基于视频的火灾监控关键技术研究

本文研究的主要内容是对火焰视频进行检测,寻找出火焰区域.设计上选用RGB色彩空间和HSV色彩空间对视频进行火焰区域检测,同时针对火焰颜色、形态以及动态特性给出了图像处理和识别的算法.通过多次实验证实本文结合RGB与HSV的思路对火焰检测有一个良好的效果.     

一种面向高分五号高光谱影像的云检测算法

云层覆盖影响高光谱影像的质量,降低了影像的应用价值,因此云检测已成为高光谱影像应用需首要解决的问题之一。本文针对GF5高光谱影像特点,提出视觉彩色特征和云物理光谱特征相结合的云检测算法。基于原始DN值影像,利用云的HSV色彩空间分布特征,结合云与典型地物的光谱特征差异,构建出云概率影像,动态设定云检测阈值,实现GF5高光谱影像的云检测。该算法整体云识别精度在90%以上,且算法执行快、自动化程度高,对不同地区、不同时间的GF5高光谱影像都有一定的适应性,便于工程化应用。     

基于像元递归的高光谱局部异常检测算法

阐述了基于传统RX算法(Reed-Xiaoli Detector,RXD)架构的高光谱实时局部异常检测算法研究方案.基于高光谱空间成像方式的特点,针对摆扫型成像光谱仪逐像元成像的机理,采用局部因果阵列窗,两次利用Woodbury矩阵求逆引理,实现高光谱目标的局部异常检测.首先,将经典的矩阵窗改进为滑动因果阵列窗;然后,对局部实时算子的因果阵列窗窗长的参数设定进行优化,选取四组数据进行测试对比,选取最优参数;最后,就检测结果灰度图、ROC曲线(Receiver Operating Characteristic Curve)、AUC数值(Area Under Curve)以及算法运行时间等四个方面,对局部异常检测算子与经典双窗算子、全局实时算子分别进行仿真实验比较.结果表明,虽然因果阵列窗窗长的参数优化使局部异常检测算子的计算复杂度有略微升高,但异常目标点的观测更加清晰,AUC值明显提高,具有更好的检测效果.     

基于HSV色彩空间的云模型车辆阴影检测

介绍和分析了云模型、运动目标初定位和HSV色彩空间等相关内容.提出了基于HSV色彩空间的云模型车辆阴影检测方法.在HSV空间下,于不同光照下在具有代表性的阴影区域采样,用正态云逆向发生器建立云模型,利用云模型进行阴影检测.和其他方法相比,实验结果证明了本文方法的有效性.     

基于改进的SIFT算法交通标志牌的检测与识别

提出了一种针对自然场景下的标志牌的检测和识别算法,首先对获取的视频进行帧提取,采用图像增强算法对图像进行预处理,进而转换到HSV颜色空间,利用其颜色和形状特征进行检测定位,再根据感兴趣区域的面积特征排除多余目标,最后根据改进的SIFT特征匹配算法,利用最近邻分类器算法进行识别,样本库选用的是自然场景下的道路交通中的数据,通过对比实验发现,该算法在保证检测率的同时大大提高了算法的实时性。     

基于背景抑制及顶点成分分析的高光谱异常小目标检测

高光谱图像异常小目标检测数据量大、信息提取困难.文中提出了一种不需要先验信息并且计算复杂度较低的快速检测算法——基于背景抑制及顶点成分分析（EVCA）的异常小目标检测.利用高光谱图像端元是单形体顶点这一特性,在抑制背景后的图像上提取目标端元,并结合光谱匹配技术完成目标检测.为了验证新方法的有效性,与不经过背景抑制的VCA算法及传统检测算法进行了比较.实验结果表明,该算法不需要先验信息,体现了较好的检测效果.     

基于软超球体的高维非线性数据异常点识别算法

在冶金、化工等流程型工业领域,生产中的过程控制参数往往具有高维非线性结构特征.为了解决这类高维复杂数据的异常点检测问题,本文引入了软超球体的概念,采用非线性核函数将原始数据映射到高维的特征空间,并在特征空间中确定软超球体的边界.通过检测待识别样本映射到特征空间的位置信息来判定过程参数的设定值是否为异常点,从而避免出现批量的产品质量问题.以某类汽车用钢为应用实例,对实际生产数据进行检测,证明了所提出的基于软超球体的异常点识别算法对于高维的非线性数据具有良好的检测能力.     

近红外高光谱大米典型特征提取分类识别

针对大米近红外高光谱特征轮廓不清导致有效信息损失与有损化品质检测的问题, 提出一种基于掩膜下能量泛函活动轮廓波的大米高光谱典型特征区域提取算法组合模型. 该方法对目标样本形态学区域与几何形心点进行高光谱谱段信息对比寻优建模, 对4个产地、3种品质大米进行泛化性可视判别. MATLAB实验结果表明, 对不同品质大米典型特征区域的光谱信息进行建模对比, 形态学感兴趣区域识别准确率更高, 泛化预测集精度为94.84%, 优化了近红外高光谱大米典型特征区域择优建模问题, 实现了大米快速无损化品质检测.     

基于HSV和MB_LBP特征的级联Adaboost车牌检测算法

车牌检测作为车牌识别系统中的重要环节,直接影响着车牌识别的准确度.为提高车牌的检测率和检测速度,提出了一种基于HSV颜色模型和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法.首先将车牌图像由RGB颜色空间转换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次对车牌字符样本提取MB_LBP特征,利用Adaboost分类器训练方法进行特征选择及分类器训练,最后利用Cascade结构检测法形成一种新的车牌检测算法.实验表明,本文算法有效的提高了车牌检测率和检测速度.     

基于角度分布的高维数据流异常点检测算法

为了有效检测高维数据流中的异常点,提出一种基于角度分布的高维数据流异常点检测(DSOD)算法.运用基于角度分布的方法准确识别高维数据集中的正常点、边界点以及异常点;构造了基于正常集、边界集的小规模数据流型计算集,以降低算法在空间以及时间上的开销;建立了正常集、边界集的更新机制,以解决大数据流的概念转移问题.在真实数据集上的实验结果表明,所提出的DSOD算法的效率高于Simple VOA算法与ABOD算法,并且适用于大数据流上的异常点检测.     

改进的阈值加权平均HSV与小波变换图像融合

为提高图像的空间分辨率、增加图像的细节信息,改善HSV融合和小波融合中存在的光谱失真、原SAR与ETM图像的纹理特征保持不良等现象.提出一种改进加权平均法的HSV与小波变换融合方法.将ETM图像转换到HSV彩色空间,得到亮度分量V.将高分辨率的SAR图像与该分量进行小波分解,得到高低频信息,将低频信息按照提出的改进的加权平均法进行融合,高频信息按照绝对值最大法进行融合,得到新的亮度分量,再通过HSV逆变换得到新的融合图像.实验采用3 m分辨率的Cosmo-Sky Med图像和30 m分辨率的Landsat8图像进行实验.研究结果表明:该融合方法能够提高图像空间分辨率,在地物细节和光谱特征方面保持良好.     

一种基于主动视觉的运动目标跟踪方法

提出一种基于尺度不变特征变换(SIFT)特征匹配的目标跟踪方法.首先使用SIFT提取目标特征,构建目标特征库,然后使用基于K维树的特征匹配算法,对实时序列图像提取的SIFT特征与特征库中目标进行精确匹配,实现目标检测与定位,根据定位信息自动控制摄像机转动,始终将目标锁定在图像视野中,实现实时跟踪.在真实的室内环境下进行目标跟踪实验,通过检验每一帧目标定位的正确性,计算目标检测的正确率.在本文实验条件下,正确率达到94%,而使用基于HSV色彩直方图的方法,目标检测的正确率小于80%,实验结果验证了该方法的有效性.     

背景不确定性对高光谱异常目标探测的影响

为研究背景不确定性对高光谱目标探测的影响,对比分析了不同背景复杂度高光谱图像的异常目标检测结果。为避免其他因素的干扰,对航空高光谱图像进行低通滤波处理,获得具有不同背景复杂度的高光谱系列图像,而后在图像中嵌入目标,得到背景不确定性不同而目标相同的系列高光谱图像。用异常检测算法对得到的图像进行目标检测,结果表明:(1)背景不确定性越低,异常目标被探测到的可能性越大;(2)混合像元的存在有利于降低目标的显著性,并使得探测结果的不确定性增加;(3)当空间分辨率的尺度大于2倍目标尺度时,即便背景不确定性很小,由于目标背景的光谱混合,目标检测结果也变得完全不确定。     

利用特征子空间评价与多分类器融合的高光谱图像分类

为应对高光谱图像分类中的特征高维度问题,提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性,通过自适应子空间分解产生多个特征子空间,进而训练生成子分类器;利用ReliefF-S算法,对各特征子空间进行评价并生成各子分类器的权重,最终通过加权表决融合实现分类决策.实验表明,所提方法可有效规避高维特征问题并提升分类性能.     

基于分阶段离群点检测的电力市场异常辨识

为了监管电力市场中存在的各类违规行为,保证市场的公平竞争,提出了一种基于分阶段离群点检测算法的电力市场异常行为辨识方法.梳理不同交易阶段异常行为的特征,提取相应的特征指标,采用主成分分析法对其进行降维,分阶段地进行异常行为的检测.同时利用平均距离改进局部离群因子算法,显著地提升了算法的检测效果.通过某地区电力市场提供的交易数据进行实验分析,实验结果表明,该方法能有效识别市场中的异常行为,为市场监管人员利用海量数据进行有效监管提供了新思路.     

一种改进Harris角点检测的目标跟踪方法

针对传统粒子滤波目标跟踪算法在目标被遮挡或背景色与目标相似情况下出现目标跟踪定位偏差大甚至丢失目标的缺陷,本文提出一种改进的Harris角点检测的目标跟踪方法.该方法首先提出一种改进Harris角点检测算法,利用双阈值法,选定1个大阈值和1个小阈值,从而极大的减少了角点数量,并利用SUSAN思想去除伪角点;然后依据HSV颜色模型对环境光照变化不敏锐的特点,对检测到的角点建立HSV颜色模型,以鼠标所选定的矩形中心,矩形宽度和矩形高度作为状态量,以HSV颜色直方图作为观测值,建立合适的粒子滤波算法数学模型,实现对目标的有效跟踪.实验结果表明:即使在目标与背景颜色相似或被遮挡的情况下,该算法仍然能够准确的跟踪目标,达到降低环境因素对目标跟踪影响的目的.     

基于数据场模型的多光谱图像边缘检测

数据场模型模拟了物理世界中力的相互作用,具有较好地描述数据分布、反映数据关系的优势.基于这一优势,提出了一种新的多光谱图像边缘检测算法.在特征空间,将多光谱图像像元看成是具有辐射能力的质点,利用数据场理论计算不同像元之间的相互作用,从而将多光谱图像从特征空间映射到数据场的势空间.多光谱图像的结构能够通过势场图解释,从而可以通过势场图获得多光谱图像的边缘图像.实验结果表明,基于数据场的边缘检测算法对多光谱遥感图像的检测具有显著的效果,能够正确识别地物边缘,有利于遥感图像地学分析的进一步处理.     

联合多视角互投影融合的三维目标检测方法

针对当前智能车辆目标检测时缺乏多传感器目标区域特征融合问题,提出了一种基于多模态信息融合的三维目标检测方法. 利用图像视图、激光雷达点云鸟瞰图作为输入,通过改进AVOD深度学习网络算法,对目标检测进行优化;加入多视角联合损失函数,防止网络图像分支退化. 提出图像与激光雷达点云双视角互投影融合方法,强化数据空间关联,进行特征融合. 实验结果表明,改进后的AVOD-MPF网络在保留AVOD网络对车辆目标检测优势的同时,提高了对小尺度目标的检测精度,实现了特征级和决策级融合的三维目标检测.      

高光谱影像化学气体检测算法研究

在研究高光谱影像目标检测常用算法的基础上,将约束能量最小化方法(CEM)、正交子空间投影(OSP)、广义似然比检验(GLRT)及自适应一致估计器(ACE)等算法应用到高光谱影像化学气体检测中。实验采用两组合成的高光谱影像数据,实验结果显示算法可行,且ACE算法取得最好的检测效果。     

基于特征融合的行人重识别算法

为解决实际行人重识别系统中识别率低、识别速度慢的问题,从创新和工程应用出发,提出了一种行人重识别算法。对行人图片进行预处理,采用色调、饱和度、亮度(hue,saturation,value,HSV)空间非线性量化的方法构建颜色命名空间,对人体分区域预识别来提高检测效率;对备选目标的整幅图像提取HSV和方向梯度直方图(histogram of oriented gradient,HOG)作为整体特征并在滑动窗口内提取颜色命名(color naming,CN)特征和2个尺度的尺度不变特征(scale invariant local pattern,SILTP),采用本文融合算法得到新的特征;在3个数据集上进行行人重识别,融合的特征在2种度量学习算法的Rank1平均提高了2.4%和3.3%。实验结果表明该算法能够提高重识别精度。