基于区域卷积网络的行驶车辆检测算法

为解决多种天气与多种场景下主干道路行驶车辆检测存在的实时性、泛化能力差、漏检、定位不准确等问题,研究了基于TensorFlow深度学习框架的区域卷积神经网络(Faster R-CNN)算法,通过引入VGG16神经网络模型,优化ROI Pooling Layer,并采用联合训练方法,得到改进的算法模型。采用UA_CAR数据集进行模型训练,实现行驶中的车辆检测,测试结果与优化前Faster R-CNN比较,MAP提高了7.3个百分点,准确率提高了7.4个百分点,检测用时0.085 s,提高了对多种环境与场景的适应性。     

一种优化的手写字符自动分割算法

在手写字符自动识别时,由于手写字符中存在字符大小间距不一、粘连、断点,以及不连贯等情况,给字符自动分割识别带来极大的困难。针对该问题,提出了一种优化的手写字符自动分割算法。该方法依据滴水算法的原理,结合CFS(color filling segmentation)做初步分割;再根据分割字符的连续黑色像素点的宽度判断是否为粘连字符,若为粘连字符,则在分割字符图片02倍宽度与08倍宽度之间扫描黑色像素位置;结合分割图片中间位置来确定滴水算法起始滴落点,解决特殊情况下的起始滴落点的定位不精准问题。经手写字符识别实验结果表明,优化后手写字符分割准确率比传统方法分割准确率提高了116%,且有良好的通用性,可提高手写字符的单个识别率。