一、静态背景中的动态图像识别(论文文献综述)
杜珂[1](2021)在《变电站继电保护室智能巡检图像预处理关键技术研究》文中提出智能运维是电力巡检的重要发展趋势,搭载视觉采集终端的电力巡检机器人在继电保护室二次设备巡视中逐渐代替了人工巡检,但由于电力巡检机器人所处的巡检环境十分复杂,对视觉终端采用的图像处理算法提出了更高的要求。本文针对巡检过程中复杂成像环境下的视场过小、成像观测角偏移以及高光目标物遮挡等复杂成像环境对成像质量的影响,重点围绕图像畸变矫正、图像拼接和图像融合高光抑制等预处理技术展开研究,解决复杂巡检环境视觉成像存在的问题,为后续图像识别提供较好的图像源,提高识别准确率。论文所涉及的工作主要有:(1)基于图像畸变校正和图像拼接算法,针对变电站继保室控制柜的特点,提出一种基于特征块的图像拼接方法,实验结果表明,本文所采用的方法能够有效地解决变电站继保室中狭小空间的大视场成像问题,能够实现狭小空间大视场成像的图像畸变校正、无缝拼接、图像目标聚类划分,获得整个控制屏柜面板的清晰成像。(2)移动机器人视觉成像姿态柔性调整,拟通过目标物特征提取与匹配、姿态的预估计、在线控制的柔性调整,实现目标呈现的最佳拍摄。首先要获取摄像头序列图像信息,然后将读取到的视频进行目标识别处理,并对图像帧中的目标打上标签,对目标进行定位;最后以帧间目标图像位置为约束条件自适应调整机器人的观测姿态。(3)基于图像分割和图像融合的方法进行玻璃柜门高光检测与抑制。首先通过检测基准图像是否存在高光区域,然后利用ORB算法对存在高光区域的基准图像和待配准图像进行特征点对的提取,采用汉明距离剔除误匹配特征点,实现对特征点的粗剔除;接着基于RANSAC算法对粗特征点再次剔除,完成特征点的准确匹配;最后通过加权融合算法实现有效地去除压板图像高光干扰区域。应用实验测试结果表明,本文方法有效解决了变电站继电保护室巡检过程中视场过小、成像观测角偏移以及高光目标物遮挡等复杂成像环境对成像质量影响的问题,改善了机器人视觉终端巡检效果,对推动变电站巡检智能化具有重要意义。
孙宏[2](2021)在《可回收物的识别分类方法研究及实现》文中研究说明随着科技进步,人们的生活质量越来越高,垃圾产量随之上升,垃圾分类处理成为亟待解决的一个问题。目前垃圾分类中可回收物分类方式为人工分拣,费时费力且效率低下,处理方式主要为填埋、焚烧,不仅浪费可回收资源且对环境造成严重污染。近几年,随着深度学习的发展,卷积神经网络在图像识别和分类上取得了显着的效果。因此,为了细化可回收物分类,论文主要研究了可回收物的识别分类方法,研究内容如下:(1)针对可回收物图像存在冗余信息和样本较少的情况,改进了图像裁剪方法。首先将采集到的可回收物图像与空白背景相减,根据相减结果确定可回收物的位置,裁剪去多余的背景信息,减少计算量。其次对可回收物图像进行水平翻转、随机裁剪、改变亮度,扩大可回收物数据集。实验结果表明,改进的图像裁剪方法准确率为99.6%,减小了80%的模型训练时间。(2)针对VGG16网络模型占用内存大,参数冗余的情况,研究了一种改进的模型剪枝方法。首先使用迁移学习的方法对可回收物图像识别分类,然后通过计算卷积层滤波器的权重之和,对其排序,删除权重之和较小的滤波器,使模型更加轻量化。实验结果表明,改进方法在保证识别准确率的前提下,模型占用内存减小了42%,参数数量减小了82%,降低了硬件要求,更易推广。(3)设计并搭建了可回收物自动识别分类系统,实验验证了本文研究方法的有效性。首先设计了物理架构,上位机采用笔记本电脑,下位机采用树莓派。考虑到可回收物的分类投放,设计了系统的推送、存储等机械部分,根据设计要求选择了电气设备,根据功能要求设计了软件程序部分完成可回收物识别。实验结果表明,可回收物自动识别分类系统的平均分类准确率为98.1%,可以较好的实现可回收物自动识别分类。
游大磊[3](2020)在《带式输送机煤流识别技术研究与应用》文中进行了进一步梳理随着我国煤炭产业的不断发展,矿井下煤炭运输趋向于高速化、皮带化。带式输送机已成为矿井下运煤的主要工具。然而在煤炭运输过程中,尤其是皮带之间的落煤口处,在煤炭下落时,易发生大块矸石堵仓,锚杆插入并撕裂皮带等异常情况,对设备造成损伤,同时为井下安全埋下隐患。传统针对带式输送机煤流异常识别检测方法主要是人工检测、传感器检测,但人工检测费时费力,容易产生疏忽;传感器检测大多基于接触式的方法,受矿井下潮湿复杂的环境影响,抗干扰能力差,其耐久度、灵敏度、可靠性都很不理想。针对上述问题,论文从图像处理的角度出发进行带式输送机煤流识别技术研究,提出矸石检测和锚杆检测算法,设计带式输送机煤流检测识别系统,在工业现场对本文方法进行试验及性能分析。本文的主要创新如下:(1)对利用视频图像分析进行井下目标识别的方法展开研究,为带式输送机矸石检测算法提供了新思路。首先,通过预处理将彩色视频图像转换成灰度图并进行高斯平滑,降低算法复杂度和环境噪声,然后,针对煤流识别中传统Vi Be算法存在的“鬼影”问题以及复杂环境下背景扰动导致的检测效果欠佳问题,从改进背景建模初始化方法和自适应阈值两个方面入手,提出了基于Vi Be的矸石检测算法。最后,计算运动目标的相对面积并与警戒值比较,判断画面中是否存在大块矸石。实验证明,所提出的矸石检测算法计算简单,易于实现,能够有效检测视频画面中出现的大块矸石。(2)针对运煤过程中可能存在的锚杆,根据其特点提出一种适用于井下带式输送机的锚杆检测算法。在预处理基础上,利用帧间差分法对当前画面运动状态进行分析,判断当前帧是否为煤流运输图像,消除皮带空转和静止画面对检测结果的影响,对于满足要求的监控图像,用Canny算法提取边缘信息,并做累计概率霍夫变换,记录画面中的线段端点并计算长度,与预设锚杆判断阈值比较,判断画面中是否存在锚杆。实验证明,所提出的检测算法能够有效识别视频监控画面中的锚杆,并且满足实时性要求。(3)使用C++语言结合Open CV开源库,设计带式皮带机煤流识别系统,对本文提出的方法进行工业性试验。该系统能够实时加载并处理4个视频监控终端,智能检测视频画面中可能存在的矸石、锚杆,同时具备堆煤检测和煤量监测等辅助功能。当发现异常时,能够发送异常信号至网络继电器,实现联动控制。系统还支持检测阈值自定义,满足不同场景下的需求。该论文有图39幅,表9个,参考文献80篇。
于天暝[4](2019)在《煤层气井站异常目标检测及识别算法研究》文中研究指明煤层气井站开采作业现场往往处于交通不便的荒郊野外地区,对其视频场景进行智能监控时,面临着以下挑战:(1)煤层气井站监控的背景属于动态背景场景,井站所处周围环境类型有农田、山林、水面等,在这些动态环境下摇晃的农作物、树木以及波动的水面等,都会增加正确检测到前景目标的难度;此外,野外光照条件随着时间的变化也会改变监控场景的背景环境从而影响前景检测方法的性能。(2)煤层气井站的抽水机在正常运行时是不停地旋转运动的,由于抽水机在视频画面背景中属于大尺度的运动物体,已有的背景建模方法自然地将其作为前景目标检出,然而运动的抽水机应属于背景,不应视为异常目标进行检测。(3)一个实用的视频智能监控系统,不仅能给出视频图像中移动目标的大小与位置,还要能识别出移动目标的具体类别是什么,从而提高视频监控系统异常目标检测的准确率并降低误报率。本文针对煤层气井站视频监控场景中的这些特有问题,围绕动态背景减除法、动态像素建模及目标识别方法开展研究,研究成果可以促进煤层气井站从传统的被动式视频监控方式向基于事件驱动(异常目标)的主动式视频监控方式转变。具体研究内容包括如下几个方面:(1)针对煤层气井站场景中复杂动态背景下前景目标检测时,由于像素分类过程中不确定性导致的前景目标检测性能较低的问题,提出了一种基于模糊模型的背景减除法。所提出的背景减除法是一种像素级的无监督的移动目标检测方法,该方法基于模糊C均值聚类的方法来计算像素的隶属度并构建模糊直方图背景模型,用模糊贴近度来度量像素与背景模型之间的距离。针对背景更新中像素归属不确定性的问题,提出了新的模糊学习规则,以自适应地更新背景模型。在实际动态背景视频集与煤层气井站视频上进行的实验验证了所提出方法的有效性。(2)针对动态背景视频场景下背景减除法的前景目标检测性能的改进问题,提出了一种基于视频图像深度卷积层特征的改进方法来提高背景减除法的前景目标检测性能。为了减弱煤层气井站场景视频中复杂动态背景与噪声对前景目标检测的干扰,利用深度卷积网络的浅层卷积层提取其图像的通用特征图像,然后根据卷积特征图像与原始输入图像的相似性,选择适合的特征图像合成新的输入图像。再将处理后的视频图像输入背景减除法模型进行前景目标检测。实验结果表明,所测试背景减除法的前景目标检测性能均有了不同程度的提升。(3)针对煤层气井站视频场景中大尺度抽水机周期旋转运动的干扰消除以及抽水机运动状态监测的问题,提出一种动态像素二次建模的方法。首先,将背景减除法获得的抽水机运动像素部分形成的区域标记为动态背景区域,然后对动态背景区域的动态像素进行二次建模,来进一步提取异常像素值,从而检测出真正的异常目标像素。这种方法既可以克服正常工况时抽水机转动对前景目标检测的干扰问题,又可以监测抽水机的运动状态,一旦抽水机发生停止转动、倒塌等事故时,可以通过动态背景区域像素的变化情况获知。(4)针对煤层气井站场景中外来移动目标的识别问题,融合背景建模与迁移学习方法用于识别场景中的目标。由于煤层气井站场景不适合直接使用深度学习中“端到端”的方式进行目标识别。因此,使用背景建模方法提取场景中移动目标,为识别模型提供待识别目标在场景中的候选区域,以提高目标识别的效率与准确性。背景模型提取的异常目标数量多,然而典型类型少,故而使用聚类的方法对异常目标进行聚类,并利用深度迁移学习的方法,训练出一个适用于煤层气井站场景下移动目标的识别模型,以提高监控系统的准确性并降低其误报率。
鲁迪[5](2019)在《无模型自适应控制方法在图像识别中的应用》文中进行了进一步梳理随着图像识别技术的发展,对从视频中准确的检测出动态前景目标的需求与日俱增。前景目标的检测对目标跟踪、行为识别等等后续研究具有重要意义。通过提取视频中的背景图像,应用背景减除法,就可以得到视频中的动态前景目标。因此,视频背景图像的准确提取对前景目标检测有着十分重要的作用。但提取出真实的背景图像是比较困难的,因为它会受到自然环境的变化、拍摄设备的检测误差等多方面的干扰。而传统基于模型的背景提取方法往往会受到上述干扰因素的影响而发生模型失真的问题,不能准确的提取背景进而使得检测出的前景目标也难以辨认。无模型自适应控制(Model-Free Adaptive Control,MFAC)方法不需要建立机理模型,仅由系统中变化的数据来得到控制算法,可以很好的避免依赖模型而造成的一切问题,并且根据处理对象的复杂程度有三种结构不同的控制方案可供选择。因此,本文着重进行基于MFAC在图像识别领域中背景图像提取及前景目标检测的应用研究。本文的主要内容如下:首先,理论分析了 MFAC方法用于背景图像提取的可行性,实现了基于单入单出(single input and single output,SISO)紧格式、偏格式和全格式这三种格式的MFAC方法来进行视频背景图像的提取。其背景提取效果和传统基于模型方法的对比表明MFAC方法性能更好,提取的背景更加稳定,抗干扰能力更强。同时,基于MFAC方法提取的背景所检测出的前景目标更准确,并且根据环境复杂程度不同有三种格式可供选择。其次,为了充分利用图像的色彩信息,避免由于将彩色图像进行灰度化处理使得一些关键色彩信息缺失,本文还建立了基于多入多出(multiple input and multiple output,MIMO)MFAC的彩色背景图像提取方法。可直接在RGB三通道上对彩色图像进行处理,有效得到彩色背景图像,同时基于彩色背景相比于灰度背景所检测出的前景目标更清晰。提取出的彩色背景还可为阴影去除的研究提供基础。最后,关于动态背景和阴影去除进行了改进研究。在动态背景中可依据背景动态程度自动的去设置背景前景分离阈值,实现了在动态背景下清晰的检测出前景目标。同时,针对因光照造成的前景目标携带阴影的问题,进行了基于彩色背景图像的阴影去除方法改进,利用阴影与背景图像的颜色差异特性得出了阴影检测的判断方法,可以达到良好的去除阴影的效果。
刘湘[6](2019)在《大空间视频烟雾检测算法研究》文中研究说明随着科技的日益发展,监控视频已广泛部署于各种大空间场景中,其除了用于视频图像实时观看、录入、回放、调出及储存外,目前国内外研究者们更进一步探索它的新兴应用,例如利用监控视频实现火灾检测、行人检测等。传统的接触式火灾检测方法主要使用感温,感烟,感光等传感器来获取环境中温度、空气成分、光强等信息变化实现火灾检测,这些方法由于精度低、不稳定、技术限制等原因已无法满足大空间场景中的火灾检测。视频火灾检测(VFD,Video Fire Detection)技术相比传统接触式火灾检测技术具有更好的稳定性,能适用于仓库、车站、广场等大空间场景中,因此,受到了广泛关注。论文主要研究大空间场景中VFD的一些关键技术,在已有VFD技术基础上,将均匀局部二进制模式(ULBP,Uniform Local Binary Pattern)、离散小波变换(DWT,Discrete Wavelet Transform)、机器学习分类器及卷积神经网络(CNN,Convolutional Neural Network)理论引入VFD中并进行了深入的研究。以下为研究主要完成的工作:1.研究了常用的运动物体检测方法,提出了一种结合YUV颜色空间烟雾滤色规则和高斯混合模型(GMM,Gauss Mixture Model)运动检测的烟雾运动区域检测算法。现有的运动物体检测方法在复杂环境中不仅不能有效提取完整的烟雾运动区域,而且提取的区域包含大量的非烟雾像素物体。运动物体区域检测不能有效提取烟雾区域,轻则导致图像分类算法计算量增大,影响实时性,更严重则将导致图像分类不准确。论文提出的方法可以有效的获取运动区域,且能滤除该区域非烟雾像素。2.研究了常用的特征提取方法及机器学习特征分类器,提出了一种基于多特征融合和Real adaboost的烟雾图像识别方法。仅使用单一特征提取方法获取的特征极不稳定,极易受环境干扰,而且仅使用一种方法不能充分提取烟雾图像中的烟雾信息。此外,已有的烟雾识别方法大多都仅考虑常用的机器学习分类器进行特征分类,这些方法的分类器算法存在与输入特征不匹配导致最终烟雾图像识别算法精度不是很高。论文提出的方法融合多种特征,并选用匹配度较高的分类器算法,有效的提高了烟雾图像的识别准确率。3.研究了经典卷积神经网络模型,提出了一种基于卷积神经网络的烟雾图像识别网络模型。现有的VFD技术的图像识别方法大多采用浅层机器学习结构实现烟雾图像识别,即首先使用特征提取方法获取烟雾图像中的烟雾信息形成特征向量,然后利用机器学习分类器进行分类,达到烟雾图像识别目的。浅层机器学习的结构为人工提取图像中的特征,特征存在不充分或冗余。论文提出的网络模型,网络结构简单,能实现自动化的图像特征提取和图像分类。
高军[7](2018)在《基于计算机视觉与深度学习的汽车主动安全系统关键技术研究》文中提出在汽车的智能化发展进程中,无人驾驶热潮已席卷全球。但谷歌“无人车之父”及Udacity创始人Sebastian Thrun指出,目前无人驾驶还处于初级阶段,短期内不会大规模普及,8到10年后无人驾驶汽车才能被大多数人在日常生活中使用。以智能化与主动安全技术为核心的半自动驾驶更切实际、更注重实用性。汽车安全是汽车智能化关注的焦点。如今,自动化和人工智能技术,结合精确的车联网大数据,正推动着汽车行业从“被动安全”向“主动安全”的纵深发展。近年来,对汽车主动安全系统的研究已经成为汽车安全领域的一个研究前沿与热点,该研究对于提高行车安全,降低交通事故发生率具有重要的社会意义和应用价值。论文以计算机视觉和深度学习理论为依据,以汽车主动安全系统为研究对象,对汽车主动安全系统中的若干关键技术,如环境感知技术:目标检测与跟踪;驾驶行为分析技术:变道行为检测与变道行为预测;以及智能控制与决策技术:智能防撞控制策略,展开了相应的研究工作,并给出了实验结果。论文的主要创新点如下:(1)为了增强系统的环境感知能力,针对传统目标跟踪算法无法适应复杂的跟踪变化,处理有遮挡情况效果差、跟踪精度低等问题,提出了一种基于YOLO(You Only Look Once)和RRN(Recurrent Regression Network)的运动目标跟踪算法,建立了一种结构简单、运算快速、跟踪准确的深度循环回归网络模型,可以满足汽车主动安全系统对环境感知的实时性需求;且对有遮挡情况下的目标跟踪适应性较强,可以为汽车主动安全系统在复杂环境下的目标跟踪性能提供有效的保障。(2)在环境感知的基础上,为了增强系统对行驶环境下变道行为的检测能力,提出了一种基于多传感器信息融合的变道行为检测方法,首先对两种不同类型的传感器数据,即道路视频图像数据和车辆状态数据进行特征提取,然后对比验证了构建的基于协同表示的优化投影分类器(CROPC)对两种多传感器信息融合方法,即特征级融合法与决策级融合法的有效性。实验结果表明,CROPC分类器的性能明显优于其他先进的分类器,可以提高行驶环境下的变道行为检测精度。(3)变道行为预测是实现智能防撞控制的关键。为了能在变道事件发生前预测出驾驶员的变道意图,构建了一种基于分组卷积神经网络的变道行为预测模型(MTS-GCNN)。在模型的训练阶段,提出了一种新型的网络结构学习方法:首先利用谱聚类算法对输入的多元时序信号进行分组操作,然后对聚类后属于同一簇的输入变量进行卷积运算,显式地学习MTS-GCNN网络结构。MTS-GCNN模型可以通过卷积和池化操作自动地选择和提取合适的内部结构,生成深度网络所需的时空特征,从而实现快速、可靠的自动化变道预测。(4)基于变道行为预测,本文构建了一种新颖的深度判别模型(DDM),实现了对危险变道行为引起的碰撞事故预测及碰撞风险评估,为汽车主动安全系统完成智能防撞控制任务奠定了基础。通过引入一种ConvLSTMs网络,DDM模型能够在时空域中同时处理视觉数据、车辆状态数据和生理信号数据。实验结果表明,在同一深度网络框架内同时处理多种类型的数据是可行且有益的。论文为汽车主动安全系统中的关键技术研究提供了一条新的思路,提出的研究方法和实验成果证明了计算机视觉技术与深度学习模型在汽车安全研究领域具有重要的理论意义和潜在的应用价值。
苗续芝[8](2018)在《基于视频图像的火灾检测研究与实现》文中研究表明火灾会造成人类财产的巨大损失,破坏人类生存的生态环境,甚至直接威胁人类的生命。为此,火灾的检测成为人们关注的焦点,它的出现和发展对于人类的发展有着非常重要的意义。传统的火灾检测方法如感烟探测、感温探测主要通过传感器设备,但是这类检测方法在空间较大的建筑物场所并不适用,其误报和漏报的情况较多。而基于视频图像的火灾检测方法弥补了传统火灾检测方法的弊端,广泛应用于森林、地铁、大空间的火灾检测。本文深入探讨了形态学、图像增强、图像分割等算法在视频火灾检测识别上的应用。主要研究成果如下:针对车辆、人等运动物体干扰情况下,给出基于混合高斯模型和RGB颜色模型的火灾预判断。通过混合高斯模型的运动目标检测和RGB颜色模型,可以排除大部分的干扰物。这种火灾的预判断,提高资源利用率,达到实时检测的效果。针对区域生长图像分割算法中需要遍历图像中全部的像素来选择种子,而种子的筛选比较浪费时间这一缺点,本文采用混合高斯模型选择疑似火焰像素,通过YCr Cb颜色模型筛选出生长种子。本文改进的区域生长分割算法,不仅节省了种子筛选时间,而且分割效果较好。根据视频图像中火灾火焰在早期呈现的图像特征,研究了火灾火焰的特征和提取算法。在图像预处理和图像分割的基础上,本文研究并实现了火灾火焰的面积、圆形度以及纹理特征及其提取算法,并将这些特征作为火灾识别的判据,完成火灾检测识别工作。根据提取的火灾特征,结合支持向量机构建火灾的识别模型。由于支持向量机的参数选取是支持向量机的性能关键影响因素,本文采用算法简单、易于实现的果蝇优化算法优化支持向量机的参数。针对果蝇优化中易陷入局部最优等缺陷,本文将固定步长的果蝇优化算法改进为动态步长的双子群优化算法,增强了果蝇算法的全局寻优能力和局部寻优能力,避免了算法早熟收敛而陷入局部最优值。改进的果蝇算法提高了原本的果蝇优化算法的寻优能力和收敛速度,在优化SVM模型时,提高了果蝇优化SVM模型的参数精度。经实验验证,改进的果蝇优化SVM模型能够提高火灾检测识别的准确率。
汪体成[9](2018)在《基于WiFi技术的多功能智能家居设备研究与实现》文中研究指明智能家居是人类对高品质生活水平努力追求的体现,也是高科技术发展的重要产物之一,它丰富了人们的生活,建立了人与物,物与物之间的联系。智能家居设备是家居生活智能化的执行者,具有环境监测、图像识别、安防保障、智能控制等特点,各种设备在智能家居生活中均有应用。现在的智能家居设备种类繁多,功能参差不一,人们在使用这些设备进行家居智能化的改造过程中,出现了安装架构麻烦,使用复杂,使用成本过高等问题。本文针对众多功能单一的智能家居设备进行了功能集成,研究了以WiFi作为通讯方案的多功能智能家居设备,其中主要研究了多传感器融合进行消防报警、振动报警、环境异常情况下图像识别、语音识别控制、红外控制等功能,并设计了功能样机,并对其进行了功能测试,经过大量的实验与改进,实现了多功能设备中各个功能的实现与集成,为智能家居系统提供了一种简单的、可快速实现家居智能化的方案。本文研究的主要内容分为五个部分:第一,分析了智能家居设备的研究背景与进行多功能智能家居设备研究的意义;第二,分析并对比了智能家居系统常见的组网方式,并确定了以WiFi作为本文研究设备的通讯网络,介绍了 WiFi的发展及实现过程。第三,确立了以本文所研究的智能家居设备为核心的智能家居系统方案,并研究了多功能设备的各个独立功能的实现过程;第四,研究了多功能设备的软件开发方法,实现了远程更新固件,实现了各个功能的集成,以及对调试软件的开发;第五,根据研究内容进行了各个功能的单独实验测试并得出结论。在实现了各个独立功能的研究分析的基础上,对所有功能进行了集成,制作出样机,并进行了超过1000小时以上的可靠性、稳定性测试,验证了本文所述基于WiFi技术的多功能集成的智能家居设备的可行性和合理性。论文最后对本课题进了全面的总结,为进一步的研究提出了方向。
杨诗宇[10](2018)在《面向智能交通的目标检测与跟踪》文中指出智能交通系统(Intelligent Transportation System,ITS)集成了计算机、电子、通讯、汽车制造、人工智能等多学科理论与技术,以提供创新的运输方式以及交通管理智能服务。这一系统可以更好地改善城市交通状况,使其更加协调、安全和人性化,同时提高出行效率。本文基于智能交通中视觉感知系统采集的视频数据,深入研究车辆监控以及无人驾驶中的目标检测与跟踪问题。文章围绕背景提取算法,建立相应的自适应参数调节机制。利用图像提出特征融合分类模型与目标跟踪算法。优化深度学习参数计算结构控制无人驾驶方向盘转角。本论文的主要贡献如下:(1)提出“闪烁模型”以及“目标概率”耦合模型以自适应调节背景提取模型的超参数。在智能交通车辆监控技术中,首先根据像素级信息建立背景模型,从而进行目标检测。传统的背景建模,根据经验设定出固定超参数,不能保证适用于多种不同场景。针对此类问题,提出了双模型耦合超参数自适应调节方法,使其能够更好地适应背景闪烁、树叶摇动、阴影干扰以及图像噪声多种场景。(2)提出并构建多特征融合学习模型提高车载摄像头的目标识别率以及检测率。无人驾驶中单图像特征很难满足其复杂动态的目标检测的要求。针对此问题,通过筛选图像多种跨级别特征进行决策,并加入梯度提升模型,共同创建特征融合分类器提高了目标识别率以及检测率。(3)提出了基于粒子滤波的变尺度搜索框与三阈值模板更新策略的目标跟踪算法。在智能交通视觉跟踪问题中,由于目标物近大远小的视觉差,在长时间的视频流当中目标物在尺度以及外观上会有明显的变化。因此,本文提出全新的利用多区域快速颜色直方图集成的图像特征提取方法,并借助粒子滤波算法寻找最佳搜索框尺度大小。并提出三阈值目标模板更新策略,有效改善了视频目标跟踪不稳定的问题。(4)提出了参数压缩的深度学习网络结构降低模型整体存储空间、提高执行速度。深度学习是图像识别、检测等任务最常用的方法。但是在无人驾驶任务中,需要减少参数、降低模型规模以节约计算成本,才能降低对硬件需求和提高实时性能保障。针对此问题,根据MobileNets网络核心思想,进一步压缩和优化卷积神经网络结构,以便训练需要存储空间更小的网络执行计算。并将压缩的神经网络模型应用于控制方向盘转角任务。在保持精度基本不变的前提下,模型计算速度得以有效提升。最后,对全文中所研究的智能交通中目标检测与跟踪问题做了总结,并对该领域研究的发展方向和研究方法做了展望。
二、静态背景中的动态图像识别(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、静态背景中的动态图像识别(论文提纲范文)
(1)变电站继电保护室智能巡检图像预处理关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 智能巡检图像预处理技术研究现状 |
1.2.1 图像畸变矫正与图像拼接研究现状 |
1.2.2 视觉终端姿态调整研究现状 |
1.2.3 图像融合研究现状 |
1.2.4 智能识别算法研究现状 |
1.3 本论文主要研究内容与论文章节安排 |
1.4 本章小结 |
第二章 继电保护室内大视场畸变图像预处理技术 |
2.1 引言 |
2.2 继电保护室内视觉终端的成像模型 |
2.2.1 小孔成像模型 |
2.2.2 俯仰角度下的线性畸变模型 |
2.3 变电站控制柜图像的畸变校正 |
2.3.1 图像校正的目的 |
2.3.2 图像校正的实现 |
2.4 变电站控制柜图像的匹配与拼接技术 |
2.4.1 图像匹配 |
2.4.2 控制柜图像的拼接方法 |
2.4.3 实验结果与结论 |
2.5 本章小结 |
第三章 巡检视觉终端姿态自适应调整研究 |
3.1 引言 |
3.2 视觉终端姿态自适应调整总体方案设计 |
3.3 基于YOLOv2 网络的目标检测方法 |
3.3.1 YOLOv2 网络结构 |
3.3.2 预训练网络模型 |
3.3.3 目标检测流程 |
3.4 视觉终端姿态自适应调整实现 |
3.4.1 方位偏差计算方法 |
3.4.2 俯仰角与偏移角调整顺序方案 |
3.4.3 机电控制硬件实现 |
3.4.4 姿态自适应调整的软件实施 |
3.5 系统运行测试结果及分析 |
3.5.1 YOLO算法目标检测精确度与速度测试 |
3.5.2 摄像头角度自适应调整效果测试 |
3.6 本章小结 |
第四章 变电站玻璃柜门高光的检测与抑制 |
4.1 引言 |
4.2 基于阈值分割的高光区域检测 |
4.2.1 压板图像特征分析 |
4.2.2 基于阈值分割算法的柜门高光区域检测 |
4.3 基于ORB算法的图像配准 |
4.3.1 ORB算法特征点的检测 |
4.3.2 基于RANSAC算法的透视变换 |
4.3.3 基于图像融合抑制高光区域 |
4.4 本章小结 |
第五章 继电保护室智能巡检图像预处理应用测试 |
5.1 继电保护室智能巡检机器人平台 |
5.2 机器人视觉终端定位测试 |
5.3 智能巡检图像预处理应用测试 |
5.3.1 狭小空间巡检大视场无畸变成像测试 |
5.3.2 高光抑制效果测试 |
5.3.3 图像预处理后的目标识别测试 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表论文情况 |
攻读学位期间专利情况 |
(2)可回收物的识别分类方法研究及实现(论文提纲范文)
中文摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文研究内容及章节安排 |
第二章 相关理论与数据集介绍 |
2.1 卷积神经网络 |
2.1.1 简介 |
2.1.2 结构组成 |
2.2 迁移学习 |
2.3 PyTorch框架 |
2.3.1 简介 |
2.3.2 使用 |
2.4 可回收物数据集介绍 |
2.5 本章小结 |
第三章 改进的图像预处理方法 |
3.1 图像裁剪方法介绍 |
3.2 改进的图像裁剪方法 |
3.2.1 图像裁剪 |
3.2.2 尺寸归一化 |
3.3 数据增强 |
3.4 预处理结果及分析 |
3.5 本章小结 |
第四章 改进的模型剪枝方法 |
4.1 模型训练 |
4.2 剪枝方法介绍 |
4.3 改进的剪枝方法 |
4.3.1 VGGNet介绍 |
4.3.2 VGG16 网络剪枝 |
4.4 实验结果与分析 |
4.4.1 模型训练结果分析 |
4.4.2 模型剪枝结果分析 |
4.5 本章小结 |
第五章 系统设计及实物验证 |
5.1 系统概述 |
5.2 硬件部分设计 |
5.2.1 电气设备选型 |
5.2.2 机械结构设计 |
5.3 软件部分设计 |
5.3.1 检测流程 |
5.3.2 无线通信 |
5.4 实物验证 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士期间发表的论文 |
(3)带式输送机煤流识别技术研究与应用(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 论文内容及章节安排 |
2 运动目标检测算法相关理论 |
2.1 主流运动目标检测算法介绍 |
2.2 背景建模方法 |
2.3 本章小结 |
3 矸石检测算法研究 |
3.1 ViBe算法在井下煤流识别中的局限性 |
3.2 视频图像预处理 |
3.3 基于ViBe的矸石检测算法 |
3.4 矸石判断 |
3.5 实验与分析 |
3.6 本章小节 |
4 锚杆检测算法研究 |
4.1 运动状态分析 |
4.2 边缘提取 |
4.3 直线检测与锚杆判断 |
4.4 实验与分析 |
4.5 本章小结 |
5 带式输送机煤流识别系统设计及工业试验分析 |
5.1 系统设计 |
5.2 工业试验系统搭建 |
5.3 现场工业性试验 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(4)煤层气井站异常目标检测及识别算法研究(论文提纲范文)
摘要 |
Abstract |
主要符号表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外相关工作研究进展 |
1.2.1 前景检测方法 |
1.2.2 传统背景减除法 |
1.2.3 深度学习及深度背景减除法 |
1.2.4 迁移学习 |
1.3 本文主要研究思路 |
1.3.1 解决方案 |
1.3.2 论文章节安排 |
2 融合模糊聚类直方图与贴近度的背景减除法 |
2.1 问题描述及解决思路 |
2.2 方法描述 |
2.2.1 模糊集的基本概念 |
2.2.2 贴近度概念 |
2.2.3 模糊直方图背景建模 |
2.2.4 模糊自适应背景维护 |
2.2.5 动态阈值选择 |
2.2.6 算法流程 |
2.3 实验结果与分析 |
2.3.1 实验数据集 |
2.3.2 算法性能评估标准 |
2.3.3 实验结果 |
2.3.4 模糊背景建模方法对比 |
2.3.5 非模糊背景建模方法对比 |
2.3.6 煤层气井站视频移动目标检测实验 |
2.4 本章小结 |
3 无监督深度动态背景减除法改进 |
3.1 问题描述及解决思路 |
3.2 背景减除法改进方法描述 |
3.2.1 VGG16卷积网络模型 |
3.2.2 深度卷积层提取图像特征 |
3.2.3 卷积特征图像合成 |
3.3 实验结果与数据分析 |
3.3.1 动态背景视频数据集实验 |
3.3.2 与其他深度背景建模改进方法对比 |
3.3.3 基于卷积特征的FCFN的改进 |
3.3.4 煤层气井站视频数据集实验 |
3.4 本章小结 |
4 煤层气井站视频大尺度扰动下的动态背景建模 |
4.1 问题描述及解决思路 |
4.2 方法描述 |
4.2.1 核密度估计 |
4.2.2 动态背景与静态背景分割 |
4.2.3 动态背景建模 |
4.2.4 窗宽选择 |
4.2.5 动态背景模型的阈值选择 |
4.2.6 动态背景模型更新 |
4.3 实验与评估 |
4.3.1 实验数据集 |
4.3.2 不含前景目标的场景检测 |
4.3.3 含有前景目标的场景检测 |
4.4 本章小结 |
5 煤层气井站异常场景识别 |
5.1 问题描述及解决思路 |
5.2 抽水机运动状态监测 |
5.3 结合背景建模与迁移学习的移动目标识别 |
5.3.1 运动目标提取 |
5.3.2 前景目标聚类 |
5.3.3 迁移训练 |
5.4 实验结果与数据分析 |
5.4.1 前景目标检测 |
5.4.2 前景目标识别及分类 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
攻读博士学位期间科研项目及科研成果 |
致谢 |
作者简介 |
(5)无模型自适应控制方法在图像识别中的应用(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 概述 |
1.2.2 研究现状 |
1.2.3 发展趋势 |
1.3 论文主要内容和结构安排 |
1.3.1 论文主要内容 |
1.3.2 论文结构安排 |
1.4 本章小结 |
2 图像处理方法简介 |
2.1 图像处理基础知识 |
2.1.1 图像的数字化表示 |
2.1.2 图像预处理 |
2.1.3 图像形态学处理 |
2.2 前景目标检测方法 |
2.2.1 光流法 |
2.2.2 帧差分法 |
2.2.3 背景减除法 |
2.3 常用背景提取方法 |
2.3.1 背景平均模型法 |
2.3.2 卡尔曼滤波法 |
2.3.3 混合高斯模型法 |
2.4 方法性能评价指标 |
2.5 本章小结 |
3 单入单出MFAC在背景图像提取中的应用 |
3.1 基于CFDL-MFAC背景图像提取方法 |
3.1.1 CFDL-MFAC方法 |
3.1.2 基于CFDL-MFAC背景图像提取 |
3.2 基于PFDL-MFAC背景图像提取方法 |
3.2.1 PFDL-MFAC方法 |
3.2.2 基于PFDL-MFAC背景图像提取 |
3.3 基于FFDL-MFAC背景图像提取方法 |
3.3.1 FFDL-MFAC方法 |
3.3.2 基于FFDL-MFAC背景图像提取 |
3.4 基于MFAC的背景图像更新机制和前景目标检测方法 |
3.5 仿真研究 |
3.5.1 CFDL-MFAC方法与传统方法效果对比 |
3.5.2 基于三种不同格式的MFAC方法前景目标检测对比 |
3.5.3 性能指标评价分析 |
3.6 本章小结 |
4 多入多出MFAC彩色背景图像提取方法研究 |
4.1 彩色空间描述 |
4.2 基于多入多出MFAC彩色背景图像提取方法 |
4.2.1 多入多出MFAC方法 |
4.2.2 彩色背景图像提取 |
4.3 仿真研究 |
4.3.1 多入多出MFAC彩色背景图像提取及前景目标检测效果 |
4.3.2 性能指标评价分析 |
4.4 本章小结 |
5 基于MFAC对动态背景和阴影去除的改进研究 |
5.1 动态背景下前景目标检测研究 |
5.1.1 背景像素样本集 |
5.1.2 自适应阈值前景目标检测 |
5.2 基于彩色背景图像的阴影去除方法研究 |
5.2.1 阴影特性 |
5.2.2 阴影去除方法 |
5.3 仿真研究 |
5.3.1 改进后动态背景下前景目标检测效果 |
5.3.2 改进后阴影去除效果 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(6)大空间视频烟雾检测算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.1.1 传统的火灾检测技术 |
1.1.2 视频火灾检测技术 |
1.2 国内外研究现状 |
1.2.1 VFD系统的应用情况 |
1.2.2 VFD技术的相关算法研究现状 |
1.3 论文研究内容 |
1.4 论文结构与安排 |
第2章 运动物体检测 |
2.1 图像颜色空间 |
2.1.1 颜色模型 |
2.1.2 灰度图像和二值图像 |
2.2 形态学处理 |
2.3 常用的运动物体检测方法 |
2.3.1 帧间差分法 |
2.3.2 建立背景法 |
2.3.3 光流法 |
2.4 基于YUV颜色空间和混合高斯模型的运动物体检测 |
2.4.1 YUV颜色空间烟雾像素过滤 |
2.4.2 基于YUV颜色空间烟雾颜色过滤和混合高斯模型的运动物体检测方法 |
2.5 本章小结 |
第3章 基于机器学习的烟雾图像分类算法 |
3.1 常用的静态纹理特征提取方法 |
3.1.1 方向梯度直方图 |
3.1.2 灰度共生矩阵 |
3.1.3 离散小波变换 |
3.1.4 局部二进制模式 |
3.2 基于离散小波变换和均匀局部二进制模式的特征提取算法 |
3.2.1 离散小波变换派生特征 |
3.2.2 均匀局部二进制模式特征 |
3.2.3 多特征融合 |
3.3 机器学习分类算法 |
3.4 实验结果与分析 |
3.4.1 样本描述 |
3.4.2 算法评价指标 |
3.4.3 对比结果及分析 |
3.5 本章小结 |
第4章 基于深度学习的烟雾图像分类算法 |
4.1 深度学习框架介绍 |
4.2 经典的卷积神经网络的图像识别算法 |
4.2.1 LeNet |
4.2.2 AlexNet |
4.2.3 ZFNet |
4.2.4 VGG |
4.3 基于卷积神经网络的烟雾图像识别 |
4.4 实验结果与分析 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
1.作者简介 |
2.攻读硕士学位期间发表的学术论文 |
3.参与的科研项目及获奖情况 |
3.发明专利 |
学位论文数据集 |
(7)基于计算机视觉与深度学习的汽车主动安全系统关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 相关概念 |
1.2.1 汽车主动安全系统 |
1.2.2 计算机视觉技术 |
1.2.3 深度学习技术 |
1.3 国内外研究现状 |
1.3.1 计算机视觉技术在汽车安全领域的研究现状 |
1.3.2 深度学习技术在汽车安全领域的研究现状 |
1.3.3 变道行为分析在汽车安全领域的研究现状 |
1.4 研究目标 |
1.5 论文的主要研究内容 |
第2章 原型系统结构与关键技术 |
2.1 汽车主动安全系统中的关键技术 |
2.2 原型系统结构模型 |
2.2.1 车载数据采集系统 |
2.2.2 信息处理系统 |
2.2.3 判别与决策系统 |
2.2.4 操作控制与预警系统 |
2.3 本章小结 |
第3章 环境感知:智能目标检测与跟踪 |
3.1 基于改进ORB特征匹配的运动目标检测 |
3.1.1 ORB特征匹配算法 |
3.1.2 改进的特征匹配对筛选算法 |
3.1.3 运动目标检测 |
3.1.4 实验验证 |
3.2 基于Faster R-CNN的运动目标检测 |
3.2.1 Faster R-CNN网络框架 |
3.2.2 区域建议网络RPN |
3.2.3 RPN与 Fast R-CNN的特征共享 |
3.2.4 实验验证 |
3.3 基于YOLO的运动目标检测 |
3.3.1 YOLO网络框架 |
3.3.2 统一检测(Unified Detection) |
3.3.3 损失函数 |
3.3.4 非极大值抑制 |
3.3.5 实验验证 |
3.4 基于YOLO和 RRN的运动目标跟踪 |
3.4.1 RRN循环回归网络框架 |
3.4.2 YOLO+RRN网络框架 |
3.4.3 实验验证 |
3.5 本章小结 |
第4章 基于多传感器信息融合的变道行为检测 |
4.1 相关理论与概念 |
4.1.1 基于协同表示的分类器 |
4.1.2 基于协同表示的优化投影分类器 |
4.1.3 D-S理论 |
4.1.4 基于相关系数的D-S理论 |
4.2 多传感器信息融合方法 |
4.2.1 特征级融合法 |
4.2.2 决策级融合法 |
4.3 传感器信息特征提取 |
4.3.1 视频数据特征提取 |
4.3.2 OBD数据特征提取 |
4.4 变道模型与实验数据集 |
4.4.1 变道模型 |
4.4.2 实验数据集 |
4.5 实验验证 |
4.5.1 实验设置 |
4.5.2 基于交叉训练的变道行为检测模型 |
4.5.3 基于扩展数据集的变道行为检测模型 |
4.5.4 误检测分析 |
4.6 本章小结 |
第5章 基于分组卷积神经网络的变道行为预测 |
5.1 相关理论与概念 |
5.1.1 生理信号指标 |
5.1.2 谱聚类 |
5.1.3 分组卷积神经网络 |
5.2 变道行为预测方法 |
5.2.1 基于多元时间序列的CNN网络结构 |
5.2.2 基于谱聚类的MTS-GCNN网络结构 |
5.3 变道模型和信号描述 |
5.3.1 变道模型 |
5.3.2 生理信号描述 |
5.3.3 实验数据集 |
5.4 实验验证 |
5.4.1 实验设置 |
5.4.2 实验模型 |
5.4.3 基于单个驾驶员数据的变道预测模型 |
5.4.4 基于多个驾驶员数据的变道预测模型 |
5.4.5 最佳预测时间 |
5.5 本章小结 |
第6章 智能防撞控制策略 |
6.1 相关理论与概念 |
6.1.1 危险变道判别模型 |
6.1.2 碰撞风险评估方法 |
6.2 基于DDM的防撞控制模型 |
6.2.1 深度判别模型DDM |
6.2.2 ConvLSTMs网络 |
6.3 实验仪器及数据集 |
6.4 实验验证 |
6.4.1 实验设置 |
6.4.2 实验分析:不同的输入数据类型/网络结构 |
6.4.3 实验分析:不同的视角数据 |
6.4.4 碰撞风险评估 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 研究展望 |
致谢 |
参考文献 |
攻读博士学位期间取得的研究成果 |
攻读博士学位期间参与的课题研究 |
附录 A |
(8)基于视频图像的火灾检测研究与实现(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景与研究意义 |
1.2 传统的火灾检术 |
1.3 视频图像检测术 |
1.4 论文的主要研究内容和结构安排 |
2 图像预处理 |
2.1 形态学图像处理 |
2.2 图像增强技术 |
2.3 本章小结 |
3 火灾预判断 |
3.1 基于运动特征的预判断 |
3.2 基于颜色火灾预判 |
3.3 本章小结 |
4 基于改进的区域生长的图像分割 |
4.1 图像分割技术 |
4.2 基于改进的区域生长的图像分割 |
4.3 本章小结 |
5 火灾图像特征的研究与提取 |
5.1 火焰检测中常用到的特征 |
5.2 火灾火焰图像特征提取 |
5.3 本章小结 |
6 基于改进果蝇优化SVM的火灾图像检测 |
6.1 模式识别 |
6.2 支持向量机 |
6.3 基于改进的果蝇优化SVM |
6.4 基于改进果蝇优化SVM的火焰检测实验 |
6.5 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
作者简历 |
附件 |
(9)基于WiFi技术的多功能智能家居设备研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状及趋势 |
1.2.1 智能家居国外发展情况 |
1.2.2 智能家居国内发展情况 |
1.2.3 智能家居存在的问题及发展趋势 |
1.3 本课题的主要研究内容 |
2 WIFI技术介绍 |
2.1 智能家居通讯技术介绍 |
2.2 WIFI技术概述 |
2.3 WIFI系统组成 |
2.3.1 网络拓扑结构 |
2.3.2 WiFi协议架构 |
2.4 WIFI网络安全机制 |
2.4.1 设备接入过程 |
2.4.2 认证和加密 |
2.5 本章小结 |
3 多功能智能家居设备方案设计 |
3.1 功能需求分析 |
3.2 智能家居系统架构 |
3.3 多功能设备设计方案 |
3.3.1 设备结构设计 |
3.3.2 控制芯片选择 |
3.3.3 WiFi通讯模块 |
3.4 本章小结 |
4 设备功能设计与实现 |
4.1 火灾报警功能实现 |
4.1.1 传感器选择 |
4.1.2 多传感器数据融合 |
4.2 姿态及振动分析功能 |
4.2.1 传感器选择 |
4.2.2 软件实现方法 |
4.3 图像识别功能 |
4.3.1 硬件设计 |
4.3.2 软件设计 |
4.4 语音联动功能 |
4.4.1 语音识别及控制 |
4.4.2 联动方案 |
4.5 红外控制功能 |
4.5.1 红外控制介绍 |
4.5.2 硬件设计 |
4.5.3 软件设计 |
4.6 本章小结 |
5 多功能设备运行与调试软件设计 |
5.1 IAP程序模块 |
5.1.1 MCU存储空间架构 |
5.1.2 Bootloader程序设计 |
5.2 应用程序流程设计 |
5.2.1 ucosii系统架构 |
5.2.2 环境传感器采集任务 |
5.2.3 语音识别任务 |
5.2.4 通讯任务 |
5.3 调试软件设计 |
5.3.1 上位机界面设计 |
5.3.2 上位机串口功能实现 |
5.3.3 上位机TCP/Client实现 |
5.4 本章小结 |
6 功能测试与分析 |
6.1 样机安装 |
6.2 功能测试 |
6.2.1 火灾探测报警测试 |
6.2.2 图像识别测试 |
6.2.3 语音识别控制测试 |
6.2.4 红外控制测试 |
6.3 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
(10)面向智能交通的目标检测与跟踪(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究目的与意义 |
1.2 国内外研究现状 |
1.2.1 智能交通系统的发展与崛起 |
1.2.2 视觉传感系统在ITS中车辆检测与无人驾驶中的应用 |
1.2.3 智能交通视频目标检测与目标跟踪 |
1.3 论文的研究内容和创新点 |
1.3.1 研究内容 |
1.3.2 创新点 |
1.4 论文的章节安排 |
第二章 智能交通目标检测与跟踪相关研究与本文关键技术 |
2.1 智能交通图像数据特征融合 |
2.1.1 像素特征级融合 |
2.1.2 人工特征级融合 |
2.1.3 决策级融合 |
2.2 传统机器视觉方法 |
2.2.1 方向梯度直方图特征表达 |
2.2.2 视觉背景提取模型 |
2.2.3 粒子滤波算法 |
2.2.4 实验仿真 |
2.3 智能交通系统中的机器学习法方法 |
2.3.1 支持向量机 |
2.3.2 梯度提升算法模型 |
2.3.3 人工神经网络 |
2.3.4 卷积神经网络 |
2.3.5 实验仿真 |
2.4 小结 |
第三章 双模型耦合超参数自适应调节方法 |
3.1 引言 |
3.2 视觉背景提取算法模型 |
3.3 视觉背景提取自适应参数定义 |
3.3.1 闪烁能量 |
3.3.2 目标概率 |
3.4 双模型耦合自适应超参数 |
3.5 仿真实验及结果分析 |
3.5.1 可视化实验结果 |
3.5.2 量化对比实验 |
3.7 小结 |
第四章 基于跨级别多特征决策融合分类的多车辆检测算法 |
4.1 引言 |
4.2 基于跨级别多特征决策融合的车辆识别算法 |
4.2.1 特征选择 |
4.2.2 选择决策器 |
4.2.3 基于提升树模型XGboost的跨级别多特征决策融合的车辆识别 |
4.3 基于多特征决策融合的多车辆定位 |
4.3.1 多尺度滑动检测框 |
4.3.2 基于热力值的多车辆检测 |
4.4 实验及结果分析 |
4.4.1 HOG颜色通道识别正确率对比实验 |
4.4.2 不同分类器识别正确率对比实验 |
4.4.3 目标检测成功率对比实验 |
4.5 小结 |
第五章 基于粒子滤波自适应变尺度搜索与三阈值模板更新策略 |
5.1 引言 |
5.2 粒子滤波算法的车辆直方图集成特征 |
5.3 三阈值随机模板更新策略 |
5.4 仿真实验及结果分析 |
5.4.1 可视化实验结果 |
5.4.2 量化实验结果 |
5.5 小结 |
第六章 基于压缩深度学习的车辆行驶方向控制研究 |
6.1 引言 |
6.2 MobileNets核心思想 |
6.2.1 深可分解卷积 |
6.2.2 改进的MobileNets |
6.2.3 宽度乘数与分辨率乘数 |
6.3 构造基于MobileNets模块的端对端网络 |
6.3.1 网络基本架构 |
6.3.2 批量归一化 |
6.3.3 Swish激活函数 |
6.4 仿真实验及结果分析 |
6.4.1 虚拟仿真 |
6.4.2 真实场景下的实验分析 |
6.5 无人驾驶视觉系统 |
6.6 小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
附录 |
附录A 攻读博士学位期间取得的成果 |
附录B 攻读博士学位期间参与的项目 |
附录C 攻读博士学位期间获得的奖励和荣誉 |
四、静态背景中的动态图像识别(论文参考文献)
- [1]变电站继电保护室智能巡检图像预处理关键技术研究[D]. 杜珂. 广西大学, 2021(12)
- [2]可回收物的识别分类方法研究及实现[D]. 孙宏. 太原科技大学, 2021(01)
- [3]带式输送机煤流识别技术研究与应用[D]. 游大磊. 中国矿业大学, 2020(03)
- [4]煤层气井站异常目标检测及识别算法研究[D]. 于天暝. 大连理工大学, 2019(08)
- [5]无模型自适应控制方法在图像识别中的应用[D]. 鲁迪. 北京交通大学, 2019(01)
- [6]大空间视频烟雾检测算法研究[D]. 刘湘. 浙江工业大学, 2019(02)
- [7]基于计算机视觉与深度学习的汽车主动安全系统关键技术研究[D]. 高军. 武汉理工大学, 2018(07)
- [8]基于视频图像的火灾检测研究与实现[D]. 苗续芝. 中国矿业大学, 2018(02)
- [9]基于WiFi技术的多功能智能家居设备研究与实现[D]. 汪体成. 武汉大学, 2018(06)
- [10]面向智能交通的目标检测与跟踪[D]. 杨诗宇. 东华大学, 2018(06)