基于多尺度特征融合与注意力机制的人群计数算法

针对特征提取过程中缺乏对人群区域的针对性,不同大小人头目标不能同时检测以及特征融合时多尺度特征信息丢失问题,提出多尺度注意力模块,增强特征对高密度人群区域的关注。采用多尺度空洞卷积,结合提出的多通道特征融合模块,提取更完善的多尺度特征,提高对不同尺寸人头计数能力;利用密度图回归模块,融合多尺度特征,减少了多尺度信息的损耗。实验结果表明,本算法的计数结果更精确稳定。     

一种基于多尺度融合卷积神经网络的人群计数方法

人群间的相互遮挡和多变的空间尺度是基于单幅图像人群计数算法面临的主要挑战.近年来,基于深度学习的人群计数算法在该问题上取得了显著的成效,然而越来越深的网络结构给模型的训练和应用带来了困难.为了解决上述问题,提出了一种基于多尺度融合卷积神经网络(multi-scale fusion convolution neural ...     

基于深度卷积网络与空洞卷积融合的人群计数

利用空洞卷积设置不同空洞率,得到不同感受野的特点,提出一种基于深度卷积Visual Geometry Group19(VGG19)和空洞卷积相融合的结构.所采用的结构不受输入图像尺寸以及分辨率影响,通过设置锯齿状空洞率,扩大网络的感受野,在保持分辨率良好的情况下,可以较为精确地定位目标,提高检测准确性.经验证,该算法在Shanghai-tech标准数据集上具有较高的实验准确率.     

一种多特征融合的特征匹配算法

特征匹配是目标识别的基础,文章针对特征描述子在多变复杂场景中的自适应问题,从特征向量的低维度、高稳健、易计算3个方面,结合核主成分降维、匹配核的空间映射以及Power-law归一化等特征处理方法,提出一种面向复杂变换环境的集成低维度的特征匹配算法.首先,采用线性内积核将特征向量映射至高维空间提取特征主成分,然后通过He...     

一种基于深度特征融合的网络流量分类方法

随着网络应用的持续发展,识别特定的流或者应用程序有着重要的作用。由于机器学习方法对特征选择较为苛刻,因而,具有自动特征提取的深度学习算法的优势就突显出来了。但现有深度学习方法大多是对网络流量的原始字节进行处理和分类,而原始字节包含较多的冗余和混淆信息。针对此,提出了一种基于深度特征融合的流量分类方法。该方法对原始的统计特征进行融合,并将融合后的特征转化为灰度图像,应用卷积神经网络对转换后的灰度图像进行分类,达到对加密流量进行分类的目的。在两个真实数据集上进行实验验证,分类准确率达到了92%～99.89%。与文献方法相比,在网络流量粗粒度和细粒度分类上都取得了更好的结果。     

一种改进的计数排序算法

提出了一种改进的计数排序算法。首先找到待排序记录应该存放的位置,然后在原数组空间上进行交换。与传统的计数排序算法相比,在不改变时间复杂度的同时,降低了空间复杂度,提高了算法性能。     

一种基于特征子图的不确定图分类算法

采用频繁子图作为特征子图,对不确定图进行分类.提出AGF频繁子图挖掘算法,该算法将频繁子图挖掘问题转换为频繁项挖掘问题,可有效提高频繁子图生成效率.利用频繁子图构造分类模型,首次应用于不确定图,通过实验证明,给出的分类算法具有良好的分类正确率.     

一种融合特征选择的AdaBoost集成算法

针对Ada Boost算法训练分类器的特征具有大量冗余问题,提出了一种融合特征选择的Ada Boost集成算法.首先,使用一种特征选取方法,选择图像特征之间冗余度最小的特征,构造最优训练集;其次,采用Ada Boost算法训练分类器,构建分类模型;最后,使用分类模型实现待标注图像的自动标注.实验使用华盛顿大学用于图像自动标注的数据集,结果验证算法的有效性,并且相比其他传统算法,该算法具有更高的分类精度.     

一种基于深度学习模型的数据融合处理算法

针对无线传感器网络传统数据融合算法效率较低、处理高维数据困难问题,提出一种基于深度学习模型的卷积神经网络结构实现数据融合的算法CNNMDA.算法首先在汇聚节点对构建的特征提取模型CNNM进行训练,然后各终端节点通过CNNM提取原始数据特征,最后向汇聚节点发送融合后的数据,从而减少数据传输量,延长网络寿命.仿真实验表明,CNNMDA与同类融合算法相比,在同样数据量的情况下能够大幅降低网络能耗,并有效提升了数据融合效率与准确度.     

一种融合深度信息的视频目标压缩跟踪算法

针对复杂环境下单一特征在跟踪过程中易造成准确率下降和鲁棒性差的问题,提出一种融合深度信息的视频目标压缩跟踪算法。利用压缩感知理论分别提取目标灰度图像和对应深度图像的正负样本压缩特征,通过特征训练弱分类器,利用马氏距离赋予弱分类器权值,加权组合为强分类器,实现目标的多特征融合,视目标跟踪为一个二分类问题,确定目标跟踪结果。使用由粗到细的搜索策略减小计算复杂度。实验结果表明,该算法跟踪目标平均中心位置误差为9. 95像素,平均成功帧率可达96%,算法保持实时性的同时对视频目标运动遭遇的部分遮挡、姿态变化、光照变化以及相似物干扰等情况下的跟踪均具有较好的效果。     

一种基于BMP的电子元件计数算法

介绍了用计算机进行电子元件计数的算法的实现基础,该算法通过对BMP位图的图像分割技术、统计算法和相关的处理实现电子元件的计数。并通过实例进行误差分析,证明该计数算法实现的计数误差可以达到5％左右,基本上满足电子元件生产商的计数要求。     

一种多特征融合的运动目标检测算法

针对传统的混合高斯背景模型目标检测算法在复杂背景干扰和阴影条件下无法准确检测出目标的问题,提出一种多特征融合的运动目标检测算法.将包含上下文信息的局部二值模式(context local binary patterns,CLBP)纹理特征和HSV颜色特征的色调信息相结合,利用CLBP直方图向量和局部色度向量与高斯背景模型进行匹配实现运动目标检测.结果表明,该算法在满足实时性的前提下,对受阴影、目标遮挡和图像抖动等干扰时的目标检测准确性较高.     

一种特征融合的小目标车辆检测算法

针对目前基于深度卷积神经网络的目标检测中,高维特征会遗失小区域特征及目标位置信息,从而导致对小目标的识别率很低的问题,提出了一种利用特征层融合进行检测的算法。利用图像插值方法,将高维特征图与低维特征图转化为同样尺寸,通过设置一个网络自学习参数来对各特征图进行有效融合,使得最终进行检测的特征图同时具有丰富的语义信息与尽可能多的目标特征信息。构建了一个简单的卷积神经网络模型,对道路场景中的远距离车辆进行检测,在KITTI数据集上进行测试。测试结果表明:与主流的FasterRCNN和SSD检测框架相比,该模型的检测召回率分别提高了5. 9%和14. 6%。     

一种局部多特征融合的行人检测算法

为快速定位车辆前方的行人,提出一种基于腿部区域多尺度的梯度方向直方图(HOG)特征与hu矩特征融合的行人检测方法,融合腿部区域的轮廓和纹理特征,有效地降低特征向量维数.实验结果表明,该算法能在保持较高的检测准确率的同时提高检测速度.     

融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

一种基于动态交换的计数排序算法

提出一种动态交换的策略,对一个元素计数后,根据计数值的大小将元素移动到序列的合适位置,使得算法在每运算一个元素后,元素间的排列都是有序的,计数值大的元素位于序列的前端,从而有效地减少了查询时间.分析了算法的时间及空间复杂度,并通过实验验证了算法的实时性与高效性.     

一种时空特征融合的鲁棒视觉跟踪算法

针对视觉跟踪在复杂背景下因外观特征表征不足等原因造成的目标丢失问题,结合深度光流网络估计的运动特征,文中提出了一种基于时序信息和空间信息自适应融合的视觉跟踪算法。该算法在相关滤波跟踪框架基础上,引入递归全对场变换（RAFT）深度网络估计光流以获取目标的时序信息,提取目标的CN特征和HOG特征获取空间信息,然后融合目标时序信息和空间信息,以增强对目标时空特征的表征能力;其次,建立了一种跟踪结果质量判别机制,实时调整时序信息在融合过程中的权重, 有效提升了算法在复杂动态环境下的泛化能力。为评估算法的有效性,在OTB100和VOT2019两个数据集上进行了测试,实验结果表明,与主流视觉跟踪算法相比,所提算法的跟踪性能获得了显著提升,尤其在运动模糊、快速运动等属性的视频中,具有明显优势。     

一种基于视频多特征融合的火焰识别算法

根据燃烧过程中火焰的物理特性，结合火焰的静态和动态特征，设计了一种多特征融合的火焰识别算法，对火灾进行快速判别．基于信任度模型建立了火焰识别的概率模型，以疑似概率反映视频图像中出现火焰的几率．实验表明，该算法识别火焰速度快，能够达到25帧／s的处理速度，与其他的火焰识别算法相比，算法在识别过程中无需人工调整即可自动完成，在复杂实际环境中，算法识别的准确性高，抗干扰能力比较强，如对车灯、路灯等干扰疑似概率始终小于10％．因此，算法在实际运用中有着广泛的应用前景．     

基于特征融合的深度学习点云补全算法

由于激光雷达等三维扫描设备分辨率限制、目标间的相互遮挡以及目标表面材质透明等问题,采集到的三维点云数据往往是不完整的.近年来,以数据驱动为主的深度学习方法逐渐被用于解决点云补全问题,然而,现有的点云补全算法致力于补全出原始目标点云的整体拓扑结构而忽略了对于目标点云局部细节位置的恢复.针对这一问题,提出了一种基于特征融合...     

一种基于子图特征的快速图像配准算法

针对大面积图像配准鲁棒性和实时性差的问题,提出一种基于子图特征的快速图像配准算法. 提取对比度强、 结构清晰的子图,依次采用改进的Harris检测算法提取角点,4阶梯度向量对角点进行描述,欧氏距离进行特征向量相似性度量,并利用最小二乘法进行变换参数估计,采用双线性插值法重建待配准图像. 实验结果表明,子图法不但比大图法的配准精度高,配准速度快,而且这种思想可以推广到FMT和MI配准法等其他配准算法.