中国光学期刊网

现有的目标检测算法检测X光安检图像中较小尺寸的危险品精度较低,为此提出一种多尺度特征融合检测网络,即MFFNet(Multi-scale Feature Fusion Network),其以SSD检测模型为基础并采用更深的特征提取网络,即ResNet-101。通过跳跃连接的方式将网络的高层语义丰富特征与低层边缘细节特征进行融合,为小尺度危险品的检测添加上下文信息,可以有效提升对小尺度目标的识别与定位精度。将融合得到的新特征层与SSD扩展卷积层一起送入检测。实验结果表明,MFFNet能够使X光安检图像中的危险品特别是较小尺寸的危险品,检测精度得到较大的提升,同时能够保持相对较快的检测速度,满足现代化安检的要求。

常态化疫情防控形势下,通过口罩佩戴检测可以及时提醒人们正确佩戴口罩,从而降低公共场合人员交叉感染的风险。针对口罩佩戴检测任务中被遮挡目标和小目标检测困难的问题,提出一种YOLO-Mask算法。该算法以YOLOv3为基础,在特征提取网络中引入注意力机制,以提升模型对显著特征的表达能力;然后使用特征金字塔和路径聚合策略进行特征融合,使细节特征信息得到增强,实现不同层次特征信息的充分利用;最后优化了损失函数。实验表明:对不同场景下的口罩佩戴目标进行检测,YOLO-Mask算法的平均精度均值达到93.33%,相比于原始YOLOv3算法提高7.62%;与其他主流算法相比,该算法具有更好的检测效果和鲁棒性。

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型。首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征。然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递。最后,用二维卷积层对提取的特征进行空间信息强化,实现图像分类。实验结果表明,在三个公开高光谱数据集Indian Pines、Salinas和University of Pavia中分别用标记样本的5%、1%、1%作为训练样本时,本模型的分类精度分别为97.09%、99.30%、97.60%,可以有效提升小样本情况下的高光谱图像分类效果。

针对水下图像存在颜色失真和视觉模糊等问题,提出基于光衰减先验和背景光融合的水下图像复原算法。首先通过最大强度先验计算背景光一,基于图像四叉树的方法估计背景光二,根据水下图像光照的亮暗情况对两个局部背景光进行融合,确定全局背景光;其次根据光衰减先验估计场景的相对深度,进而计算三个通道的透射率;然后逆求解水下光学成像模型以消除后向散射;最后结合限制对比度自适应直方图均衡算法以更好地校正水下图像的颜色畸变,最终得到复原后的水下图像。与4种具有代表性的水下图像复原方法进行主客观评价对比实验。实验结果表明,所提算法可以有效去除水下图像的视觉模糊,视觉效果更接近自然场景中的图像。

针对全卷积孪生神经网络SiamFC在目标跟踪速度以及网络判别能力上有待提升的问题,提出了一种基于改进SiamFC的实时目标跟踪算法。将原网络结构中的第二层卷积层替换为深度可分离卷积,通过减少参数计算量,提高了跟踪速度;为了提高网络判别能力,第三层卷积层使用混合深度卷积,通过不同尺寸的卷积核提取特征,实现多特征融合,提取到鲁棒性更强的特征;采用预处理后的ILSVRC2015数据集,使用随机梯度下降法对网络进行训练,并在OTB2015、VOT2016、ILSVRC2015数据集上对算法性能进行测试。实验结果表明,该算法和SiamFC算法相比,在跟踪成功率、跟踪精度以及跟踪速度上都有一定的提升,并能够满足实时跟踪要求。

针对小目标(像素占比小于0.02)检测存在的目标特征容易丢失、分辨率低的问题,提出了一种基于改进YOLOv3(You only look once)卷积神经网络的检测方法。首先,对数据集中的小目标进行复制变换增强,以提升训练过程中网络对小目标的注意力。其次,针对浅层视觉信息与深层语义信息的尺度融合,提出了跨尺度检测层的网络结构,提高了网络对小目标的适应能力。最后,针对高分辨率图像的检测效果,提出了深度和广度结合的残差块组传递结构,丰富了深层特征图的感受野。实验结果表明,相比YOLOv3网络,改进跨级尺度预测层的网络检测小目标的精确率提升了1.9个百分点,召回率提升了5.9个百分点;优化感受野的网络检测小目标的精确率提升了31.6个百分点,召回率提升了46.4个百分点。

基于深度学习的表情识别方法存在参数量大、实时性差等问题,针对此问题,提出一种基于轻量卷积网络的多层特征融合的人脸表情识别方法。首先使用改进的倒置残差网络为基本单元搭建轻量卷积网络模型,然后采用池化、1×1卷积、全局平均池化法筛选卷积网络中的浅层特征,并对这些筛选的浅层特征与深层特征进行融合用于表情识别。在两个常用的真实表情数据集RAF-DB和AffectNet上对所提方法进行测试,识别准确率分别达85.49%和57.70%,且模型参数量仅有0.2×10 6。

重质矿物油的检验分析在交通肇事案件处理过程中具有重要作用。为了实现对重质矿物油种类的准确区分,本文采集了汽机油、柴机油、润滑脂、齿轮油和液压油5种重质矿物油共计120份样本的红外光谱和拉曼光谱数据,结合光谱融合的相关方法,建立了基于支持向量机(SVM)的重质矿物油分类判别模型。实验结果表明:使用单一光谱数据进行建模分类的准确率较低;对初级光谱融合数据进行建模分析时,5种重质矿物油的分类识别准确率稍高于前者,最高可达75%;使用中级光谱融合数据结合主成分分析建模能够实现5种重质矿物油的完全区分,在26维矩阵上特征提取得最好,分类识别率为100%。使用光谱数据融合结合SVM建模分析,能够实现重质矿物油的完全区分,该方法提高了检验鉴定效率,能够满足公安机关提出的快速、准确的检验要求,为基层民警处理相关案件提供了理论支撑和方法参考。

针对多聚焦图像融合过程中,如何准确地检测聚焦区域以及克服检测过程中存在的配准错误和噪声敏感问题,提出一种结合滤波算子与双尺度分解的多聚焦图像融合算法。首先,对源图像进行高斯拉普拉斯滤波处理,并将获得的滤波图像与源图像作差分运算,分离出多源聚焦图像的高频信息;然后,利用基于结构的双尺度焦点度量方法对多源图像的边缘与局部高频信息进行分解处理,生成含有边缘互补信息的初始决策图;最后, 采用基于一致性检验方法对得到的初始决策图进行分步细化处理,生成融合决策图,并按照逐像素加权平均规则获得融合图像。实验结果表明,与其他聚焦策略相比,该聚焦区域检测方法对不同噪声具有更高的鲁棒性和更强的聚焦区域识别能力, 处理时间小于0.5 s。

烟雾图像检测是及早发现火灾的一种重要手段。针对传统LBP(Local Binary Patterns) 特征与Gabor特征的融合算法存在鲁棒性和检测率低的问题,提出一种TDFF(Triple Multi Feature Local Binary Patterns and Derivative Gabor Feature Fusion)的烟雾检测算法。采用T-MFLBP(Triple Multi Feature Local Binary Patterns)算法分别对像素间不同灰度差值以及非均匀模式中特殊位置的像素进行编码计算,可以捕捉更清晰的纹理特征;然后利用高斯核函数的一阶偏导数提取Gabor特征,从而优化提取图像边缘灰度信息的性能;最后对融合后的特征进行训练,可以提高最终分类的准确性。实验结果表明,TDFF算法具有较强的鲁棒性,烟雾图像的检测率也显著优于未改进的传统算法。