肿瘤是一种严重威胁我国居民生命健康的重大疾病。现有的肿瘤诊断方式存在诊断时间长、创伤严重和误判率高等问题,且严重依赖于医生的主观经验。因此,研究出具有智能属性的肿瘤诊断技术对于提升我国的肿瘤诊断水平具有重要意义。拉曼光谱技术是一种无需标记的光学技术,在肿瘤的良恶性判别、肿瘤的亚型分类、切片病理诊断、原位近实时成像等方面被广泛应用。此外,人们将拉曼光谱与人工智能结合发展了具有智能属性的诊断方式。本文主要综述了近三年拉曼光谱技术在各种类型肿瘤诊断上的研究进展,主要从常规拉曼光谱诊断、拉曼成像诊断与探头结合光谱诊断三方面展开介绍,并对拉曼光谱技术在肿瘤诊断中的应用前景进行了展望。

在图像大数据应用背景下,伴随着硬件技术的高速发展,基于深度学习的图像视频编码技术逐渐成熟。基于端到端学习的压缩框架因能更高效地对原始图像数据进行紧致表达,在学术界和工业界都得到了广泛的关注。系统地总结了基于端到端学习的图像压缩框架中的核心模块如变换、量化、熵编码和损失函数的研究现状,对其研究进展和关键技术进行了概括性的介绍,并对前沿研究成果进行了性能比较。

随着图像获取与传输便利性的不断提高以及图像编辑工具的快速普及,使得恶意用户能够容易拍摄、传播、编辑和修改数字图像,进而达到实施恶意行为或犯罪的目的,则数字图像或视频将成为侦查取证与司法诉讼的关键证据。由图像传感器制造工艺的缺陷和硅晶片的不均匀性引起的光照响应不一致性(PRNU)对于每个相机来说,具有唯一性和稳定性,因此可以将其作为图像来源取证的有效设备指纹。首先对包括设备指纹技术在内的数字图像取证技术进行整体性的回顾,并介绍设备指纹的主要应用情景;然后介绍图像中设备指纹提取的基本技术原理,对设备指纹的提取技术发展情况进行综述;最后对设备指纹提取技术亟待解决的问题与技术发展趋势进行探讨。

采用压缩感知太赫兹数字全息技术进行连续场景的三维重建,其中,影响重建结果的控制参数主要有迭代次数和稀疏限制参数。首先,仿真重建了三个层面的连续场景与分立场景全息图,并进行了对比分析。其次,改变迭代次数,给出重建结果随稀疏限制参数的变化曲线,找到本次实验的最佳控制参数。仿真结果表明,当重建平面数目为4,迭代次数为300次,稀疏限制参数为不大于0.02时,重建图像的质量较好。

提出一种基于Kanade-Lucas-Tomasi算法的目标检测与追踪技术,用于放疗场景下实时追踪人体的呼吸运动。实验采用运动参数可调的仿真人体模型实现对人体不同呼吸状态的模拟,同时用摄像头采集运动过程的图像信息。对采集后的图像进行边缘检测和边缘增强等一系列图像预处理后,手动标记图像第一帧的感兴趣区域,通过追踪算法实现对其余帧图像感兴趣区域的自动追踪。经实验结果验证,该算法可以精准地实现对人体体表在不同呼吸状态下的实时追踪,实际归一化后的位移误差小于0.03,该算法能够应用于临床上的呼吸运动检测,利用获取的图像信息及参数指导精准放疗。

针对暗通道先验在天空区域的失效问题,提出了一种基于亮度模型融合的改进暗通道先验图像去雾算法。首先通过Canny算子分割得到天空区域与非天空区域;其次,利用亮度模拟景深,重构亮度透射率,并通过与暗通道透射率的融合构成天空区域透射率,最后的透射率图经由快速引导滤波进行精细化处理;大气光值选择抗干扰能力更强的天空区域中像素强度值前0.1%的像素中值;最后,经由大气散射模型恢复出无雾图像。实验结果表明,该算法针对含雾图像能够有效地恢复出图像的细节并抑制光晕现象,明亮度适宜,颜色自然。

针对现有方法对肝部医学影像分割上的不足,提出了一种用于对肝部医学影像进行分割的改进型U-Net结构。在上采样过程中只复制池化层特征,以减少信息丢失;同时引入残差网络对初步分割图像进行循环精炼,实现高层特征与低层特征的融合;利用对边界敏感的新型混合损失函数对图像进行细化处理,得到更为精确的分割结果。实验结果表明,肝脏图像和肝脏肿瘤图像的Dice系数分别为96.26%和83.32%。相比传统的U-Net,所提网络可以获得更高级的语义信息,进一步提高对肝脏和肝肿瘤图像的分割精度。

针对深度学习算法在脑肿瘤分割中存在标记数据不足的问题,提出了一种基于条件生成对抗网络(CGAN)的低级别胶质瘤(LGG)磁共振(MR)图像自动分割方法。首先,使用原始数据集训练CGAN并生成LGG图像以扩充原始数据集;然后,利用生成图像预训练分割网络;最后,在预训练模型的基础上训练分割模型。实验结果表明,相比常规数据扩充方法,本方法的Dice系数提高了4.39%,Jaccard指数提高了4.42%,为基于MR图像的LGG分割计算机铺助诊断系统提供了参考。

针对光热光学相干层析(PT-OCT)三维图像中有不同类型的散斑噪声,采用改进的旋转核算法对其进行抑制。首先对PT-OCT图像进行小波分解,获得4个不同频带的子图像;然后利用最大类间方差算法分离低频近似子图像的前景和背景,并对其进行分段增强,使用改进的RKT算法分别对水平、垂直和对角三个方向的高频细节图像进行滤波;最后对增强处理后的低频近似图像与三个旋转核滤波后的高频细节图像进行线性增强,再对其进行重构,得到去噪后的图像。所提算法对于大脑等复杂组织的血管造影截面图像和在不同深度的切片层析图像,能够有效降低PT-OCT图像血管间的散斑噪声,比经典的RKT算法的方均根误差平均降低27.16,平均峰值信噪比提高3.68dB,从而提高血管造影的质量。

针对传统Criminisi算法中优先权值很快趋于零,且修复时间较长等缺点,提出一种改进的基于信息熵和梯度因子的图像修复算法。首先,将图像信息熵与梯度因子拟合为权重因子,采用优化优先权的计算方式找到最优修复块;其次,利用可度量像素块复杂度的信息熵对匹配块的搜索区域进行调整,建立搜索区域的动态法则;然后,借助于梯度因子建立匹配块模板尺寸的自适应模型,完善最优匹配块搜索策略;最后,引入序贯相似性检测算法从源区域中选取最优匹配块,实现图像的修复。实验结果表明,与传统Criminisi算法相比,所提算法无论在客观方面还是在主观方面都获得了较满意的图像修复结果,修复效果更加真实,修复图像具有更好的视觉效果。

针对目前传统多聚焦图像融合中图像局部模糊不易度量, 融合策略难以设计等问题,提出一种新的相位拉伸核函数, 形成基于扩展相位拉伸变换的多聚焦图像融合算法。该算法将传统的线性或次线性群延迟相位滤波器推广到非线性群延迟相位滤波器,并从理论上证明,这种扩展相位拉伸变换的逆变换相位近似于原始图像的归一化二阶梯度, 将图像高频特征传统的梯度极值表达转换为角度或相位表达,利用角度/相位图像局部方差对清晰与模糊图像良好的区别特性设计出基于扩展相位拉伸变换局部相位方差度量的融合策略,克服了目前融合方法存在的不足。利用MATLAB软件平台对Lytro数据集中的相当数量多聚焦图像数据进行融合实验, 与传统基于离散小波变换、拉普拉斯、超分辨率、引导滤波和联合卷积自编码网络算法等融合算法结果进行对照分析。 结果表明, 本文算法的融合图像明显优于传统最好的融合算法, 融合图像的互信息、信息熵、空间频率、平均梯度及结构相似性等指标比现有的其他方法提高5%以上,证明了所提算法的优越性与实用性。

为了提高偏振去雾方法对大气光估计的准确度,提出一种基于大气光偏振层析的雾天图像重构方法。在偏振空间下,将大气光梯度先验信息作为约束条件,对原始雾天偏振图像进行分层,估计大气光偏振图像;然后从大气光偏振图像中解析大气光,实现对大气光的偏振层析;最后,结合所提雾天图像偏振重构模型,并在大气光图像中估计无穷远处大气光,实现对雾天图像的去雾重构。实验结果表明,所提方法提高了大气光估计的准确度,进而使重构图像更清晰、目标还原度更高,且适用于不同浓度下的雾天图像重构。

空对地环境下成像视角单一,且需要依靠深层网络提供强特征表达能力。针对深层网络存在的计算量大、收敛速度慢等问题,在稠密连接网络(DenseNet)框架下,提出了一种用通道差异化表示的目标检测网络模型。首先,用DenseNet作为特征提取网络,并用较少的参数加深网络,以提高网络对目标的提取能力;其次,引入通道注意力机制,使网络更关注特征层中的有效特征通道,重新调整特征图;最后,用空对地目标检测数据进行了对比实验。结果表明,改进模型的平均精度均值比基于视觉几何组(VGG16)的单步多框检测算法高3.44个百分点。

针对图像超分辨率重建过程中出现的边缘细节模糊、图像特征丢失的问题,提出基于密集连接的生成对抗网络图像超分辨率重建算法。该算法由生成网络和判别网络组成,在生成网络结构中,将原始低分辨率图像作为网络的输入,为了实现对特征的充分利用,采用密集连接方式将浅层网络的特征输送到深层网络结构的每一层,有效避免图像特征的丢失。并在末端进行亚像素卷积,对图像进行反卷积操作,完成图像最终的超分辨率重建,大大减少了训练耗时。在判别网络结构中,采用6个卷积模块和一个全连接层对真伪图像进行甄别,采用对抗博弈的思想,提升重建图像的质量。实验结果表明,本文算法在视觉效果评估、峰值信噪比值、结构相似性值以及耗时等多方面指标上都有了很大的改善,恢复出较为丰富的图像细节信息,取得了较好的视觉效果和综合特性。

提出一种基于多视角低秩表征的短视频多标签分类模型。该模型将低秩表征和多标签学习结合到同一框架中,利用不同类型特征的一致性学习本征稳定的低秩表示。同时为了获得标签相关性的潜在表示,构建了标签相关性学习项来自适应地捕获标签的相关性矩阵。此外,模型利用监督信息进一步提高了其表征能力。大量的实验结果证实了所提方法的优越性。

为实现复杂水下环境中裂缝尺寸的准确测量,提出了一种基于线结构光的核燃料棒表面裂缝尺寸测量方法。首先,对获取的图像进行灰度二维搜索,框选出待处理区域,再对该区域进行水平投影和一阶微分,进一步确定裂缝区域;然后,对裂缝区域进行阈值分割以缩小该区域范围,再利用种子点判断法确定出裂缝的上下边界;最后,使用最小二乘法拟合结构光中心线,用中心线方程与裂缝边界点集求交点来确定裂缝的具体位置,再将裂缝边界点转化为三维坐标进行距离采样,计算实际尺寸。实验结果表明使用该方法能精确快速测量出燃料棒表面裂缝的尺寸,并且使误差保持在0.03mm以内,可有效满足测量的便捷性和精确性。

传统图像分割算法存在图像特征信息描述单一、分割效果差等缺点,为此,提出一种基于双特征马尔可夫随机场的图像分割方法。首先,利用像素之间的空间信息对高斯混合模型的先验概率和后验概率进行约束,建立灰度随机场。其次,在利用分数阶微分算子非线性保留图像的边缘轮廓和纹理细节的基础上,利用灰度共生矩阵描述图像的纹理特征信息,并建立纹理特征随机场。最后,设计了用于图像分割的双特征马尔可夫随机场,通过条件迭代算法优化求解标号场最大后验概率,实现图像分割。实验验证了分割算法的有效性,分割正确率达到93.9%,所提出的双特征随机场能够提高图像分割算法的鲁棒性和准确性。

在敦煌壁画修复过程中,初始字典的随机选取易陷入局部最优,仅以颜色欧氏距离作为图像块分组标准会导致图像修复后易出现结构模糊和线条不连续等问题。针对以上问题,提出了一种基于Gabor变换和组稀疏表示的敦煌壁画修复算法。首先,采用互信息作为图像块分组准则,并建立相似结构组,这使得组稀疏表示更加合理;然后,通过Gabor小波变换对相似结构组进行特征信息提取,并结合PCA降维的方式得到初始化结构组的特征字典,避免了字典初始化随机选取的不足;最后,采用奇异值SVD分解和分裂Bregman迭代优化方法对结构组字典和稀疏系数进行学习并完成壁画图像的修复。实验结果表明,相比于其他对比算法,所提方法取得了较好的主客观修复效果。

关于行为检测的算法有很多,但针对教室场景下的学生行为检测算法却略显缺乏。为了使学生行为检测算法具有较好的准确率和实时性,在MTCNN的基础上改进了网络结构,并提出了一种新的激活函数和损失函数以检测学生图像和关键点。同时,提出了通过图像分类网络和关键点分类网络对学生行为进行联合分类的策略。实验结果表明,所提出的改进措施均有效提升了学生行为检测的准确率,最终模型的检测准确率为78.6%。在嵌入式开发板Jetson TX2上,所提算法的实时检测准确率和速度优于YOLOv3和SSD等算法。

城区激光雷达点云建筑物提取技术是近年来发展的热点,如何准确区分植被、建筑物以及人造物,提高分类精度一直是研究难点。为此,针对分类精度较低的问题,提出一种基于随机森林的点云分类算法。首先使用改进布料滤波算法对点云数据进行地面滤波;其次,构建决策树并进行基于最大互信息系数的相关性分析,选出相关系数最小、精度最高的决策树,得到弱相关随机森林模型;最后,对决策结果进行加权投票处理,得到一种综合布料滤波和加权弱相关随机森林的点云分类算法,并通过Vaihingen城区数据集对算法进行验证。实验表明,与传统随机森林分类算法相比,本文算法提高了4.2%的分类精度,也提高了算法效率。

由于图像的像素越来越小,数字成像传感器输出的信号对光子噪声的敏感性越来越强,使光子噪声成为数字图像传感器噪声的主要来源。鉴于此,提出一种基于非对称卷积神经网络的图像去噪算法。为了提高模型的泛化能力,将网络框架分为噪声评估网络和去噪网络两部分。为了减少编码器与解码器中网络特征映射之间的语义差距,对去噪网络中的跳跃连接进行改进,使特征在语义上更相似,以便于任务的优化处理。从定性和定量方面进行对比实验,实验结果表明,改进后的网络模型的去噪性能更佳。

提出基于卷积神经网络(CNN)的手写变造数字检测方法,为变造文件鉴定提供智能化解决方案。实验召集50名志愿者,采集50种不同品牌型号中性笔,形成6类变造笔迹和正常笔迹图像样本,建立了共计7200余份的样本数据。在AlexNet基础上引入Fire Module结构,提出基于变造数字检测的卷积神经网络(FNNet),以1×1卷积核代替部分3×3卷积核,实行卷积层组装来检测变造样本。实验结果表明,FNNet在6类手写变造数字中的平均测试准确率达98.36%,比AlexNet高3.01个百分点。所提方法优于传统特征分类器,为变造笔迹鉴定提供了一种新的方法。

针对合成孔径雷达(SAR)目标识别,提出一种联合非线性相关信息熵(NCIE)和多分辨表示的方法。采用NCIE对原始SAR图像的多分辨率表示进行选择,获得内在相关较强的若干分辨率。然后,采用联合稀疏表示对选取的多分辨率样本进行联合表征和分类。实验中,以MSTAR数据集为基础设计多种操作条件对不同方法进行测试,结果表明了所提方法的有效性。

为实现对乳腺癌组织病理图像的准确自动分级,提出了一种改进的卷积神经网络,依次引入两种不同的卷积结构,以提高网络对病理图像的识别准确率。以深度残差网络(ResNeXt)为基础网络,用八度卷积(OctConv)替代传统卷积层,在特征提取阶段降低特征图中的冗余特征,提高了细节特征的提取效果;用异构卷积(HetConv)代替网络中的部分传统卷积层,以降低模型的训练参数。为了克服因数据样本较少出现的过拟合问题,采用一种基于图像分块思想的数据增强方法。实验结果表明,该网络在图像级别的四分类任务中准确率达到91.25%,表明所设计的网络模型具有较高的识别率和较好的实时性。

当图像中的背景发生波动时,修正的背景加权直方图(CBWH)算法在目标跟踪过程中存在波动跟随现象,从而产生波动误差。为了改善背景波动下算法的跟踪效果,减小波动误差,在CBWH算法的基础上提出了一种背景梯度修正直方图(BGCH)算法。利用相邻帧的背景梯度信息对目标模型进行二阶加权修正,提前阻断了CBWH算法的波动跟随过程。实验结果表明,本算法可以减小CBWH算法的波动误差,且对目标形变、模糊的情况,也表现出了更好的鲁棒性。

混凝土结构在施工与使用的过程中易产生各种形式的裂缝,由此会产生诸多安全问题。传统的人工安全检测方法,不仅耗费财力和时间,而且无法保障其检测精度。为了提高混凝土表面裂缝的识别效率,提出了一种基于卷积神经网络结合聚类分割的识别方法,实现了对较复杂背景下混凝土表面裂缝图像的准确识别。研究结果显示,该方法不仅能够高效地分类,还能够高精度地对较复杂背景下的裂缝进行识别,这为降低混凝土表面裂缝识别的工作量、维护混凝土结构,对其进行安全检测提供了理论依据,同时也为以后更高精度和更复杂条件下的裂缝识别研究提供了一些参考。

同步辐射光源具有高斯分布特性,能使生物样品重建图像呈灰度分布不均匀和对比度低的特点,同时重建图像受背景噪声影响,进而造成重建生物样品的一些细节特征难以被观察和分析。针对该问题,提出了一种基于图像重建的同步辐射CT图像对比度增强方法。首先基于滤波反投影(FBP)重建算法和联合代数迭代重建技术(SART)算法分别重建图像,得到两种重建算法的重建数值区间范围,然后将FBP的数值区间映射到SART的数值区间,最后将经过映射之后的重建图像结合内容自适应图像增强算法以提高重建图像的质量。实验结果表明,所提算法不仅能够有效消除背景中的噪声,而且提高了重建图像的对比度,能更清晰地显示出重建样品的细节。

朱墨时序一直以来都是法庭科学文件检验领域中的难题之一。鉴于此,首先利用一种新型的光学断层成像技术,即光学相干层析(OCT)技术对朱墨时序进行检验,该技术具有原位、无损、快速和高分辨率等优点。利用一套中心波长为900nm的频域OCT系统对三种不同类型的朱墨时序样本进行OCT成像检验,比较不同类型样品朱墨交叉区域的二维断层OCT图像的特征差异,并分析特征差异产生的原因。初步实验研究结果表明,利用OCT技术可以为朱墨时序的判断提供一种有效的处理手段,为补充和丰富现有的方法体系奠定基础。

基于记忆效应的散斑解卷积法是近几年提出的一种可以实现透过散射介质层成像的方法。可用于散斑解卷积法的算法有很多,但具体的对比分析工作却鲜有报道。设计并搭建了基于记忆效应的透过散射层成像的光学系统,对探测到的散斑进行解卷积计算,并重建出对象图像。在重建过程中,分别使用互相关解卷积算法、维纳滤波算法、正则化解卷积算法以及Lucy-Richardson算法进行解卷积计算。对不同算法重建的图像进行了多个图像质量评价指标的计算。综合图像质量和计算时间,发现互相关解卷积算法在透过散射层成像的应用中具有最大优势,并从原理上进行了简要的解释。

针对合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中存在的差异图细节信息丢失的问题,提出了一种面向SAR图像像素级变化检测的去模糊化处理方法。通过对差异图漏检像素点分布的理论分析,提出了一种新型的差异图构造方法,将新型差异图构造方法生成的差异图与经典的像素级差异图构造算法生成的差异图相融合,实现了差异图的边缘去模糊化。以均值比值算法为例,实验结果表明,新型差异图构造方法得到的差异信息与邻域变化检测算法得到的差异信息具有较强的互补性;利用新型差异图构造方法进行去模糊化处理后,得到的差异图在主观上更接近真实地物的变化情况,在客观上变化检测结果的漏检数降低,变化检测的精度有所提高。

傅里叶叠层显微成像(FPM)是一种能够重建宽视场和高分辨率图像的新型成像技术。传统的FPM重建算法计算成本高,重建高质量的图像需要较大的图像采集量,这些缺点使得传统重建算法的成像性能和效率较低。因此,提出一种基于深度学习的傅里叶叠层显微成像的神经网络模型,对图像进行低分辨率到高分辨率的端到端映射,有效提高成像性能和效率。首先,借助菱形采样方法进行图像采集,加速低分辨图片采集过程。其次,结合残差结构、密集连接以及通道注意力机制等模块,拓展网络深度、挖掘有用特征,增强网络模型的表达能力和泛化能力。然后,使用子像素卷积进行高效地上采样,恢复高清图像。最后,采用主观和客观的评价方法对重建结果进行评估。结果显示,本文提出的网络模型对比传统重建算法重构效果更优,且降低了计算复杂度,平均重建时间更短。同时,在保证图像重建效果不变的情况下,低分辨率图像的采集数量比传统算法减少了约一半。

为了满足无人飞行器自主导航对姿态参数的迫切需求,提出一种利用大气偏振信息获取载体三维姿态信息的方法。首先充分解析大气偏振模式;然后采用K-means聚类算法解算太阳在空间中的位置信息;最后利用磁罗盘与载体体轴夹角获取载体的航向信息。在已知航向角的基础上,对导航坐标进行基准变换。首先将天顶点与太阳位置处于同一轴向,使得天顶点与太阳位置矢量处于同一基准并同时旋转;然后根据天顶点与太阳位置固有的高度夹角,将俯仰角与横滚角的计算进行转换;最后通过一系列的转换和计算得到横滚角和俯仰角的信息。实验结果表明,利用大气偏振模式解算的太阳位置可获得有效的载体姿态信息,模拟仿真的解算精度可达0.01°,外场实验的精度可达0.1°。

针对教室场景小人脸识别准确率低的问题,基于InsightFace算法,结合MobileFaceNet结构和DenseNet结构,提出一种将通道相加和通道级联结合起来的Dual-MobileFaceNet轻量级网络结构,提高了识别速度和小人脸识别准确率。同时,提出一种双重分类算法,进一步改善了InsightFace算法的识别分类能力,在LFW数据集上准确率达99.46%。最后将所提算法移植在Jetson TX2嵌入式开发板上,在8人、18人教室场景下识别准确率分别达96.24%、94.68%,每帧识别速度分别约为0.14 s、0.29 s。相比其他大型网络,所提网络更具实时性和有效性。所提算法为教室人脸识别、无感知考勤系统提供了有效思路。

为实现对激光焊缝质量的高效检测,引入了线阵图像传感解决在线检测问题,提出了一种基于深度学习的焊缝瑕疵快速检测方法。首先,针对激光焊缝瑕疵,优化了基于YOLO(You only look once)的深度学习网络。其次,在实验数据集中加入了合适的锚框,以提高检测框定位信息的准确度,并通过多尺度特征融合技术提高了瑕疵的识别准确度。最后,制作数据集并提出了一种数据集预处理方法训练网络,提升了瑕疵的识别效果。实验结果表明,本方法对焊缝单孔、穿孔、凹槽瑕疵的总识别率大于94%,对尺寸为4096pixel×4000pixel的单张工件图像的检测时间为0.97s,相比传统超声、射线图像检测方法在检测速度方面有明显提升。

为了克服面部表情变化导致的三维人脸识别精度不高的问题,提出了一种结合局部关键点集与测地线的三维人脸识别算法。首先,根据表情变化对人脸识别具有分区域影响的特性,将三维人脸划分出刚性区域和非刚性区域;然后将由鼻部和眼部组成的区域作为刚性区域,进行有效关键点检测,提取多种几何特征,构成局部描述子,进行相似度匹配;接着在非刚性区域提取测地线环带并进行相似度匹配;最后将两个区域的匹配程度进行加权融合,得到最终的匹配结果。该算法分别在Bosphorus和FRGC v2.0数据库上进行了实验验证,结果表明算法识别率分别达到了97.01%和98.63%,由此证明本文算法对三维人脸的表情变化有较强的稳健性。

针对YOLOv3算法实时目标检测性能不佳的缺陷,提出了一种适应实时目标检测的改进网络结构以及视频目标检测的新方法。首先,提出的k-means-threshold(k-thresh)方法弥补了k-means算法对聚类中心初始位置十分敏感的问题,在包括三个类别的数据集中进行聚类分析选择合适的锚框;然后,将4倍下采样和8倍下采样特征图拼接融入第三个检测层,以提高对目标的检测精度,将YOLOv3算法的平均准确率均值提高了2%;最后,通过摄像头捕捉图像和前期得到的优秀检测数据来预测新图像的目标以及加入了重新检测阈值,以提高视频检测流畅度。实验结果表明:所提基于改进的YOLOv3网络在检测精度上得以提高,实时性也有所提高,在30 min的实时检测中最大帧率达到64.26 frame/s,相比原始YOLOv3算法,实时检测速度提高了4倍左右。

基于深度卷积神经网络的人脸识别模型虽然能够取得较高的识别精度,但是模型中存在海量的计算数据并且需要占用大量的内存资源,因此无法满足资源受限和实时性的要求。针对此问题,设计两种轻量化递归残差神经网络,该网络能够有效地融合特征图中各层之间的信息,丰富特征图的语义信息进而提高识别精度。首先对原始数据集采用MTCNN人脸检测算法进行人脸对齐和裁剪;然后将ArcFace损失函数作为监督信号,此损失函数能够使得数据集类内聚合和类间分散,有效提高模型的分类效果;最后在LFW、AgeDB和CFP-FP数据集上对模型进行验证。实验结果表明,设计的网络模型在减少大量参数的情况下可以取得较高的人脸识别精度。

基于深层孪生网络的目标跟踪算法普遍缺乏目标模板在线更新方法,从而在某些复杂应用场景中适应能力较差。针对这一问题,提出一种基于光流映射的目标模板在线更新算法,该算法能够在保证实时性的前提下有效提高对复杂场景的适应能力。首先在跟踪过程中计算模板帧之间的光流信息;其次由光流映射和残差计算获取目标的运动变化信息。除此以外,还提出一种基于奇异值分解的由初始帧生成的修正项以修正目标位置偏差的方法。在OTB100和VOT2016数据集上对所提算法进行测试评估,结果显示,所提算法可以较好地优化新生成的目标模板,增强算法的鲁棒性,且与现有的跟踪算法相比,所提算法结果更佳。

针对测量高速运动暗小目标的需求,提出了一种基于单帧多次局部曝光的测速方法。理论分析了关键参数对测量频率的影响,推导了激光照明目标的灰度成像模型表达式。利用脉冲激光作为局部曝光光源与时序基准,在单帧图像中多次生成带时间戳的目标影像;建立单帧多次局部曝光测速模型,利用单目视觉与激光测距数据实现了暗小目标的空间定位与测速,突破了高速相机测量频率的上限并提高了测量精度;对速度为1500m/s的目标进行了测速仿真实验,结果表明,测速误差小于0.7%。在低速条件下设计了样机实验,相比标准速度的目标发射器,测速误差小于2.5%,且系统成本较低、机动性好,满足工程精度要求。

使用简单线性迭代聚类(SLIC)算法对遥感影像进行超像素分割时,存在运行时间长与边缘贴合度差的问题,因此,提出了一种基于改进SLIC的遥感图像超像素分割算法。首先,改进了初始种子点的初始化方式,消除了随机分配造成的影响;其次,在每次迭代后引入滤波操作,去除超像素内与聚类中心在颜色空间上差异较大的像素点,用剩余的像素点更新聚类中心;最后,用改进的均值计算公式进行迭代以实现超像素分割。在Python环境下的实验结果表明,在超像素个数相同的情况下,相比经典的SLIC算法,本算法在相同数据集中的分割误差率降低了7.4%、分割精度提高了1.4%,可在有效提高边缘轮廓贴合度的同时降低算法的计算复杂度。

为探索不同光谱预处理方法对太赫兹(THz)光谱的影响,采用平滑、多元散射校正、基线校正和归一化相以及多元散射校正和归一化结合等预处理方法。为优化模型、减少运算量,采用主成分分析(PCA)对太赫兹光谱进行波段压缩,以降低数据维数,基于压缩后的数据分别建立反向传播神经网络 (BPNN)和广义回归神经网络(GRNN)检测模型。实验结果表明:经多元散射校正结合归一化校正处理后的GRNN模型效果最佳,得到的预测相关系数为0.9967,预测均方根误差为0.0050。本实验验证了THz光谱检测技术对奶粉中违禁添加剂三聚氰胺检测的可行性,并建立了较优的掺杂三聚氰胺奶粉样品的GRNN检测模型。该研究对促进奶粉行业的健康发展具有较为重要的意义。