基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释.以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证....     

基于图像特征的智能肺癌识别

提出一种基于图像特征进行计算机辅助医学诊断的智能算法。该算法使用神经网络技术有效地从彩色细胞切片图像中识别出肺癌细胞。首先，通过图像预处理和图像分割技术提取出切片图像中细胞的形状和颜色特征。接着，将这些图像特征输入训练好的肺癌分类识别神经网络，智能地识别出肺癌细胞。     

基于反向双目识别的驾驶员分心检测

为检测分心驾驶状态,研究了基于反向双目的驾驶状态检测方法。首先,根据Hough算法进行车道线检测和识别,计算车辆偏航率;同时采用多点透视算法对驾驶员头部姿态进行估计;然后建立基于高斯隶属度函数模糊判断规则,根据车辆偏航率与驾驶员头部姿态对驾驶员驾驶状态进行识别。最后,采用所建立的驾驶员驾驶状态识别模型,对车道保持、换道行驶及分心行驶三种不同驾驶状态进行测试。结果表明,建立的驾驶员驾驶状态识别模型对上述三种状态检测准确率分别为99.0%、86.7%、80.8%。     

基于级联卷积神经网络的驾驶员分心驾驶行为检测

针对驾驶员分心驾驶行为检测,设计一种级联卷积神经网络检测框架。检测框架由第一级分心行为预筛选卷积网络和第二级分心行为精确检测卷积网络两个全卷积网络级联构成。预筛选卷积网络是一个轻量级的图像分类网络,负责对原始数据进行快速筛选,其网络层数少、训练速度快,结构特征冗余较少,能够减少后续网络的计算负担;分心行为精确检测卷积网络采用VGG(Visual geometry group)模型特征提取的深度迁移学习检测算法网络,通过迁移学习重新训练分类器和部分卷积层。提出的级联神经网络最终可以实现9种驾驶员分心驾驶行为的准确识别检测。实验结果表明,相比主流单模型检测方法,在保证算法效率的同时准确率均有明显提升,准确率达到93.3%,有效降低了误检率。该方法具有较好的鲁棒性和泛化能力。     

基于多元统计的柑桔图像分割和目标识别

对含有复杂背景的彩色柑桔图像应用多元统计中的马氏距离分析法分别进行了图像分割和目标识别，对识别结果进行了分析，计算了不同条件下拍摄的柑桔图像中柑桔所占的面积比例。结果表明，马氏距离法在合理选择图像元素类别和各类别判定指标的情况下，经过对进行训练的样本空间进行确认，能够克服光照、复杂背景等因素的影响，较好地对柑桔彩色图像进行了图像分割，通过程序实现了目标面积比例的计算。     

基于PCNN的人脸图像分割算法研究

研究了基于PCNN的人脸图像分割算法。利用简化型PCNN对人脸图像进行分割,根据人脸图像的灰度特征和空间信息的相关性,得到了人脸图像的神经元点火序列,该点火序列就是图像分割的结果。通过MATLAB仿真实现了该算法,表明该算法具有一定的工程价值。     

一种复杂图像目标的分割与识别

研究受光照等因素影响的表面灰度随机变化的空中图像目标的分割与识别。提出了改进的多阈值八邻域像素比较边缘检测算法,对得到的边缘像素进行填充,并在跟踪过程中消除轮廓上的短枝及图像干扰,最后采用快速多边形近似算法,用多边形顶角及目标形状因子作为特征对目标进行识别。     

基于图像分割的钢板表面缺陷识别

钢板的表面缺陷是影响钢板质量的主要因素,通过改进轧制工艺可以减少缺陷发生外,及时检测出钢板的表面缺陷也非常重要.对于钢板表面缺陷的检测,需要获取图像,然后对图像进行初步处理,重要的步骤就是对缺陷进行分割.基于图像灰度信息的不同,本文采用了两种图像分割模型(C-V模型和H-T-B模型),当图像的灰度信息均匀时,采用C-V模型对图像进行分割;当图像的灰度信息不均匀时,则采用H-T-B模型对图像进行分割.通过两种模型的组合应用可以对钢板的各类表面缺陷进行识别,获取缺陷区域,有利于提高钢板生产质量.     

基于多元统计的柑桔图像分割和目标识别

对含有复杂背景的彩色柑桔图像应用多元统计中的马氏距离分析法分别进行了图像分割和目标识别,对识别结果进行了分析,计算了不同条件下拍摄的柑桔图像中柑桔所占的面积比例.结果表明,马氏距离法在合理选择图像元素类别和各类别判定指标的情况下,经过对进行训练的样本空间进行确认,能够克服光照、复杂背景等因素的影响,较好地对柑桔彩色图像进行了图像分割,通过程序实现了目标面积比例的计算.     

基于注视行为特性的驾驶人分心负荷评估

为了评估驾驶人操作手机的各种行为对行车安全的影响,组织19名驾驶人佩戴眼动仪开展室内模拟驾驶试验,分别采集城市快速路自由流和拥挤流2种典型交通状况下驾驶人进行正常驾驶、免提通话、语音短信3种操作时的注视数据。采用层次聚类法结合机械划分的方式,将驾驶人的视野平面划分为6个视觉兴趣区域;利用描述统计和方差分析法建立了衡量注视行为特性的敏感性指标集(注视区域信息熵、注视持续时间、垂直方向注视偏差、瞳孔面积变异系数);最后采用熵权法构建4项指标的权重体系,提出了分心负荷指数的概念,并引入TOPSIS法验证了分心负荷指数对分心程度的评估效果。结果表明:进行免提通话操作时驾驶人多处于认知分心状态,语音短信操作时多处于视觉分心状态;相较于正常驾驶,除了自由流场景中进行免提通话操作时分心负荷差异甚微以外,其余手机操作均对驾驶人注视行为产生显著影响,致使分心负荷指数普遍升高,且在拥挤流场景中,执行语音短信操作时分心负荷激增,驾驶风险远高于免提通话。     

基于神经网络的自适应图像分割

非均匀光照条件下的图像目标难以用阈值选取方法分割，本文使用神经网络建立自适应阈值曲面，以此作为图像分割的依据．自适应阈值曲面由图像中具有高Ｌａｐｌａｃｅ值的边缘拟合而成，拟合过程由神经网络实现．计算机摸拟证实了此设想的可行性以及相对阈值分割方法的优越性．     

基于R-CNN算法的分割检测算法

目前先进的目标检测算法大多基于R-CNN算法,如Fast R-CNN,Faster R-CNN,YOLO,SSD以及FPN+R-CNN.R-CNN算法利用了传统的Selective Search算法寻找可能包含物体的方框,将其送入CNN网络进行特征提取,以对方框内物体进行辨别.随着图片复杂度的升高和背景的多样化,Selective Search算法已无法满足精确性和实时性的要求.本文基于R-CNN算法,提出了一种优化分割检测算法.该算法将R-CNN与具有分割功能的FCN算法相结合,为目标检测算法提供了一种新的思路.测试结果与R-CNN算法相比,该算法在目标识别效果和耗时方面均有明显的提升.     

基于小波分解的车牌图像分割

为消除明暗不均等低频干扰的影响，将字符成功地从车牌图像中提取出来，提出了基于小波分解的车牌图像分割方法，根据干扰信号与字符信号属于不同频域的特点，利用小波时频局部化分析的能力，在保留字符信息的同时滤除或抑制低频干扰成分，其方法是先根据统计结果分析出字符和低频干扰信号所处的频率范围，然后对图像进行小波分解，过滤掉或抑制干扰信号所属的频段，再利用传统的聚类分析进行分割，这样就能够很好地消除白斑黑斑、光照不均匀、非车牌区域干扰等问题，即使图像灰度值反差很大也能将车牌字符很好地提取出来。     

基于图像分割的静止图像车牌识别系统研究

介绍一种高识别率的静止图像车牌识别系统的实现方法.并提出一个由图像处理、图像分割、字符识别等组成的静止图像车牌识别系统的工作原理与设计方案.应用MATLAB语言编程实现了该识别系统的仿真,仿真结果表明该方法是行之有效的.     

基于两维WAVELET分解的纹理图像分割方法

提出了一种纹理图像的分割方法，主要利用ＷＡＶＥＬＥＴ变换的多分辨率分析的特性，通过两维分解抽取图像的纹理特征，并对图像小窗口区域的特征进行聚类，该聚类结果可作为多层ＢＰ网权值学习的训练样本，进而利用ＢＰ网对各小窗口的特征进行分类以实现纹理图像的分割，实验证明，该方法对于纹理图像具有较好的分割效果。     

基于神经网络的医学图像分割研究(英文)

为了更好地分割医学图像,对传统的神经网络进行改进,对分割后的图像区域特征进行约减,以降低特征向量维数,同时抽取出规则,根据这些规则构造神经网络隐含层的神经元个数,确定神经网络的初始拓扑结构.然后用逆推学习算法迭代,得到最终的决策结果,即实现图像的分割.实验证明,该方法大大缩短了实验时间,提高了精度,并且得到优于常规的分割图像,满足图像处理的事实性要求.     

基于小波与神经网络的图像分割

图像分割是图像处理的一个经典难题,分割方法也有很多种,但没有一种是万能的方法,都很难在分割效率和分割精度上达到平衡.随着小波分析理论和人工神经丹络在图像处理中的广泛应用,基于小波与人工神经网络相结合的图像分割方法可以更快、更好的分割图像.     

煤堆图像分割与特征提取

基于煤堆图像分割存在重叠煤粒的边缘错综复杂、不易检测的问题,通过多种图像增强和边缘检测方法的效果对比,提出一种将对比度受限自适应直方图均衡法(CLAHE)和SUSAN边缘检测算法相结合的方法来检测煤堆图像中的煤粒边缘,并利用数学形态学和孔洞填充算法得到最佳种子区域,有效防止分水岭算法的过分割和欠分割现象,最后统计并分析煤粒分割区域10个特征参数的分布情况,包含了煤粒数量、大小、形状、颜色和纹理特征。研究结果表明:通过这些特征参数可以预测相关煤质信息,利于实现自动控制煤炭的分选。