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QR(Quick Response)码在光照变化、污染、破损等情况下识别率低的问题,提出一种多块局部二值模式(MB-LBP)结合改进灰狼优化算法(GWO)优化支持向量机(SVM)的QR码识别算法。首先采用提升小波变换分离出图像的高低频分量,将二级低频和水平高频分量分成互不重叠的子块,分别提取每个子块的MB-LBP特征并融合;然后运用主成分分析(PCA)对样本集进行特征降维;最后采用SVM算法对QR码数据建立分类模型。为进一步提高分类精度,在标准GWO基础上引入基于对数函数的非线性收敛因子提升其寻优性能,并使用改进GWO优化SVM模型。实验根据不同高低频结合方式、SVM优化算法对识别性能进行了测试,结果表明本文方法在识别速度和分类精度方面都有明显提升,具有良好的稳健性。

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。

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。