基于卷积神经网络的烟雾检测

针对已提出的很多烟雾检测方法中都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,减少了深度学习的鲁棒性。为解决这些问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的烟雾检测方法。使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,CNN自动提取烟雾候选区域的特征,进行烟雾识别,根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法能有效地检测烟雾,且具有更高的准确率和更好的鲁棒性。     

复杂条件下非刚体运动目标的局部跟踪实现

在公交车背景的环境中，对连续均值平移算法进行了改进，以颜色概率分布和轨迹验证来过滤伪目标，保证了跟踪的可靠性；通过对跟踪搜索的区域进行有效的设计，对目标做出运动预测，减少匹配搜索范围，提高了速度．     

基于小波去噪的改进型Canny边缘检测法

Canny算子边缘检测算法简单,具有很好的边缘检测性能,对于噪声污染小的图像能取得较好的效果.但对于噪声较大的图像,传统Canny算法不能在噪声抑制和边缘检测之间达到好的平衡.将小波去噪引入到Canny算法中,有效的抑制了噪声在边缘检测中的影响,提高了检测精度.