基于改进门控上下文聚合网络的雾天实时行人检测方法

针对自动驾驶车辆在雾天情况下易将行人误检和漏检的问题，提出一种基于改进GCANet除雾网络和CenterNet检测网络相结合、有效进行雾天行人识别的联合检测方法。该方法在GCANet中引入结合底层细节和全局结构的复合损失函数，优化除雾图的结构细节及图像质量；并将改进的GCANet除雾算法应用于检测算法的训练图像预处理中，最后送入CenterNet网络训练。试验结果显示，本文提出的方法在合成雾天数据集Foggy Citypersons上的平均对数漏检率MR-2值达到9.65，在真实雾天数据集RTTS上的平均精度AP50值达到86.11，降低了雾天场景下行人的漏检和误检情况，有效提升了检测网络在雾天条件下的泛化能力。     

船舶垫块蓝油拂配质量检测

垫块蓝油拂配质量与船舶主机等设备的工作稳定性相关,在船舶设备装配期间应对蓝油拂配质量进行检测,以确保装配环节满足工艺要求。采用机器视觉方法对船舶垫块蓝油拂配质量进行检测,获得蓝油拂配图像并进行裁剪,基于OpenCV框架对图像进行处理和计算,并标注每个部分的蓝油拂配比例,以实现船舶垫块蓝油拂配质量的快速检测。     

面向铁路客运场景的对抗鲁棒性人头检测模型

基于人头检测的人群数量估计算法能为铁路客运车站应对突发客流、防止人群聚集提供有效的决策辅助，但人头检测使用的深度学习模型易受到对抗样本影响。为提升深度学习模型的对抗鲁棒性，建立了基于RetinaNet算法的人头检测模型；在Brianwash数据集上分别使用快速梯度符号法（FGSM,Fast Gradient Sign Method）和投影梯度下降（PGD,Projected Gradient Descent）2种对抗攻击方法生成对抗样本，初始模型在对抗样本数据集上的m AP值均有显著下降，验证了对抗攻击对模型性能影响的有效性；再对模型进行对抗训练，对抗训练后的模型在各类对抗样本验证数据集上的m AP值均有显著提升。实验结果表明，对抗训练后的人头检测模型能有效防御对抗样本的攻击，提升模型检测性能和对抗鲁棒性。     

基于形态学梯度分割的低对比度路面裂缝自动识别方法研究

针对目前路面裂缝的检测效率低、裂缝识别的主观性强、在低对比度下不易辨识等问题，提出了基于形态学梯度分割的低对比度路面裂缝自动识别方法，通过分析路面裂缝形成的原因研究了摄像头拍摄情况下的路面图像预处理方法及达到的效果，研究了形态学梯度检测中的Sobel算子方法在路面裂缝中的应用，通过实际采集的低对比度路面单裂缝与复杂背景下路面多裂缝图像进行算法测试，试验结果验证了提出方法的有效性。     

基于单双目切换的自主式水下机器人视觉定位方法

为了解决以双目视觉为主导的自主式水下机器人（AUV）对接回收过程中出现的单一摄像机遭受遮挡或因水下环境特殊而发生故障的问题，提出一种基于单双目切换的AUV视觉定位方法。该方法通过自适应阈值法区分图像中的光源与背景，通过中心加权质心检测法提取光源中心，并以光源中心点数量为判定条件选取单目或双目视觉定位，添加水体折射参数提高定位精度。试验结果显示，采用该方法的定位耗时相比以往减少约70%，定位结果输出稳定，对接精度在允许范围内。该方法在AUV回收对接过程中通过牺牲部分定位精度来提高对接的实时性和鲁棒性，保障AUV成功对接回收。     

交通图像大气加雾模型设计与评价

针对数字孪生过程中，交通雾霾图像的采集受天气限制，数据库获取困难导致样本不足等问题，提出了一种新的大气加雾模型，并用于扩展不同浓度的交通雾霾图像数据库。首先，结合暗特征原理，求解大气光值，并提出了一种基于区域方差的大气光补偿方法来获取大气光估计；其次，利用颜色衰减先验估计场景深度，求解初始透射率；然后构建了图像大气加雾模型，将计算的大气光估计与大气加雾透射率代入模型，并利用雾霾系数调整加雾浓度；最后设计了多组交通视频加雾实验并进行评价。实验结果表明，提出的算法能随着预置雾霾系数增大，使得图像主观上明显趋于模糊，客观指标随之逐步发生变化，图像降质规律与真实的含雾场景基本一致，可用于扩充雾霾数据集，具有很好的有效性和实用性。利用不同去雾算法评价对比加雾图像可知，复原图像效果与针对实际图像的去雾效果基本无异，进一步反向验证了加雾模型的有效性。     

基于结构光3D测距技术的铁路旅客进出站尾随检测系统设计

铁路客运站进/出站场景人流量大、环境复杂，使得现有尾随检测方法误报率较高。为此，设计了铁路旅客进出站尾随检测系统，利用结构光3D测距技术、身份识别技术和行人检测技术，准确获取旅客间的相对距离。与现有尾随检测系统相比，所设计的系统可有效地检测旅客进出站场景下的尾随行为，显著提高了尾随情况的检出率。降低了旅客携带大件行李时的尾随误报率。     

基于机器视觉的圆斑状钢轨擦伤检测算法

针对现有基于灰度阈值的钢轨擦伤检测算法受光照等外部环境的影响较大的问题，本文提出了一种基于机器视觉的圆斑状钢轨擦伤检测算法。首先通过分析采集图像在垂直方向的灰度均值曲线，提取出钢轨顶面区域；然后运用边缘检测的方法得到擦伤区域边缘的候选像素点；最后运用形态学处理删除不属于擦伤区域的虚假边缘，确定钢轨擦伤区域的位置。用测试数据集对本文算法进行检测性能评测，并与基于灰度阈值的算法进行对比。结果表明：本文算法对圆斑状钢轨擦伤样本的检测准确率为96.4%，而基于灰度阈值的算法的检测准确率为86.8%，本文算法的检测准确率大幅提升，能够对钢轨擦伤进行有效检测。     

基于样本自动标注的隧道裂缝病害智能识别

隧道表面裂缝的检测已经成为地铁运营人员的重要巡检任务之一.为实现隧道裂缝病害的自动监测，提出一种结合病害特征提取和深度学习的隧道裂缝样本自动标注与识别算法；针对隧道裂缝形态特征建立裂缝图像的特征样本库，改进了AlexNet深度卷积网络结构；设计研制了轨道移动式隧道图像采集系统以及巡检车，采集并构建了包含4 500张裂缝图像样本和1 500张测试图像的数据集，用以验证算法的可行性和有效性.研究结果表明：采集的图像清晰度符合要求，所设计算法可完成裂缝目标自动标注；裂缝图像测试集的识别率达到97.8%，证明了算法研究和采集系统的有效性.