苹果水心病在众多苹果主产区都有发生, 现阶段没有合适的方法实现快速鉴别和分类。 为了探索苹果水心鉴别新方法, 采用近红外透射光谱与化学计量学方法结合非线性流形学习数据降维技术, 逐个采集好果与疑似水心病果样本590~1 250 nm的近红外透射光谱, 将经光谱校正后的原始光谱做多元散射校正（multivariate scattering correction, MSC）、 标准正态变量变换（standard normal variate transformation, SNVT）、 二阶求导（2nd derivative）、 一阶求导（1st derivative）、 归一化（normalization）、 卷积平滑法（savitzky-golay smoothing, SG）、 均值中心化（mean centering, MC）、 移动平均平滑（moving average, MA）、 直接差分二阶求导（direct differential second derivative, DDSD）以及直接差分一阶求导（direct differential first derivative, DDFD）等10余种光谱预处理; 先对预处理后的光谱数据建立全波长模式识别模型从而找出多元散射校正是最优预处理方法, 而后再分别用多维尺度分析（multidimensional scaling, MDS）、 分布邻域嵌入（stochastic neighbor embedding, SNE）、 对称分布邻域嵌入（symmetric stochastic neighbor embedding, SymSNE）、 t分布邻域嵌入（t-distributed stochastic neighbor embedding, t-SNE）、 拉普拉斯映射（laplacian eigenmaps, LE）、 等距特征映射（isomap）、 地标等距映射（landmark isomap）、 局部线性嵌入（locally linear embedding, LLE）、 扩散映射（diffusion maps, DM）等多种流形学习方法对经多元散射校正预处理后的光谱数据做降维处理, 并结合马氏距离判别（mahalanobis distance discrimination, MD）、 二次判别分析（quadratic discriminant analysis, QDA）、 贝叶斯判别（Bayesian discrimination, BD）、 K最近邻法（K nearest neighbor, KNN）识别其水心存在与否。 结果表明, 提取前12主成分, 采用多元散射校正-地标等距映射-K最近邻法（MSC-landmark isomap-KNN）模型识别效果最优, 校正集和预测集识别率分别为97.5%和96.3%。 故, 流形学习方法结合近红外透射光谱可成功、 高效地实现苹果水心鉴别, 为进一步研发水心鉴别设备提供新的理论指导。

卷积神经网络(CNN)的结构与参数决定了其在图像分类中的性能,针对深度网络结构复杂、参数量较大的问题,提出了一种基于稠密连接网络进化的CNN(D-ECNN)图像分类算法。该算法可对网络结构空间进行有效搜索,并基于有限的计算资源对深度网络结构与参数进行自适应优化。在车辆数据集上的分类实验结果表明,本算法的准确率可达到95%,相比视觉几何组(VGG16)算法,提升了约1%,且本算法的模型文件较小、速度更快。

针对卷积神经网络只能使用相同尺寸图像和卷积核的网络进行特征提取, 导致提取的特征不全面, 在交通标志识别中因车载摄像头与交通标志的位置不断变化影响交通标志的识别精度等问题, 提出了一种基于多尺度特征融合与极限学习机结合的交通标志识别方法。首先, 将预训练适应3种不同尺寸图像的网络模型作为实验的初始模型; 然后, 融合3个网络模型构建多尺度卷积神经网络, 将3个预训练网络的参数级联到融合模型的全连接层, 对融合模型的全连接层进行训练, 采用随机梯度下降算法更新网络参数; 最后, 将融合后的模型作为特征提取器提取特征, 把提取到的多尺度特征送入极限学习机, 实现交通标志识别。实验采用德国交通标志数据库(GTSRB)对算法性能进行测试, 实验结果显示, 多尺度特征融合与极限学习机结合的网络识别精度为99.23%, 识别速度为46 ms。相对于预训练的网络, 网络的分类精度分别提高了2.35%, 3.22%, 3.74%。多尺度特征融合能够有效提取交通标志图像的特征信息, 极限学习机可以提高分类精度和分类时间, 该方法能满足交通标志识别的准确性和实时性的要求。

针对基于模板匹配的目标跟踪算法在目标被遮挡时容易出现跟踪丢失的问题,提出一种改进的结合遮挡判断和Kalman预测器的模板匹配算法。首先使用三帧差分法提取运动目标并计算运动目标区域。然后针对目标是否被遮挡引入Bhattacharyya距离进行判断,当Bhattacharyya距离小于设定的阈值,表明目标没有被遮挡,则使用归一化互相关(NCC)匹配算法对目标进行稳定跟踪,反之则利用Kalman预测器对被遮挡目标的位置和大小进行预测。实验结果表明,所提算法在静态背景下、目标发生遮挡时的跟踪成功率达到71.43%,比单一NCC匹配算法提高了21.43个百分点。

在复杂场景中,阴影严重影响目标检测的准确度,传统目标检测方法易将运动阴影误检为运动目标。针对这一问题,提出了改进的拉普拉斯-高斯(log)算子与ViBe算法相结合的视频阴影消除算法。在log算子检测的基础上,采用二维数字滤波器进行滤波检测;将二维数字滤波器的系数矩阵旋转180°以创建卷积核;利用二维卷积对创建的卷积核与输入的图像矩阵进行卷积,实现对图像的边缘检测,最后利用改进的log算子提取外轮廓边缘和前景目标边缘,二者相减得到内部边缘,即消除阴影的运动目标边缘。实验结果表明,改进的算法可有效地消除阴影,同时提高了算法的鲁棒性。

ViBe算法由于便于实现、运算效率高等优点,在运动目标检测等领域获得了广泛应用,但其鬼影、阴影和运动目标不完整等不足也限制了ViBe算法的发展。针对ViBe算法在前景检测中的鬼影现象且长时间难以消除的问题,提出一种结合平均背景法改进的ViBe算法。首先采用改进的平均背景法获得真实背景,再对真实背景进行背景样本初始化;然后利用ViBe 算法实现前景检测、背景更新操作,从而消除后续帧检测时出现的鬼影;最后根据形态学相关知识来消除空洞以及干扰目标,使得目标更加完整。实验结果表明,与传统的ViBe算法相比,本文算法能够有效地消除鬼影,提高检测精度。

城市道路普遍存在机动车、非机动车、行人的人车混行路段, 车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标, 对检出目标中的车辆目标进行识别与筛选, 设置感兴趣区域, 在车辆目标经过感兴趣区域时计数, 并用核相关滤波器跟踪车辆, 避免车辆重复计数; 在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明, 该方法中车辆的检测、跟踪、计数结果良好, 可应用于混合交通中的车流量检测。

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

在实际交通环境中,所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响,这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型,该模型在传统AlexNet模型基础上,以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象,将所有卷积层的卷积核修改为3×3大小,为了预防和减少过拟合的出现在两个全连接层后加入dropout层,并且为了提高交通标志识别精度,在网络模型第5层后增加两层卷积层。实验结果表明,改进后AlexNet模型在交通标志识别方面具有一定的先进性和稳健性。

针对道路现场实时车流量检测问题,提出了一种改进的帧间差分法的运动车辆检测算法，并将该检测算法成功移植到了嵌入式系统上。将帧间差分法与采用长度、宽度、面积筛选轮廓及用质心距离的车辆跟踪算法结合，实现运动车辆的检测；将U-Boot引导程序、Linux内核、Yaffs2文件系统和检测算法移植到S3C6410上，通过摄像头实时采集交通视频，检测结果由触摸屏显示。复杂交通场景的实时测试结果表明,本系统的检测时间为0.298秒/帧，准确率超过88%，基本能够实现在道路现场的车流量实时检测。