自航模运行轨迹自动跟踪系统研究

通过对自航模运行特点的研究,研制出一套利用伺服系统驱动的单台摄像机自动跟踪系统,主要由水平旋转伺服系统、垂直旋转伺服系统和安装在伺服系统之上的工业相机组成。系统对图像进行采集和处理,并与伺服系统形成闭环。当船模成像到达图像正中心后,采集当前水平与垂直伺服系统的角度,计算当前船模坐标,并与上一坐标点进行关联,绘制运行路径。通过实际测试,该系统运行稳定,轨迹定位精度满足工程要求。     

基于复合小波变换的数字图像水印技术

随着网络多媒体系统的迅速发展,数字媒体的版权保护变得越来越重要了。目前保护数字媒体版权的方法最常用的是数字水印。本文提出了一种基于复合小波变换的健壮的数字图像水印算法。该算法首先通过复合小波变换运用视觉屏蔽调整水印使之与局部图像相适应,接着水印被应用于选择嵌入信道,最后水印通过运用另外的射频技术被添加到嵌入信道。文中最后测试了在攻击下DWT与WT域中各种算法健壮性,并进行了比较分析。     

基于传统图像处理算法的车道线检测

在现代交通驾驶领域中,随着自动驾驶技术的迅速发展,车道线检测也变得至关重要。基于此,文章提出了一种基于传统图像处理算法的车道线检测方法,该方法利用了传统图像处理算法中的滤波算法、Canny边缘检测算法和Hough直线检测算法作为基本算法模型,采用只对ROI中进行检测的措施来满足对于前方车道线的准确检测。在检测中,使用了OpenCV开源图像处理库来对进行上述方法进行实现。此方法可极大减少对前方车道线检测的外界干扰,在汽车实验场中利用该方法,可以比较准确地检测出车辆前方的车道线,并且该算法在一般机器上能够实现实时级的车道线检测。但是在实验过程中,也发现当前方的障碍物较多的时候,所采用的算法不能很好地检测出车道线,对外界的抗干扰能力比较差。     

基于深度学习的沥青路面病害图像智能识别方法研究

针对现有沥青路面病害人工检测效率低、影响交通、安全风险大等特点,研究基于深度学习的沥青路面病害图像智能识别方法。通过对不同类型沥青路面病害整体目标区域及特殊样貌特征分别进行标记,对图像进行归一化及数据集扩充等一系列处理,以达到增强目标特征的目的。将细分的11类致灾因子作为神经网络的输入变量,通过模糊推理逻辑创建致灾因子与沥青路面病害等级的映射关系。预先处理神经网络的输入数据和后置处理神经网络的输出数据,结合引入至神经网络中的模糊推理逻辑,建立沥青路面病害综合评价模型。通过AlexNet网络识别出病害类型,并判断其危险度等级。以滇藏公路标号K170路段实际沥青路面病害为例,评判其横向裂缝危险度等级为重度,与实际情况相符,表明该沥青路面病害图像智能识别方法协同模糊神经网络综合评价模型可有效识别沥青路面病害类型并评价沥青路面病害的危险度等级。     

支持抗光照目标检测的改进YOLO算法

针对现有的深度学习目标检测算法中存在的复杂光照场景下检测精度不高、实时性差等问题，提出了一种基于YOLO算法的抗光照目标检测网络模型YOLO-RLG。首先，将输入模型的RGB数据转换为HSV数据，从HSV数据分离出抗光照能力强的S通道，并与RGB数据合并生成RGBS数据，使输入数据具备抗光照能力；其次，将YOLOV4的主干网络替换成Ghostnet网络，并对其在普通卷积与廉价卷积的模型分配比例上进行调整，在保证检测精度的同时提高检测速度；最后，用EIoU替换CIoU改进模型的损失函数，提高了目标检测精度和算法鲁棒性。基于KITTI与VOC数据集的实验结果表明，与原网络模型比较，FPS提高了22.54与17.84 f/s，模型降低了210.3 M，精确度（AP）提升了0.83%与1.31%，且算法的抗光照能力得到显著增强。     

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。