基于融合多颜色空间特征的层次化分类器;最后,在校园监控场景采集4 998张行人衣着图像(晚上2 052张,白天2 946张)进行对比实验.实验结果表明,该方法能有效提高监控视频中衣着颜色识别准确率且至少提高12.5%.     

视频监控场景下行人衣着颜色识别

近年来,由于视频监控在各地安防的广泛应用,行人的精细化识别显得尤为重要,其中行人的衣着颜色是最显著的外观特征,其识别的正确性直接影响视频检索中对特定行人的检索.论文提出了一个简单实用的行人衣着识别系统,可以有效地识别行人衣着颜色.首先,结合HOG(histogram of oriented gradient)算法和Grabcut算法自动地对监控图像中的行人进行精确分割;然后,在利用外观划分模型精确地分割出行人的上身和下身后对上下身分别分割成若干个小块;最后,使用KNN(k-nearest neighbor)分类方法判断每个块的颜色,通过所有块的颜色标签投票决定衣着颜色.最终,使用收集的监控视频图像数据集验证此方法的有效性和实用性.     

基于深度学习的监控视频树叶遮挡检测

结合稀疏自编码器的自动提取数据特征能力和深度置信网络较好的分类性能,提出一种基于深度学习的监控视频树叶遮挡检测方法。首先从视频中随机选取一帧图像,通过栈式稀疏自编码器主动学习视频图像的特征信息,然后采用深度置信网络建立分类检测模型,最后引入学习速率自适应调整策略对整个神经网络进行微调。该方法不需要对视频连续取帧,具有较好的图像特征主动学习能力,克服了人工提取特征能力有限的缺陷。实验结果表明,在样本量充足的条件下,使用本文方法进行监控视频树叶遮挡检测可以达到88.97%的准确率。     

基于机器学习的Cortex-M监控视频车型识别

为了解决高速公路环境下监控视频图像车型识别需要将海量视频数据上传计算机服务器中心,对所有的视频流图像进行结构化处理和车型识别,造成服务器中心数据压力大、计算任务重,对服务器性能要求高的问题。对此,提出一种基于机器学习的Cortex-M监控视频车型识别的方法。首先,将训练机训练好的六种车型的权值矩阵文件移植到前端Cortex-M核系列开发板上,采用开发板内嵌的CMSIS-NN网络函数库搭建与训练机相同的网络模型结构;同时采用开发板内嵌的CMSIS-DSP库加快图像处理速度,并对选择处理监控视频图像实现车型识别;实验结果表明,该方法平均识别率达到94.6%以上,与采用计算机进行识别相同,可见该方法能够缓解大量视频上传给服务器中心造成的压力,为高速公路环境下监控视频图像车型识别研究提供了一种可选择的方案。     

基于LBP和KNN的视频纹理识别算法

为实现视频纹理的有效识别, 提出一种基于 LBP(Local Binary Patterns)和 KNN(k-Nearest Neighbor)的视频纹理识别算法。 该算法将视频纹理视为一个图像纹理集合, 通过多个图像纹理集合的方式表示。 由于可计算任意两幅纹理图像的相似度, 对于两个视频纹理, 可以计算两个图像纹理集合中所有元素之间的相似度, 将这些相似度中的最小值作为这两个视频纹理的相似度, 若要实现视频纹理的识别, 则可通过 KNN 算法实现分类与匹配。 通过在 DynTex 动态纹理数据库中的相关实验, 证明了该算法的有效性。     

基于词袋模型的监控视频异常活动检测算法

针对监控视频异常活动检测算法检测准确率与鲁棒性较低的问题,提出了一种基于词袋模型与无向图建模的视频异常活动检测算法.(1)将输入视频划分为大小相等的视频片段,提取每个视频片段的时空兴趣点;(2)生成一个局部活动的无向图集,图的顶点表示时空兴趣点,边表示兴趣点之间的关系;(3)分别对局部异常活动和全局异常活动进行分类处理,识别出异常活动.基于公共数据集UMN的仿真实验结果表明,本算法对视频监控中异常活动具有较好的检测准确率.     

使用日夜两用型红外摄像机进行火焰检测

为了提高火灾监控的准确性和及时性,并最大限度地利用已有硬件设备,提出一种使用日夜两用型红外摄像机的火灾自动监控方法.根据红外图像RGB空间的色彩分布特点,设计视频类型判断算法,实现视频图像类型自动切换.通过红外状态与可见光状态两类状态下的焰色模型提取火焰疑似区域.对疑似火焰区域提取不规则度、角点量、闪烁频率和帧间相关性等4个静态及动态检测特征.通过减聚类和模糊C均值聚类相融合的方式优化训练样本,并分别训练2种状态下的火焰识别神经网络分类器.实验结果表明:视频类型判别平均准确率93.07%,21段火焰或干扰视频均能正确检测,报警时间小于8s,帧处理速度达到25帧/s以上.对室内自动火灾监控的精度高、抗干扰能力强、处理速度实时和适应全天候监控等.     

基于视觉跟踪的实时视频人脸识别

目前基于深度学习的人脸识别方法准确率高,但是模型复杂,识别速度慢.为了实现监控视频中人脸的实时识别,提出了一种基于视觉跟踪的实时视频人脸识别(RFRV-VT)方法.首先将监控视频的帧序列分组,每一组中分为人脸识别帧和人脸跟踪帧;然后在人脸识别帧中使用基于深度学习的人脸检测和人脸特征提取方法,在人脸跟踪帧中使用基于核相关滤波(KCF)的视觉跟踪方法以加快识别速度.将该方法应用于数据集YouTube Faces(YTF)上进行测试,实验结果显示该算法在监控视频中具有实时性和较高的识别准确性(99.60%).     

一种基于语音识别技术的智能视频监控系统设计

针对传统视频监控系统中存在的不足,提出了一种将语音识别技术作为辅助的监控手段,构建具有主动预警、监控画面智能切换等功能的视频监控系统的设计方法;使用倒谱平均减(CMS)的方法抑制了传输设备不同带来的信道畸变对语音识别的影响;使用模型合并重估的方法解决了训练样本数据更新导致的所有数据重新训练的问题。仿真测试表明该系统预警准确、切换智能,对市场上传统视频监控系统的改进具有一定的指导作用。     

不同足地界面对人体三维步态的影响

为了解足地界面对人体下肢运动学、动力学的影响,从实验的角度对受试者在光足、穿球鞋和穿7 cm高跟鞋时的三维步态进行了测试。结果表明在运动学方面:足地界面对踝、膝和髋关节运动均有影响,而且在冠状面内的影响程度远大于矢状面。在动力学方面:穿高跟鞋后,膝关节和踝关节内收力矩峰值增大,踝关节和髋关节弯曲伸展力矩均有变化;沿股骨和胫骨轴向,分别作用于膝关节和踝关节的力增加,沿步行前后方向膝关节和髋关节的力增加。这些变化加剧了关节的磨损,长期积累会造成关节损伤和病变。     

融合特征筛选策略的双塔网络鞋印检索算法

鞋印图像识别是计算机视觉在公安一线工作中的一项重要应用。当前公安侦查工作中鞋印图像无法进行精准识别的问题制约了工作效率与质量的提高，归纳起来主要是囿于鞋印现场提取的复杂情况、鞋印花纹图样的复杂特征以及鞋印图像的残缺不全。针对残缺鞋印，为了进一步提高残缺鞋印检索结果，本文设计了一种融合特征筛选的双塔网络鞋印检索算法。一方面，在网络中引入分区策略，将鞋印图像分为足掌区和足跟区用两个特征网络分别提取图像特征进行融合，另一方面，选择融合ResNet网络和Transformer网络的新型卷积神经网络convNeXt网络作为骨干网络，加入注意力机制模块，提取最后一层卷积特征后用不同的特征筛选方法去除鞋印图像中的无关特征，最后拼接展开成为特征描述符进行相似度计算。在训练阶段，优化学习策略，将其作为完整的图像分类网络进行训练。实验结果表示，本文选取的网络模型优于其他卷积神经网络，在CSS-200和FID-300两个鞋印数据集上取得了较高的准确率。     

基于深度学习跨清晰度的鞋面检索——从足迹图像到视频中锁定犯罪嫌疑人的应用

如何有效利用鞋样联合监控视频中提取行人所穿鞋子信息进而锁定嫌疑人在视频中的位置是一个新的课题。基于深度学习的跨清晰度的鞋面检索算法可以解决视频提取的低清鞋子与高清鞋面比对检索的难题，从而打通从足迹到视频中锁定嫌疑人的通路。算法在实现过程中，加入网络分支、特定损失函数、随机变换等手段。在1172组样本检索测试中，算法累计查中率首位达到66.2%，前5达到85.8%。实验证明，在客观指标和主观验证均达到较高的应用级别水准。     

基于卷积神经网络的脚部关键参数计算方法

针对传统制鞋业定制化程度低,无法适应足部多样性、舒适性,提出了一种基于卷积神经网络的脚型关键参数计算方法。首先对图像进行透视变换等预处理,然后使用fine-tune的迁移学习方法,通过修改VGG神经网络源模型全连接分类层,将高层卷积权重进行微调,优化网络模型并提取特征值进行特征分类,从图像中识别出脚的轮廓。最后通过设计的算法把脚型特征值计算出,并与实际测量的脚长、腰窝宽度、脚宽等做对比。实验表明,改进后的模型对脚部识别的准确率达到96.8%,输出结果与测量的真实数据相比误差不超过3%,可作为鞋底制作的重要依据。     

基于参数优化残差网络的皮革缺陷分类

针对皮革缺陷分类存在误判、成本较高及目前关于皮革缺陷的研究主要是针对皮革做缺陷检测,未进行缺陷分类的问题,采用一种参数优化的残差网络来实现皮革缺陷的自动分类。首先通过多层卷积、池化操作进行特征提取,并引入残差模块解决深层网络的梯度消失问题;然后依据所提取特征进行缺陷分类;最后根据皮革数据集优化关键网络参数,使用数据增强方法对数据集进行扩充,有效避免了网络模型因样本不足易产生过拟合的问题。实验结果表明该方法可对皮革缺陷进行有效分类,分类精度达到92.34%。     

基于Fisher准则的分类器在皮革正反面分类中的应用

制鞋业中的皮革表面缺陷查找和排样主要靠手工完成，因此效率低下．基于图像处理技术的自动化缺陷查找及排样，可以较大地提高生产效率．皮革的缺陷查找和排样，主要在皮革的正面进行，因此皮革正反面的自动判别是后续处理的关键．因为皮革具有典型的纹理特征，纹理图像其特殊的像素空间分布方式有别于普通的灰度图像，因此常用的灰度图像分类特征对纹理图像的分类不适用．而基于灰度共生矩阵提取纹理图像的统计量组成的特征向量，并在Fisher判别准则的基础上设计一种线性分类器来对皮革纹理图像进行分类．实验结果证实，该分类器可有效地对皮革的正反面进行分类。     

长壁软底工作面柱鞋参数分析

为有效控制单体支柱长壁工作面顶板,针对属于Ⅰ级极软底板的工作面,建立了单体柱鞋的力学模型,分析了柱鞋受力的载荷分布.计算了柱鞋的合理尺寸,包括柱鞋的厚度,柱鞋的大小等.通过对工作面现有支护方式的分析,确定其合理的柱鞋选型和参数,确保了支护系统的刚度,该支护系统在现场取得了良好的应用效果.     

基于残差神经网络的视频内容快速检索系统研究

为解决公共安全视频图像信息轨迹追踪的问题,设计一个基于图像识别的视频内容快速检索系统,使用方向梯度直方图特征提取( HOG: Oriented Histogram Feature Extraction) 算法进行人脸定位,通过迁移学习对ＲesNet 模型进行再训练建立专用的神经网络的分类器。进行视频内容检索的过程是提取视频关键帧,对其中人物进行定位,提取其特征值,使用训练好的分类模型进行分类。将分类信息标注在图片上,将有关信息存入数据库,使用时查询数据库,得到详细信息。实验结果表明,该系统可有效地对视频内信息进行快速定位,对截取图片可以进行精准识别,在公共安全领域具有应用前景。     

基于整体特征的鞋印匹配算法

根据鞋印图像自身的特点,提出了一种新的鞋印定位方法;在此基础上提出了将鞋印的外纹轮廓简化成四边形,然后用四边形原理的方法来提取鞋印的几何特征用于鞋印匹配;内部纹理特征的识别采用改进的局部二值模型(local binary patter,LBP),为了充分的利用鞋印上的特征;将这内外特征相结合形成一个整体特征用于鞋印的匹配。实验结果表明,整体特征在保持算法鲁棒性情况下,匹配用时短、识别率高。