基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

深度卷积神经网络支持下的遥感影像飞机检测

针对YOLOv3算法对小目标检测较差及出现较多漏检的问题,本文提出了一种优化的YOLOv3算法.首先使用K-means算法计算出与数据集相适用的锚框;其次将扩张卷积引入到YOLOv3网络,用来增强网络高层的感受野,改善小目标的检测效果;然后使用深度可分离卷积取代YOLOv3网络残差模块中的普通卷积,可减少计算量,从而得到一种新型卷积神经网络结构;最后在数据集上进行对比试验.结果表明,优化的YOLOv3算法能够检测出更多目标,降低漏检率,相比于YOLOv3算法,其召回率提高11.86%,F1-score提高2.99%.     

全卷积神经网络的车辆点云目标精细化检测

针对无人驾驶技术高速发展中车辆目标的3D检测仍存在局限性的问题,该文提出了一种基于全卷积神经网络的车辆点云三维目标检测框架。进行了深度学习技术在二维图像的目标检测成熟应用的调查,将全卷积神经网络的目标检测扩展到三维点云数据。该算法在KITTI数据集上进行了测试,并与先前基于点云的车辆检测方法进行比较表明算法性能有着显著提高。研究结果可以应用于激光雷达点云实现车辆检测任务,从而可以较好地服务于自动驾驶。     

交通监控视频图像语义分割及其拼接方法

视频拼接是图像拼接的外延,在场景监控、目标识别等应用中发挥着重要作用。传统视频拼接算法多要求视频间具有较大重叠区域且特征点匹配过程中只顾及图像几何特征,当处理交通监控视频时,会因不同摄像头之间重叠区域极小或主光轴之间夹角较大而导致无法拼接或图像变形较大。为此,本文提出一种交通监控视频图像语义分割及其拼接方法。首先,利用边缘角度二阶差分直方图算法自动识别多视频交汇区域的正射影像,并将其作为拼接背景图像;然后,基于全卷积神经网络对正射影像和视频图像进行语义分割,提取图像中的交通专题语义;最后,以交通专题语义作为约束进行特征点匹配,将各个交通监控视频匹配至背景正射影像,实现监控区域视频拼接。采用山东省某市实际视频数据进行试验验证,结果表明对于重叠区域较小的监控视频,本文方法可获得较好地拼接图像,同时可有效提高特征点匹配的准确度。     

基于YOLOv2的船只检测算法及其在横琴环岛监控系统中的应用

船只的实时检测对于维护海上航运安全十分重要。基于监控视频数据构建了针对船只检测的数据集,将YOLOv2网络架构应用于船只检测,并结合船只宽高比特点,聚类选取初始候选框。对比实验结果表明,该检测方法能在保证检测精度的同时达到90帧/s的检测速度,满足实际应用需求。珠海市横琴新区已将该检测模型应用于环岛视频监控系统中,并与GIS地图和无人机影像进行集成,实现了环岛海域的实时船只监测。     

道路交叉口自动检测算法的研究

针对高分辨率遥感影像道路交叉口特征不明显、检测难度大等问题,该文提出一种改进的道路交叉口自动检测算法。该算法在YOLOv3网络基础上,首先采用参数修正单元激活卷积层,使目标特征在传递过程中保留更多负信息;然后在特征提取端与特征检测端之间实现多尺度特征融合,增强目标细节特征的提取;最后将单向卷积模块改进为多通道卷积模块,对卷积模块横向拉伸后再纵向聚合。为了验证算法有效性,对常见7种类型交叉口进行测试,实验结果表明:改进后算法对复杂背景下小尺寸道路交叉口的检测效果得到明显提升,有效实现了多种类型的道路交叉口自动化检测。     

深度学习遥感影像多尺度油罐检测算法性能分析

遥感影像中油罐目标尺度变化大,小目标较多,影响其检测性能。为探究影像缩放对各网络油罐检测的影响以及油罐目标尺寸对于检测结果影响的规律,选择经典的5种深度学习目标检测算法,包括FRCNN、RFCN、SSD、YOLOv3和RetinaNet算法,对不同尺度油罐目标的检测精度、泛化能力和运行效率等进行了对比分析和实验验证。实验结果表明,RetinaNet和RFCN算法的平均精度和泛化能力最好;YOLOv3算法的速度最快。不同算法都有所谓的最佳检测尺寸窗口,通过对检测影像适当地缩放可以使待检测目标尺寸落入最佳窗口,从而提高油罐目标检测的精度。同时,对基于深度学习的遥感影像多尺度油罐检测算法提出了改进的建议。     

惯性测量单元辅助的LiDAR动态点云剔除方法

针对动态场景下动态目标影响激光雷达同时定位与建图算法(LiDAR SLAM)的精度和成图效果问题，该文提出一种基于惯性测量单元(IMU)辅助的多层次模糊综合评价动态点云剔除方法。通过标定IMU/LiDAR外参统一两类传感器坐标系，再将每帧点云聚类分割为若干点云簇，以此为基础，利用IMU信息辅助建立相邻帧各点云簇间的配对关系，构建点云运动状态多层次模糊综合评价模型，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除。为验证该文方法的可行性和精确性，设计了动态点云剔除实验，并将剔除动态点云后的点云数据输入激光雷达里程计与建图算法(LOAM)进行定位与建图。实验结果表明，该文方法动态点云的剔除成功率为98.67%,静态点云的误剔除率为2.01%,能够有效地提高点云数据质量。相比基于原始点云数据的LOAM算法，均方根误差降低了66.06%,最大误差降低了72.78%,实现了厘米级精度的定位，并且优化了建图效果。     

一种深度图像障碍物检测新方法

针对传统障碍物检测技术存在的不足,该文将Kinect深度摄像机作为障碍物检测系统的传感器,在Kinect实时三维重建和Meanshift图像分割的理论基础上,提出了一种基于Kinect深度图像的障碍物检测方法,并针对深度图像随机噪声点多的特点,提出了一种改进的高斯滤波算法.分别在不同环境中进行了障碍物检测实验,实验结果表明该文提出的检测算法能准确检测出复杂场景中的障碍物区域,并对光照具有很强的鲁棒性.     

改进Mask RCNN的盾构隧道渗漏水检测方法

渗漏水是盾构隧道结构存在潜在损伤或缺陷的重要表征,快速、准确检测出渗漏水位置,对隧道安全运营和维护具有重要意义。现有的方法大多采用光学影像对隧道渗漏水进行检测,受隧道内空间和光线条件限制,难以获得高质量病害图片。因此,本文提出了一种基于激光点云数据与改进Mask RCNN相结合的渗漏水检测方法。首先对激光点云反射强度进行修正;然后生成灰度图像并建立渗漏水病害数据集;最后在Mask RCNN算法中引入空洞卷积和变形卷积,实现了隧道渗漏水病害的快速检测。利用某地铁采集的数据进行验证,结果表明,本文提出的改进Mask RCNN算法相较于原始算法和FCN算法检测精度均有明显提升,在盾构隧道渗漏水识别方面性能表现较好。     

基于图像语义分割的动态场景下的单目SLAM算法

在恢复场景信息和相机运动时,传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合,以减少动态物体对定位结果的干扰。首先,构建有监督的卷积神经网络对输入图像中的动态物体进行分割,获得语义图像;然后,从原始图像中提取特征点,并根据语义图像剔除动态物体特征点,保留静态物体特征点;最后,利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明,与传统方法相比,本文算法在动态场景中定位精度提升约17%。     

基于深度学习的土地违法施工场景监测研究

土地利用保护是国土资源管理的一项重要职能,高点视频影像为土地利用保护提供了一种实时全天候的监测手段。为实现基于视频影像的自然资源疑似违法建设自动化监测和预警,将违法建设、违法施工等监测转化为建筑施工机械等内容的检测,提出了一种基于深度学习的土地违法施工检测方法。首先利用视频监控影像对施工机械进行样本训练,然后基于深度学习目标检测方法YOLOv3实现建筑施工机械检测,进而实现疑似违法建设预警。实验证明,该方法可从视频影像中自动化检测出施工机械,且可靠性较高,可为全天候耕地疑似违法施工预警提供技术支撑。     

海量三维点云图割构网

针对现有海量点云数据构网占用内存较大、精准度较低等问题,该文基于图割构网与八叉树划分思想,提出一种海量点云数据三维构网算法。首先对点云数据构建八叉树索引,然后利用图割构网算法对叶子节点点云数据进行构网,最后通过网格合并操作实现最终网格生成。该算法能够自适应划分点云数据文件,并可以利用多线程动态调度图割构网和网格合并子线程,降低内存消耗的同时提高了运行效率。利用多组点云数据进行实验,结果表明,该文算法相对于经典的MVE算法在内存消耗、精度和完整度上都具有一定的优势。     

一种结合动态目标检测的视觉SLAM算法

针对目前视觉SLAM算法大多基于小区域静态环境,较少考虑实际场景常存在动态物体,从而导致视觉SLAM位姿估计不准确的问题。该文采用深度学习方法对图像进行语义分割,结合实时图像语义分割和基于稠密金字塔光流法的动态检测确定动态目标,消除了动态目标导致的SLAM特征点匹配误差,提高了视觉SLAM位姿估计的精度,解决了动态场景中视觉SLAM的不稳定性问题。同时,建图过程中,剔除运动物体构建出的地图点,构建静态地图。基于TUM数据集中动态场景测试表明,在室内动态场景下,该文算法绝对估计误差相较ORB-SLAM2算法平均减少92%,并且该文算法的速度与精度优于同类型的DS-SLAM算法。     

基于单阶段神经网络的房屋屋顶检测方法

针对现有方法利用无人机影像对房屋目标进行检测的过程中存在错检、漏检率高等问题,构建了单阶段卷积神经网络来实施无人机影像房屋检测,并在德国宇航中心开源数据集(Deutsches Zentrum für Luft-und Raum fahrt,DLR)3KVehicle的基础上,采用多种数字图像增强手段对原始图像进行数据增强处理,提高训练后模型的泛化能力.在测试数据集上对训练后的网络进行测试,采用精度均值(Average Precision,AP)和每秒传输帧数(Frames Per Second,FPS)指标进行评价.并将检测结果与经典的目标检测模型单激发多盒探测器(Single Shot Multi-Box Detector,SSD)以及YOLOv3的检测结果进行对比.结果表明,所构建的卷积神经网络对于无人机影像中的房屋目标尤其是小目标有着较高的检测精度,检测精度可以达到91.3％AP,相比SSD和YOLOv3在精度方面提高了11.5％和8.3％.同时网络的检测速度可以达到每秒传输帧数21m·s-1,能够快速精确地检测出无人机影像中的房屋目标.     

注意力机制优化的倾斜影像局部特征匹配方法

针对倾斜影像匹配正确率低、匹配时间较长等问题，该文提出一种注意力机制优化的倾斜影像局部特征匹配算法。该算法以尺度不变特征变换(SIFT)特征为基础，通过特征点优选及深度学习匹配策略提高匹配正确率及效率。构建尺度空间进行SIFT特征点检测并确定主方向；根据地物反射光谱特性构建可见光植被指数，引入语义信息约束剔除不稳定特征点，并基于特征点邻域梯度统计值计算特征点描述向量；采用基于深度学习的注意力机制图匹配算法进行特征匹配，通过注意力机制图神经网络聚合特征点空间及上下文信息，再求解聚合后特征向量的最优部分分配矩阵，并基于阈值确定匹配点。利用不同类型无人机航空倾斜影像进行实验对比，结果表明，该文算法比现有算法匹配正确率有较大提升，匹配耗时明显降低。     

基于时空立方体的人群异常行为检测与定位

针对视频监控系统中人群异常行为检测准确率低的问题,提出了一种基于时空立方体的人群异常行为检测与定位方法。首先利用光流法计算等间距采样的特征点光流场,然后根据光流场计算特征点的运动速度、方向和方向熵3个特征量,并分别将其统计直方图投影到对应的三维立体空间中,构建描述人群行为的时空立方体特征。同时,将图像分成多个子区域,并计算各子区域的时空立方体特征;设计基于最近邻分类和支持向量机的级联分类器,完成人群异常行为的检测与定位。结果表明,该方法比现有方法能更准确地检测视频中的异常人群。     

基于国土资源“一张图”的视频监管系统设计与实现

面对新时期经济发展新形势,国土部门土地监管业务越发要求科学化和精细化。为了能够根据国土业务规则对监控视频进行解读,提出并设计了基于国土资源"一张图"的视频监管系统。该系统接入移动"千里眼"平台摄像头信息,以地理空间数据为基础,优化布局塔基视频监控系统,能够结合各类国土业务数据对监控视频数据进行研判,实现了土地利用状态的多自由度实时动态视频信息采集与多源数据融合分析,对于"智慧国土"项目中的视频监管系统建设具有参考价值。     

点到平面距离的点云数据压缩方法

针对三维激光扫描点云数据采集过密、冗余信息较多,现有压缩算法存在不足的问题,该文提出了基于点到平面距离的散乱点云压缩算法。将该算法与基于三角形法向量夹角和格网法两种现有算法的压缩结果进行比较,通过对比构建的空间三角网可以发现,该文算法对物体特征复杂的部位有较好的压缩效果,且在压缩率较高时,不会使较平缓的部位出现过度压缩而失真的情况。     

结合轻量双注意力模块的孪生卷积网络变化检测

针对向神经网络模型中引入注意力模块,导致模型复杂度进一步提高的问题,该文提出了结合轻量双注意力模块的孪生卷积网络变化检测方法。通过在孪生卷积网络模型基础上,加入构建的轻量双注意力模块,达到了向模型中引入较少参数量并且提升变化检测性能的效果。在现有的两个公开数据集上,该文算法分别达到了95.2%和98.4%的总体检测精度,优于其他现有方法。