基于多模型深度卷积网络融合的人群计数算法

为了避免景深和遮挡的干扰, 提高人群计数的准确性, 采用了LeNet-5, AlexNet和VGG-16 3种模型, 提取图像中不同景深目标的特性, 调整上述模型的卷积核尺寸和网络结构, 并进行了模型融合。构造出一种基于多模型融合的深度卷积神经网络结构, 网络最后两层采用卷积核大小为1×1的卷积层取代传统的全连接层, 对提取的特征图进行信息整合并输出密度图, 极大地降低了网络参量且取得了一定提升的数据, 兼顾了算法效率和精度, 进行了理论分析和实验验证。结果表明, 在公开人群计数数据集shanghaitech两个子集和UCF_CC_50子集上, 本文中计数方法的平均绝对误差和均方误差分别是97.99和158.02, 23.36和41.86, 354.27和491.68, 取得比现有传统人群计数方法更好的性能; 通过迁移实验证明所提出的人群计数模型具有良好的泛化能力。该研究对人群计数精度的提高是有帮助的。     

补充语义信息的多特征融合模糊文本分类

针对中文文本分类中依赖词嵌入和单一的神经网络,存在语义表达不充分、特征获取不全面且文本表达模糊比清晰更难以辨识类别的问题,提出补充语义信息的多特征融合(multi-feature fusion with supplementing semantic information,SSI-MFF)的模糊文本分类模型,使用BER...     

基于单列特征融合卷积神经网络的人群计数技术

为了提高人群计数精度,设计一种基于单列特征融合卷积神经网络的人群计数技术。该网络包含前端网络、中端网络以及后端网络三个部分。前端网络采用VGG16网络的前十层并使用特征金字塔池化来融合基础特征;中端网络采用小尺寸卷积层堆叠以及特征融合的方法来提取多尺度特征;后端网络采用不同空洞率的空洞卷积层来提高感受野,从而得到人群密度图。实验在ShanghaiTech数据集上进行,结果表明,该网络在人群计数上具有良好的准确性与鲁棒性。     

高效融合全局和局部上下文特征的语义通信系统

采用基于深度学习的端到端一体化设计方法,提出了一种基于扩展上下文语义特征的通信系统。区别于已有研究中只关注局部上下文而忽视全局上下文的问题,所提系统有机地融合了局部和全局上下文知识,利用扩展上下文知识进行语义编码和语义译码,提升了语义通信系统的可靠性。在发送端,采用基于扩展上下文的语义编码,实现高效的语义表征。在接收端,结合历史通信文本挖掘机制、上下文语义特征学习机制和基于启发式图搜索的译码策略,提升语义推理的准确性。与现有语义通信系统仿真对比结果表明,相较于传统通信系统和现有语义通信系统,所提系统在低信噪比下显著提升了通信系统的可靠性。     

基于上下文信息的监控场景行人检测方法

为了提高监控场景中行人检测的准确度,提出了一种基于上下文信息的行人检测方法.该方法将监控场景的上下文信息融入到卷积神经网络中,选择性地学习对行人检测有帮助的上下文信息.首先,利用一个截断的卷积神经网络提取输入图像的多张特征图.然后,将多张特征图通过两个包含上下文信息的卷积层,形成一张掩码图.最后,通过在掩码图上估计行人的边界框,获得行人检测的结果.实验表明,该方法能实现监控场景中准确且快速的行人检测.     

基于像素统计和纹理特征的人群密度估计

提出了一种人群密度估计算法,将像素统计和纹理特征两种基本方法进行有效结合。前景提取使用改进的Vibe算法,设定感兴趣区域(ROI)来减少运算量。同时,引入形态学处理和透视矫正消除了因人物远近所造成的误差。并设定了一套人群密度等级划分的标准,克服了因人群密度高低频繁变化造成的误差。最终,实验结果显示运算速度和正确率均较为可观,证明了本算法的可靠性。     

医院监控场景下的人群密度估计方法

人群密度估计是智能化人群监控中的重要内容,在公共安防、管理控制和商业决策等方面起着重要作用。文中针对医院应用场景,采用一种基于分块的方法,对每一个子图像分别利用基于像素特征与最小二乘直线拟合方法进行人数定量分析和基于灰度共生矩阵与支持向量机的方法进行密度定性分析,得到整幅图像中不同子图及整幅图像的人数和密度分布图。实验表明,该方法能有效的提高人群密度估计的准确率,且还能对局部的密度异常精准定位。     

大规模群体密度估计算法

针对大规模人群的密度分析技术,对传统的像素统计特征人群密度分析和灰度共生矩阵(GLDM)密度分析算法进行了透视矫正改进,提高了群体密度分析的精度.同时综合了像素统计特征和灰度共生矩阵特征的优点,设计了大规模群体的密度分析系统,在全密度范围内具有比较高的密度估计精度,其提供的数据可以为大规模群体管理提供依据.     

基于GIS的可跨场景人群密度估计方法

Crowd density is an important factor of crowd stability. Previous crowd density estimation methods are highly dependent on the specific video scene. This paper presented a video scene invariant crowd density estimation method using Geographic Information Systems （GIS） to monitor crowd size for large areas. The proposed method mapped crowd images to GIS. Then we can estimate crowd density for each camera in GIS using an estimation model obtained by one camera. Test results show that one model obtained by one camera in GIS can be adaptively applied to other cameras in outdoor video scenes. A real-time monitoring system for crowd size in large areas based on scene invariant model has been successfully used in ＇Jiangsu Qinhuai Lantern Festival, 2012＇. It can provide early warning information and scientific basis for safety and security decision making.     

基于可变矩形框的人群密度估计算法

随着经济的发展,在一些公共场合人流量越来越大。传统的人工监控因为其局限性,已不能满足实际需要,于是出现了基于图像处理技术的智能视频场景监控系统。针对高人流密度场景的现状,在基于像素数的人群密度估计算法的基础上,提出了基于可变矩形框的人群密度估计算法。该算法主要由最小二乘法线性拟合和检测算法2部分组成。实验结果表明该算法不仅能减小视频中行人大小变化所造成的像素数非线性变化误差,而且能较有效地消除噪声点的影响,具有较高的人群密度估计准确度和鲁棒性。     

基于多特征融合的微博用户权威度定量评价方法

微博用户权威度是评价微博信息可靠性的重要因素之一.本文针对微博用户权威度的定量计算提出了一种基于多特征融合的微博用户权威度定量评价模型.首先,提出了用户权威度的概念,将其定义为用户影响力和被信服度两部分组成;在暂不考虑用户领域影响因子的情况下,基于新浪微博数据,抽取出微博用户信息传播影响力、用户信息完整度、用户活跃度以及用户平台认证指数4项评价特征,以构建了用户权威度定量计算模型;然后,采用层次分析法对所构建模型的4项评价特征的权值进行确定,并分别给出了4项评价特征的提取算法.同时,在用户关注关系网络的基础上,提出了一种基于用户被关注价值的用户信息传播影响力模型UIRank,并通过实验验证了其比PageRank算法更加有效.实验结果表明,本文提出的微博用户权威度定量计算模型比较合理,为用户权威度的定量评价提供了一种可行的解决方案.     

基于多特征融合的Chirp扩频通信调制样式分类识别方法

自动调制分类(AMC)在频谱监测和认知无线电中具有重要意义。近年来,Chirp扩频通信(CSS)由于其良好的抗干扰能力和稳健性得到了较大发展,但是对CSS信号的AMC方法却鲜有研究。针对这种情况,该文提出了一种基于多特征融合(MFF)的CSS信号调制分类方法,利用频谱和时频图特征融合学习并引入注意力模块来实现CSS信号调制识别。对11类CSS信号调制样式的仿真实验结果表明,该方法有优越的识别性能。     

基于多目标多特征信息融合数据关联的无源跟踪方法

在多目标无源跟踪中,传统的数据关联方法只利用那些与目标状态向量计算直接相关的信息(如DOA、TOA信息等).本文提出了一种新的数据关联算法——基于多目标多特征信息融合的数据关联算法,该算法同时利用了更多的目标特征信息(如频率、PRI等),应用D-S证据理论进行单目标多特征信息融合,在此基础上,再进行多目标综合数据关联.它是一种基于多特征信息的全局最优的算法.计算机仿真表明,基于该算法的无源跟踪性能要优于传统的NN方法和扩展的NN方法.     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。