针对图像拼接过程中传统算法存在特征点匹配正确率低和图像融合过程中出现重影、色差及拼接缝隙等问题,提出一种融合改进SURF(Speeded Up Robust Feature)和Cell加速的幂函数加权图像拼接方法。首先利用余弦相似度初步判断特征点的相似性,然后结合双向一致性算法和MSAC算法对粗匹配点进行精匹配,最后使用Cell加速的幂函数权重对图像进行融合,从而完成图像拼接。实验结果表明,相比于其他算法,所提算法的特征点匹配正确率高出约为11个百分点,均方误差缩小约为1.32%~1.48%,信息熵提升约为0.98%~1.70%,拼接总时间消耗减少约为2 s。所提算法在匹配正确率和融合效果上有较好的效果,且同时拥有较好的拼接图像质量,具有更好的普适性。

提出一种融合RGB、YCbCr和区域生长的火焰前景提取算法。首先,在YCbCr算法的基础上,从反光和非反光区域考虑R通道和Y通道之间的关系,避免反光和非反光区域中过多噪声对初始分割的干扰;然后,计算连通区域质心权重,自动确定种子点,对完成颜色分割的图像进行区域生长,达到精细分割的目的;最后,全面分析火焰的静态和动态特征,给出面积和周长变异系数及质心运动距离变化比等,进而将火焰与路灯、蜡烛等干扰源区分开。实验结果表明:所提方法克服了单个算法对火焰场景分析中出现的识别精度不高的缺点,同时能识别出反光和非反光区域并快速排除干扰物,减少误判。

提出了一种基于深度学习的车位智能检测方法。利用TensorFlow深度学习平台对车辆目标识别模型进行了训练,提取了有效车辆图像的优化间隔,给出了车辆分布的精准识别结果,实现了对车辆分布识别结果的有序编号和车位空缺状况的准确判断。利用模拟数据和实际采集数据,分别验证了车位分布的智能识别、车位智能编号和空车位判断的可靠性。