基于自适应性的车牌定位新方法

图像中汽车牌照定位的准确与否,直接关系到自动车牌识别系统的整体性能.考虑由于时间和气候光照特性不同造成车牌图片清晰度的明显差异,提出一种新的自适应动态阈值车牌定位的算法.该方法首先分析图像的清晰度,将图像的白点数固定在一个与差分均值成正比的比例值内.然后,去除离散噪声.针对车牌区域的行和列有不同的特征,用不同的方法进行车牌横向和纵向区域的精确定位,最终找到目标车牌区域.实验显示,该方法对车牌定位的准确率达到98.7%.     

一种融合深度特征图和形态学的车牌定位方法

车牌定位是车牌识别的关键步骤。针对传统车牌定位方法鲁棒性差、定位时间长等问题,提出了一种融合深度特征图和形态学的车牌定位方法。该方法首先利用深度结构构建深度特征图产生框架,提取纹理特征丰富的车牌图像特征图,接着将车牌特征图缩放到原始车牌图像的尺寸,并对缩放后的图像进行Sobel运算,增强车牌的边缘特征,最后利用形态学中的闭操作,对二值化后的图像进行先膨胀后腐蚀的形态学运算,连通整个车牌图块,完成车牌定位。试验结果表明,该方法对包含纹理鲜明的背景条形图块、车身和车牌颜色相似的干扰图像具有更好的鲁棒性,提高了定位速度。     

融合高级与低级视觉特征的农业图像显著性区域预测方法研究

【目的】构建融合高级与低级视觉特征的农业图像(果实、农作物及畜禽目标)显著性区域预测算法,为农作物生长状态的监测、动物的体况评估提供支持。【方法】提出一种整合高级和低级视觉特征的农业图像显著性区域预测深度学习框架及其预训练方案。在MSRA10k数据集上按照6∶2∶2的比例进行训练、验证和测试,并采用F-Measure作为评价指标,在6种公共数据集(SOD、ASD、SED2、ECSSD、HKU-IS和THUR)及农业图像典型数据集上,将预测算法与4种显著性预测算法(MWS、IMS、FSN、P-Net)进行对比。【结果】所建立的预测算法在6种公共数据集上的平均F-Measure分数最高,为0.823,平均MAE分数最低,为0.099,显著性可视化结果边界完整,与人工标记的基准图像更接近。在农业图像典型数据集上的平均F-Measure为0.826,表明该算法可有效应对复杂农业场景的干扰,实现更为准确的目标轮廓信息提取。【结论】融合高级与低级视觉特征的图像显著性区域预测算法,可以实现对复杂农业场景下农作物及畜禽图像显著性区域的快速、准确预测。     

基于地形匹配的图像烟火定位方法研究

目的视频监控是林火监测的主要手段,利用数字云台获取方位角、俯仰角等参数来计算林火位置是目前林火定位的主要方式,而林火定位中常用的方法主要有单点定位、双点定位和多点定位3种方法。目前已有许多研究根据光线跟踪算法,依靠视频图像与三维地形的对应关系实现了三维场景的增强表达,为基于视频图像的定位提供了新的途径。当前,林区普遍通过建立视频监控、数字云台、GIS技术三者紧密结合的软、硬件联动系统进行森林火灾的监测、决策和扑救。本文将视频图像与虚拟地形匹配原理,应用于基于GIS的林火视频监控系统,提出基于图像的林火定位方法,并对定位精度进行分析评估。方法利用地形匹配原理建立林火实景图像与DEM之间的坐标映射关系,针对图像烟火区域选定像元,生成在DEM中对应的区域,并计算和分析该区域中心点的坐标、欧氏距离、方位角、俯仰角以及该区域的形状、可视性、面积、跨沟谷数等特征信息,提出定位区域精度信息分析与评估流程。该流程根据分析结果将定位区域分为可定位区与不可定位区,同时提供详细的烟火位置信息。结果选择北京九龙山自然保护区作为研究区域,对提出的定位方法进行了初步验证,结果表明该方法能提供准确定位精度信息,有助于快速找到火源,实现快速扑救。结论本文基于地形图像匹配的林火定位方法,充分利用了虚拟地形与视频图像的特征匹配关系,为林火快速扑救提供丰富的位置信息。该方法的定位精度只与图像分辨率及虚拟地形与实景图像匹配精度有关,避免了传统云台定位受硬件性能指标的限制;同时该方法也适用于手机等移动设备所拍摄的图像,只需获知拍摄点坐标,就可以实现对所采集图像上目标的定位,对于基于图像的定位分析具有重要意义。      

一种字符识别算法在自动识别系统中的应用

光学字符识别是模式识别领域中最经典也是得到最广泛应用的方向之一,而车牌识别系统是应用光学字符识别技术的典型系统。文章基于车牌识别系统的开发,提出一种基于二值图像的字符识别算法。在该算法中,提取字符的点阵特征、特征线和网格特征,分类器采用神经网络。为充分利用各组特征向量的互补作用,采取层次结构来获得系统的最佳性能。在车牌号图片库中测试其算法。实验表明,算法非常有效。     

基于深度学习的苹果树侧视图果实识别

【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。     

车牌自动识别中的字符特征提取方法

根据车牌实际特征即车牌汉字为50个汉字中的一个且字体一致的特点,对汉字进行了统计特征分析,提出了适用于神经网络字符识别系统的汉字特征提取和复合特征分类方法。识别准确率和效率相对于其他特征提取方法有很大提高。     

基于SSD多模态多尺度特征融合的行人检测算法

针对行人检测算法在复杂光照场景以及多尺度情况下检测效果较差的问题,提出了一种基于SSD多模态多尺度特征融合的行人检测算法CMMSNet.该算法使用ResNet作为SSD算法的主干特征提取网络,分别提取可见光图像和红外图像两种模态的特征,在多尺度的特征层上使用注意力机制对两种模态的特征进行加权融合,使用多尺度特征融合层进...     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

高光谱图像与卷积神经网络相结合的油桃轻微损伤检测

[目的]油桃表面轻微损伤的快速检测对提高油桃的品质及市场竞争力具有重要作用。[方法]本研究以"中油四号"油桃为研究对象,提出了基于高光谱图像与卷积神经网络相结合的油桃分块损伤区域检测算法。针对原始图像存在的复杂背景及油桃自身颜色特征,采用基于颜色特征的图像分割算法实现油桃与复杂背景的分离。针对损伤部位占比较小的特点,采用分块算法将原始图像分成64×64的块,并为每个分块制作标签(正常、损伤、背景区域),分块数据与其对应标签共同构成试验数据集。构建卷积神经网络模型,将数据输入该模型进行识别。[结果]油桃损伤区域识别率为88.2%。[结论]基于高光谱图像与卷积神经网络相结合的方法可以较准确地实现油桃表面轻微损伤的检测。     

基于改进非局部均值滤波的低照度下车牌去噪算法

低照度下车牌图像可见度低且含高斯噪音,以传统非局部均值算法处理时,容易丢失图像边缘信息。提出了一种基于改进非局部均值的低照度下车牌去噪算法,以标准化欧氏距离代替简单欧氏距离度量块相似性,同时引入Shen-Castan边缘检测器对车牌边缘部分分离去噪。实验结果表明:提出的算法相较于传统去噪算法,处理结果有更好的信噪比值,且结构相似性值更接近1,说明该去噪算法有更好的去噪效果,同时也能保护边缘信息的完整性。     

基于预碰撞区域的切入场景自动化识别算法研究

典型场景的边界需要从实际道路中发生的原始场景数据中提取,但人工场景标注方法效率低、成本高.因此,研究真实道路中自动驾驶场景的获取对自动驾驶汽车的测试具有重要意义,而切入场景是典型的危险场景.本研究基于一辆搭载L2级自动驾驶系统的车辆,改装多源异构传感器的场景采集系统,比较了类驾驶员与自动驾驶系统在速度保持和车道居中行驶的能力.提出了基于预碰撞区域的切入场景自动识别算法,并基于SCANeR软件构建了识别算法评估测试平台,设计了大量测试用例生成程序对算法进行仿真测试.在试验场进行了11组实车切入场景测试,对识别算法进行了评价,并将仿真结果与实际试验结果进行了比较.     

基于光度值比例关系的HDR鬼影消除算法

多曝光融合是高动态范围(HDR)图像常用的合成方法,然而当场景中包含移动的物体,生成的HDR图像的移动物体区域中会出现严重的鬼影(Ghost)效应。提出了一种基于光度值比例关系的鬼影消除算法,在动态场景中检测出移动物体的区域。新方法充分利用了亮度和曝光时间之间的线性比例关系,改进了前人光度值顺序关系法鬼影消除方法的缺陷,更有效地检测到鬼影。新方法实现较容易,而且不同动态场景的实验结果验证了该方法合成的HDR图像具有较高的质量。     

改进YOLOv5s的无人机鼠洞目标检测

[目的]针对自然场景下无人机拍摄的图像中鼠洞目标占比小,与地物高度融合且容易受阴影等各类因素影响,导致误识别率高的情况,需要对目标检测算法进行改进,以提高鼠洞定位精度。[方法]以YOLOv5s为基础算法进行优化改进,在Backbone主干网络的C3模块融合轻量ECA注意力机制模块,从通道方面更好关注特征信息,降低漏检率;在特征金字塔FPN中引入转置卷积学习最佳上采样方法,恢复卷积运算中丢失的有用信息;用SIoU替换CIoU损失函数来有效减少冗余框,同时加快预测框的收敛和回归。其次,做消融实验来验证3种改进策略的有效性并对比模型改进前后在不同场景下的识别情况。[结果]改进的YOLOv5s比原始模型的P、R和mAP分别提高了3.3%、3.7%和3.5%,FPS达到了56.7,且在特殊场景下无漏检、错检的情况,可以保证鼠洞检测的准确性和实时性。对比其它算法在平均检测精度、体积和速度上都较有优势。[结论]本文改进的算法能满足在复杂场景下的鼠洞检测,实现精确定位,为鼠害监测提供鼠洞检测方面的支撑。     

基于改进Bernsen 二值化算法的 植物病害叶片病斑检测

针对大区域田间复杂背景下植物病害远程识别中的叶片病斑检测难问题,提出一种基于改进Bernsen二值化算法的植物病害远程检测方法。通过物联网采集不同区域的植物叶片图像,根据在RGB和HIS颜色空间中叶片病斑与正常叶片和背景的色调差异的特点,利用改进Bernsen二值化算法分别在图像的R、G、B、H 4个颜色通道上提取病斑,然后进行病斑图像融合,得到病斑图像。采用该方法对多幅物联网视频植物病害叶片图像进行病斑分割。实验结果表明,该算法在复杂背景环境下能够有效分割植物病斑图像,去除大量复杂背景,得到病斑图像。该方法能够为大区域植物病害远程智能监控系统提供技术指导。     

极寒环境的输电线路机器人巡检关键技术研究

国内高压输电线路机器人巡检存在运行环境复杂、传感器信息量大且多样和越障效率低等问题。本文以极寒条件下500 kV输电线路典型障碍物为研究对象,提出一种利用图像处理技术预处理提取目标特征,机器学习SVM分类决策算法分类,再与结构约束结合从而可以高效准确地识别高压输电线路障碍物,并通过准确性和有效性验证。结果表明,该算法可以准确地识别定位防震锤等障碍物,对我国高压输电线路智能机器人巡检技术的发展提供了参考和借鉴。     

基于WSN的森林火灾预警系统设计

针对目前森林火灾监测系统存在的缺陷,提出了利用无线传感器网络技术进行火灾监测的方法。通过对监控区域温度、烟雾等环境数据的实时监测,利用无线传感器节点自组织的方式传送到监控终端,实现区域监控。该系统可实现对森林火灾预警和火灾现场的实时定位,对森林火灾实现有效监控。同时,提出了一种基于测距的CDPE算法。该算法可以较好地满足森林火灾监测中实时性高、定位错误率低的特点。     

基于旋跳自漂移修正的WSN网络信号源定位算法

为解决移动无线传感网在部署过程中存在信号源定位困难、数据链路防抖动性能差及信号上传带宽受限等难题,提出了一种基于旋跳自漂移修正机制的超高速移动WSN网络信号源定位算法.首先,考虑到区域内锚节点具有的信号源稳定特性,依据信号强度和跳数的逆向关系,构建信号强度-节点跳数强度搜寻方法,实现了信号源的定位,并从中选取性能最佳的区域节点;随后,基于移动无线传感网节点在高速移动过程中存在的频率漂移,计算锚节点跳数漂移误差,通过修正锚节点间物理差的方式来提高节点的覆盖能力,降低区域节点对区域外信号源的频率干涉覆盖现象,从而提升信号上传带宽;最后,考虑到sink节点具有的中央控制特性,通过sink节点控制来建立锚节点粒子群移动模型,使用周期递归的方式消除移动过程中锚节点移动性过高带来的频率及坐标抖动难题,进一步降低了信号源定位过程中的误差.仿真实验表明,在复杂网络条件下,与当前移动WSN网络定位中常用的超混沌偏移修正定位算法、螺旋递归自适应定位算法和逐次跌跳收敛定位算法相比,本文算法具有更高的定位精度与信号上传带宽性能,且相应的定位误差更低.     

基于AdaBoost改进算法的农作物病虫害预测模型研究

提出了一种基于改进的Boosting算法的病虫害预测新模型。针对当前全球气候变化异常造成传统的病虫害预测的模型预测的准确率不高,根据气象因子定位可疑虫灾区域,对可疑病虫害区域提取突发病虫害的特征值,以消除气候规则变化带来的干扰。结果表明:与传统的预测模型相比,该模型具有较低的误报率和漏报率,并提高了预测模型的学习效率。     

车辆牌照自动识别的原理和实现

车辆牌照自动识别是智能交通系统(ITS)的重要组成部分，在交通、治安、管理等方面有着广泛的应用。在车牌的自动识别系统中，因自然因素或采样因素使得原本规则的印刷体字符产生畸变，给字符识别带来了很大困难。我们研究的这套系统着重于应用，使用简洁、快速的定位、二值化、分割和识别算法，在字符提取的基础上，采用BP神经网络进行分类，该算法简便，识别率高，可适用于多种高噪声环境中的印刷体字符识别，在现场应用中取得了良好的结果。