改进深度可分离卷积的SSD车型识别

针对现有车辆识别方法对于车型实时识别能力不足的问题,提出一种改进的深度可分离卷积的SSD(single shot multibox detector)算法用于车型识别研究.首先,利用深度可分离卷积网络进行特征提取,并引入反残差模块来解决因通道数少、特征压缩导致的准确率下降问题.其次,以车辆的刚体特性为依据,重新设计区域候选框,减少模型参数运算量.最后,在BIT-Vehicle数据集上进行消融实验来对比不同网络模型性能差异.结果表明:改进的深度可分离卷积的SSD车型识别方法有更好的车型识别效果,可以达到96.12％的识别精度,检测速度提高至0.078 s/帧.     

基于机器视觉的车辆时空参数识别

车辆荷载信息是分析桥梁受力和性能评估的重要依据,其中车辆时空信息是准确识别车辆荷载的关键参数。考虑到传统在桥面埋设传感器的方法影响交通、破坏路面,提出了一种基于机器视觉技术的车辆荷载时空参数识别方法,包括车辆的横向定位、车速、车轴数、轴距的识别。基于正面拍摄视频,采用背景差分法来实现车辆检测,进一步通过车牌识别确定车辆在图像中的位置,然后根据车牌与车道线距离来实现车辆横向定位。基于侧面拍摄视频,采用图像标定方法,结合已知长度的辅助检测线来获取车辆的轴距、轴数、车速等车辆参数。通过试验室模型试验和现场试验验证了提出的方法。结果表明,现场试验中车辆横向定位和车速的最大误差分别为2.42%和2.67%,轴距的平均误差为1.63%,识别结果可以为更多其他车辆参数如轴重和总重的识别提供重要的技术支撑。     

采用稀疏SIFT特征的车型识别方法

针对实际应用中因图像清晰度低等因素导致的车型识别误差过大的问题,提出了一种基于稀疏尺度不变转换特征(sparse scale invariant feature transform,S-SIFT)的车型识别方法。该方法用背景建模方法检测交通视频运动目标,提取目标SIFT特征;通过L1约束计算出SIFT特征的稀疏编码,并用最大池化方法降低稀疏编码维度,在线性SVM分类器中完成车型分类,弥补了背景建模方法识别误差过大、不具备车型分类功能的缺陷。经G36高速公路实际应用表明:算法对车辆场景识别率可达98%以上,车型识别准确率可达89%以上,对低清晰度、不同视角、雨雪、遮挡等场景有很好的鲁棒性;图像平均处理时间不超过40ms,可满足系统对实时性的要求,在准确率和时间效率两方面均明显优于传统的SIFT方法和HOG方法。     

基于关键点的残差全连接网络动态手势识别方法

车载动态场景下,为了提高基于视频手势识别的准确率和鲁棒性,提出了一种基于关键点的残差全连接网络手势识别算法.对在不同车辆平台、不同运动条件下采集的不同光照强度的视频数据进行归一化等预处理后提取视频帧的关键点,以关键点个数为准则进行了关键帧选取以提高运算性能和降低算法复杂度,将从关键帧中所提取的关键点送入残差全连接网络实现连续手势的识别.在不同光线与车内环境下,所提算法对6类动态手势的平均识别准确率达到96.72%,相较3D卷积神经网络(C3D)、卷积神经网络(convolutional neural network,简称CNN)、长短时记忆网络(long short-term memory network,简称LSTM)和双流网络,其识别率分别提升了10.72%,6.40%,5.17%和4.50%.实验结果验证了所提算法在车载环境下连续手势识别的有效性.     

基于一维倒残差轻量级网络的无人机个体识别方法

在无人机的个体识别问题中，针对传统的识别方法存在网络模型参数量大和算法时效性差等问题，提出基于一维倒残差轻量级神经网络(1D-IRLNN)的无人机个体识别方法。首先提取反映无人机个体间差异的I/Q包络一维特征作为无人机的浅层特征；其次将深度可分离卷积与倒残差结构等设计思想和一维神经网络模型相结合，设计出跳跃级联的一维倒残差轻量级神经网络；最后利用网络模型提取一维I/Q包络数据中的深层特征，从而实现对无人机个体的快速准确识别。实验结果表明，1D-IRLNN模型的计算量分别是同等体量的深度模型1D-CNN与1D-ResNet的305%和238%，网络模型规模分别是深度模型1D-CNN与1D-ResNet的387%和297%，所提方法相较于其他方法，在保持较高识别准确率的同时具有更快的识别速度且占内存更小。     

基于三通道注意力网络的番茄叶部病害识别

对番茄病害进行识别,近年来一直是植物病害预防的研究热点。由于受到复杂背景干扰,番茄叶部病害识别准确率不高,针对这一问题,提出一种基于三通道注意力机制网络的番茄叶部病害识别方法。该网络基于ResNeXt50残差网络,将注意力模块嵌入至残差网络的ResNeXt模块中可以并行提取目标的通道特征和空间特征,获取有效的语义信息。训练阶段通过设计双损失函数和数据增强进一步提升分类准确度,并通过迁移学习网络预训练参数的方式提高网络训练效率。实验结果表明,使用双损失函数和数据增强后,基于三通道注意力网络的番茄病害识别算法在测试集上的平均识别准确率达98.4%,相比于传统机器学习方法和其他神经网络方法的准确率更高,检测速度满足实时性,Kappa系数为0.96,满足叶部病害识别的高精度要求。该方法能够有效地对10种番茄叶部病害进行识别,为植物病害识别提供了一种新的思路。     

基于视频图像检测的高速公路车型分道行驶监测系统

为解决交通监管部门对于高速公路客货混流问题监管效率低效果差的问题,通过视频图像检测法对高速公路进行研究和应用,构建了基于机器学习和计算机视觉的视频图像检测模式,以提高视频检测的稳定性和准确率,提出了基于尺度不变特征变换(scale invariant feature transformation,SIFT)池化的车辆特征提取模型,摒除传统视频背景建模稳定性和准确率不高的缺陷,获取车辆车型特征数据和分道行驶参数,经过试点样本训练后,实验结果表明:车型识别的准确率高达95％以上,车辆分道检测的准确率达到90％左右.     

基于多尺度跃层卷积神经网络的精细车型识别

为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。     

可解释时空卷积网络的微表情识别应用

面部微表情具有持续时间短、强度低等特点,因此微表情识别的准确率较低,且当前提出的基于深度学习的微表情识别方法难以理解网络模型的决策原因,以至于难以应用于实际.针对该问题提出一种基于残差单元的可解释时空卷积网络用于微表情识别的方法,该方法通过使用时空卷积网络,将微表情视频帧序列作为输入,并解释网络模型参数与特征,在实现模型可解释性的同时,提高了微表情识别的准确率.在CASME2、SMIC和SAMM数据集上对提出方法进行验证,实验结果表明,本文方法优于目前大部分基于深度学习的微表情识别方法.     

基于压缩域新时空特征的视频动作识别

针对基于压缩域视频动作识别中精度偏低等问题,提出了一种压缩域视频动作识别新方法.主要思路是在提取压缩码流信息阶段,利用压缩视频的运动矢量和残差构造新时空特征.新时空特征不仅具有运动矢量和残差的时空关系,更兼备物体边缘清晰的特点.通过在动作识别主流数据集(HMDB-51、UCF-101)的验证,此方法计算开销相比基于传统...     

用于车辆分类的多传感器车型特征融合算法

为避免单一地磁传感器进行车型识别时存在的误差,结合自主研发的地磁传感器网络,提出一种基于多传感器的车型特征融合算法.该算法通过计算传感器网络内不同车型特征信号的相关关系来确定车辆运行状态,并利用最大似然法则结合皮尔逊相关系数进行数据融合,以获取更加准确的车辆特征信号,为现有车型分类方法提供更加准确的输入参数.实际道路试验表明,与现有单节点分类算法相比,文中算法对中大型车辆的分类准确率可以提高17.5%.     

融合注意力机制的淡水鱼类识别方法

针对多数淡水鱼类识别方法特征的提取进程复杂,在自然外部场景下很难进行高效识别问题,构造了残差模型及注意力机制相融合的ResNet50-SE-Fish网络对不同发育程度的8种淡水鱼类进行识别,并测试构造的网络识别性能.研究在原残差块内添加SE模块,增加所关注特征数据权重,减小外部场景噪声以及背景无关特征数据权重,并使用迁移学习来对不同发育程度幼鱼、成鱼特征数据进行识别.通过Grad-CAM方法对ResNet50-SE-Fish网络每个残差块提到的淡水鱼类特征数据可视化以解释注意力表示作用,并与7种常用网络所提到的热力图比较,以评估网络对淡水鱼类特征数据提取能力.结果表明,ResNet50-SE-Fish网络对不同发育程度淡水鱼类有很高的识别精度,验证时准确率高达95.53%,测试时准确率达90.16%,相较于AlexNet、VGG16、ResNet18、GoogleNet、VGG19、ResNet34、ResNet50,测试时准确率依次增大14.93%、6.32%、2.51%、3.55%、3.69%、2.14%、1.73%,注意力机制利用调节通道关注程度能够提高模型淡水鱼类特征的提取效果...     

一种基于双流网络的行为识别方法

针对视频行为识别任务,提出一种基于双流网络的行为识别方法.首先,该网络采用稀疏采样的策略,避免相邻帧的冗余信息对识别效果产生影响;其次,利用卷积神经网络预测光流图,提高光流图的获取效率,并降低计算量;最后,使用残差网络提取完成的视频信息,同时简化神经网络的训练过程.为验证双流行为识别网络的有效性,在两个经典数据集上进行对比实验,实验结果表明,该双流行为识别网络识别效果较好,可应用于智能视频监控、人机交互、公共安全等领域.     

参考中性表情的人脸表情识别

为充分利用视频中人脸表情与中性表情的差异,提出了一种新的对非特定人脸的表情识别方法.该方法针对低复杂度的视频表情识别应用场景,利用参考中性表情的特征点偏移角表征被测表情的变化信息,同时利用二维主成分分析(2DPCA)法提取被测表情帧的二维主成分特征,从而综合使用表情的动态和静态特征,并使用支持向量机分类器进行表情分类识别.在JAFFE人脸表情库上的实验结果表明,相对于仅使用2DPCA的静态图像表情识别方法,文中所提方法的人脸表情识别准确率平均提高7%.     

基于Relief算法的智能车辆牌照模糊识别方法

由于当前已有方法未能对车牌照进行降维处理,导致车牌照识别结果不准确,为此,提出一种基于Relief算法的智能车辆牌照模糊识别方法。采用Relief算法计算不同车牌图像特征的权重系数,对特征集进行降维处理。通过序列视频图像对智能车牌进行增强处理,利用全卷积网络对车牌照显著区域进行检测,粗略提取图像中的显著区域,使用滑动窗方法对候选区域车牌进行精准检测,定位车牌准确位置,加入字符的上下文信息,对字符进行精确检测和识别,最终实现智能车辆牌照模糊识别。仿真实验结果表明,所提方法可获取高精度的车牌照识别结果。     

基于深度残差网络的车标识别

针对车标识别准确率的问题, 提出一种基于ResNet-18模型改进残差网络的车标识别算法. 首先, 利用残差网络并对其进行改进, 使用改进的线性修正单元Leaky ReLU激活函数代替原激活函数; 其次, 调整传统的残差网络结构, 将批量标准化和激活函数放在卷积层前, 并减少网络参数以加速网络训练. 实验结果表明, 改进后的残差网络模型识别准确率达99.8%.     

基于显著性区域的红外行为识别

视频特征的提取是行为识别方法中一个关键步骤,当视频场景中存在无关行人或者背景干扰时,提取的特征往往会包含较多的干扰信息,这将严重影响分类器的分类效果,进而影响行为识别准确率。针对这类问题,提出了一种基于显著性区域的红外行为识别方法。该方法对视频序列提取光流运动历史图(optical flow motion history image, OF-MHI)特征,获取视频序列的运动信息,此步骤旨在消除图像背景及静止目标干扰。利用类别激活映射(class activation map, CAM)方法进一步消除运动目标干扰,获得兴趣目标显著性区域,进而获得显著性区域特征图。输入卷积神经网络(convolutional neural network, CNN)提取最终特征,并采用支持向量机(support vector machine, SVM)获得识别结果。与传统方法相比,实验结果表明,该方法有效地提升了识别准确率。     

基于改进Faster R-CNN的无人机视频车辆自动检测

为了从广域视角准确提取道路交通信息,提出了一种用于无人机视频车辆自动识别的改进Faster R-CNN模型.该模型以基于ZF网络的Faster R-CNN为原型,优化调整学习策略、训练图像尺寸、学习率等模型参数,调整RPN网络卷积核并引入SoftNMS算法,增加1～3个特征提取卷积层和激活层.基于无人机交通视频构建了训练图像集,对现有Faster R-CNN模型及改进模型进行训练和测试.结果显示,与采用Step学习策略的模型相比,采用学习策略Inv的模型车辆识别平均准确率提高了0.4%～9.4%.引入SoftNMS算法的模型比引入前的模型平均准确率提高了0.1%～7.9%.提出的改进模型平均准确率为94.6%,较基于ZF的Faster R-CNN模型、基于VGGM的Faster R-CNN模型和基于VGG16的Faster R-CNN模型分别提高了13.1%、13.1%和4.1%,且训练时间减少约3%,对多种场景的视频车辆检测具有较好的适用性.     

一种基于属性贝叶斯网络的行为识别模型

针对传统行为识别方法仅利用底层特征识别的不足,提出了一种将动作属性与贝叶斯网络相结合的行为识别方法.首先,提取视频中的时空兴趣点及其3D-SIFT特征描述符,用词袋的方法建立时空词典对视频序列进行表示;然后,利用底层特征训练属性分类器,构造由底层特征到高层特征的映射,将底层特征样本经过属性分类器后得到行为—属性的样本信息,并采用MAP(最大后验概率)准则学习贝叶斯网络结构,从而建立一种基于属性贝叶斯网络的行为识别模型.实验结果表明该模型能有效地进行行为识别.     

基于地磁传感器的车辆检测算法*

地磁传感器是一种利用地磁变化来检测车辆的新型设备。通过分析大量地磁数据,提出一种基于波形峰谷值特征的车辆检测算法。该算法可以自动跟踪基线值并提取车辆信号特征。实际道路检测试验数据表明该算法简单有效,准确率可达98.5%以上。该系统可以应用于道路车流量检测,平均车速统计等,将在智能交通领域发挥重要作用。