基于特征区域匹配的运动物体检测

提出了一种利用特征区域的匹配实现运动目标提取的检测方法。特点是能通过背景图像与当前图像的特征区域中心位置偏差，确定运动目标在背景图像中的确切位置。实验证明，这种方法运算量小，适应性强，并且能在复杂的背景环境下有较好的检测效果。     

基于HOG特征提取的骑车人检测算法研究

近年来,骑车人检测系统(cyclists detection system,CDS),随着行人检测系统的广泛研究也开始成为活跃的研究课题。本文针对车载视频中的骑车人,首先提出了一种新的骑车人特征提取算法——HOG-LP,获得骑车人的有代表性的特征,然后结合SVM分类算法骑车人进行检测。实验结果表明,本文方法能有效地实现骑车人检测。     

基于极化联合特征的海面目标检测方法

该文从全极化体制角度出发,提出一种基于极化联合特征的海面目标检测方法。首先基于极化协方差矩阵,通过Cloude特征分解,提取表征回波随机程度的极化熵和反熵的数学期望;接着直接基于极化散射矩阵,通过Krogager特征分解,提取表征回波中极化散射分量结构组成的球散射体分量、二面角散射体分量和螺旋体散射分量的归一化系数;由提取的特征构成五维特征空间,利用主成分分析(PCA)降维证明所提特征具有良好的可分性,最后采用一类支持向量机(OCSVM)对目标和杂波进行识别。所提方法分别从极化相干和非相干分解两个角度出发,通过两种不同的极化分解方式提取特征,在一定程度上解决了高海情下基于单一极化分解方法存在的检测效果不理想的问题。通过IPIX实测数据验证所提方法具有良好的检测能力。      

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题,设计了一种基于多特征向量的分类算法.该算法首先对目标和箔条的特征进行分析,而后选择并构造了一组具有较高区分度的极化特征识别量,最后采用支持向量机(SVM)方法,通过对特征样本进行训练,获得了较好的分类结果.实验表明,所提算法具有较强的抗箔条干扰能力,且检测正确率可达90%以上.     

基于特征组合的中文实体关系抽取

结合中文关系抽取的要求,以ACE2005的中文语料为数据进行关系抽取实验.在抽取中文词法、实体、句法,语法基本特征后,提出采用特征组合方法,使用支持向量机的机器学习(SVM)方法,在上关系探测和关系大类上F值分别提高了1.36%和3.97%,达到72.77和61.03,并分析出各部分组合特征的贡献.实验数据表明词语和实体组合特征对中文关系抽取的作用较大.     

基于粗糙集特征级融合的肺结节检测算法

以肺结节的检测为研究目标,针对肺结节特征级融合检测算法中存在特征结构不合理和特征表达不紧致两个问题,提出了一种基于粗糙集特征级融合的肺结节检测算法,该算法首先分析肺部CT影像的医学征象,提出了六个新的三维特征,并综合其他二维和三维特征共42维特征分量共同量化ROI;然后基于粗糙集对提取的特征集合进行5次特征级融合实验;最后利用网格寻优算法优化核函数的SVM作为分类器进行肺结节识别.以70例肺结节患者的肺部CT影像为原始数据,通过4组对比实验验证算法的有效性和稳定性,实验结果表明,经过粗糙集特征级融合的肺结节检测算法识别肺结节的能力得到了有效提升.     

基于形状特征的红外目标检测方法

针对红外地面固定目标无直接可用基准图,目标边缘模糊,不利于目标识别检测等问题,提出一种新的基于形状特征的红外目标检测方法。首先在依据红外图像形状特征的基础上,引入图像的灰度形态学梯度,扩展对比度、增长图像边缘特征;其次进行多子区划分,并设计像素相似性计算,有效地结合了像素点的灰度信息以及空间位置;最后在考虑实时图中非真实边缘影响时,加入了Canny算子检测边缘,分离目标与背景,在红外实时图中检测出所需的目标。实验结果表明,本文所提算法检测率能达到80%以上,与直方图检测方法、Hausdorff算法、Nprod算法相比,分别平均提高了近10%,11%,20%,算法花费时间缩短2/3。对于红外固定目标,该方法具有检测率高、速度快、精度高等优点。     

基于首位数字特征的双重MPEG压缩检测算法

视频双重压缩检测是检测视频篡改的有效方法,可用于鉴定视频的真实性与可靠性。该文针对离散余弦变换交流系数首位数字的概率分布与对数定律的拟合关系,选取了一种12维的首位数字特征,并采用支持向量机进行双重MPEG压缩的检测。对比实验证明该算法具有较高的准确率和效率。     

基于结构支持向量机的目标检测跟踪同步算法

目标检测跟踪同步算法通过对视频帧的目标实时检测来达到跟踪的目的,该算法主要是为了维持一个能够在线训练的分类器,把从背景采样的样本作为负样本,从目标区域采样的样本作为正样本,然后通过分类器把二者区分开,以达到跟踪效果。然而当目标产生形变以及目标区域发生遮挡的时候,如何对样本采样和精确标记成为跟踪成败的关键。在结构支持向量机的框架下,提出一种基于结构支持向量机的目标检测跟踪同步算法。由于结构支持向量机的输出可以是复杂的数据结构,因此采用结构支持向量机,把目标位置估计作为结构支持向量机的输出,避免了对样本标记精确估计的需要,克服了当目标发生遮挡和大范围变形时导致的跟踪失败。仿真实验表明,该算法有良好稳定的跟踪效果。     

云组合服务网络的异常植入数据检测算法

云组合服务网络在路由转发控制受到节点的同态扰动影响,容易受到植入入侵,为了提高网络的安全性,提出一种基于阈值组合判决的云组合服务网络的异常植入数据检测算法。构建网络异常植入数据的统计特征模型,采用大数据挖掘技术进行云组合服务网络异常植入数据特征检测和滤波分析,提取云组合服务网络数据的谱特征量,采用支持向量机学习方法进行云组合服务网络的异常植入数据检测过程中的自适应寻优控制,采用双门限阈值组合判决方法,实现对目标数据的准确检测,提高对异常植入数据的准确定位检测能力。仿真结果表明,采用该方法进行云组合服务网络异常植入数据检测的准确概率较高,检测性能较好,提高了网络安全性。     

一种基于多尺度特征融合的目标检测算法

基于深度学习的目标检测器RetinaNet和Libra RetinaNet均是使用特征金字塔网络融合多尺度特征,但上述两个检测器存在特征融合不充分的问题.鉴于此,提出一种多尺度特征融合算法.该算法是在Libra RetinaNet的基础上进一步扩展,通过建立两条自底向上的路径构建两个独立的特征融合模块,并将两个模块产生...     

基于双分支特征融合的无锚框目标检测算法

针对无锚框目标检测算法CenterNet中,目标特征利用程度不高、检测结果不够准确的问题,该文提出一种双分支特征融合的改进算法。在算法中,一个分支包含了特征金字塔增强模块和特征融合模块,以对主干网络输出的多层特征进行融合处理。同时,为利用更多的高级语义信息,在另一个分支中仅对主干网络的最后一层特征进行上采样。其次,对主干网络添加了基于频率的通道注意力机制,以增强特征提取能力。最后,采用拼接和卷积操作对两个分支的特征进行融合。实验结果表明,在公开数据集PASCAL VOC上的检测精度为82.3%,比CenterNet算法提高了3.6%,在KITTI数据集上精度领先其6%,检测速度均满足实时性要求。该文提出的双分支特征融合方法将不同层的特征进行处理,更好地利用浅层特征中的空间信息和深层特征中的语义信息,提升了算法的检测性能。     

基于后验HOG特征的多姿态行人检测

行人检测是当前计算机视觉领域的挑战性课题之一.本文提出一种基于后验HOG特征的多姿态行人检测方法.首先,统计全部行人样本的梯度特征能量共性信息,对单个行人样本的HOG特征进行加权获得能够表现行人边缘轮廓的后验HOG特征,有效减少复杂背景的影响.其次,利用S-Isomap特征降维方法和K-means聚类方法对不同姿态和视角的行人做子类划分,并针对每一个子类训练子类分类器.最后,根据多个不同姿态的子类分类器输出值,训练等权重加和方式的多姿态-视角集成分类器.不同数据集上的测试结果表明,本文所提利用共性信息获得的后验特征超过了经典HOG和其它典型特征的描述能力.与现有方法相比,通过将所提出的特征与多姿态-视角集成分类器结合,有效地提高了检测精度.     

基于自编码网络特征降维的轻量级入侵检测模型

基于支持向量机(SVM)的入侵检测方法受时间和空间复杂度约束,在高维特征空间计算时面临“维数灾害”的问题.为此,本文提出一种基于自编码网络的支持向量机入侵检测模型(AN-SVM).首先,该模型采用多层无监督的限制玻尔兹曼机(RBM)将高维、非线性的原始数据映射至低维空间,建立高维空间和低维空间的双向映射自编码网络结构,进而运用基于反向传播网络的自编码网络权值微调算法重构低维空间数据的最优高维表示,从而获得原始数据的相应最优低维表示;最后,采用SVM分类算法对所学习到的最优低维表示进行入侵识别.实验结果表明,AN-SVM模型降低了入侵检测模型中分类的训练时间和测试时间,并且分类效果优于传统算法,是一种可行且高效的轻量级入侵检测模型.     

基于细化多尺度深度特征的目标检测网络

现有深度卷积神经网络中感受野尺度单一,无法适应目标的尺度变化和边界形变,故此本文提出了一种提取并融合多尺度特征的目标检测网络.该网络通过减少池化并在网络底层加入空间加信道压缩激励模块来突出可利用的细节信息,生成高质量的特征图;此外,在深层网络中加入可变多尺度特征融合模块,该模块具有多种尺度的感受野并可根据物体边界预测采样位置,最后通过融合多尺度特征使网络具有更强的特征表达能力并且对不同尺度实例及其边界信息更具鲁棒性.实验证明,本文结构实现了比原有结构更高的平均精度,与目前主流目标检测算法相比也具有一定优势.     

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一.然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性.针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度.此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果.利用精简的SVM结合Selective Search+ BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性.     

基于图像内容及底层特征的敏感图像检测方法

内容安全是信息安全领域中的一个新兴且重要的研究方向.敏感图像分析与监控是该方向的一个重要研究分支,近年来愈来愈受到关注.然而,由于其研究起步较晚且图像本身所具有的复杂多样性,相对来说,目前已有的研究成果还比较少且性能上也有待于进一步提升,为此,本文提出了一种新的敏感图像分析检测方法.该方法从基于图像内容分析和基于图像底层特征分析两个方面进行综合分析检测,在基于内容分析方面,通过分析图像是否含有大量的皮肤区域来初步检测敏感图像;在基于图像底层特征分析方面,通过颜色直方图矢量和颜色聚合矢量提取图像的颜色及空间信息,并在此基础上利用SVM进行分类,从而实现敏感图像的初步检测;最后,对上述两方面的初步检测结果进行综合判决,实现敏感图像的最终检测.仿真实验结果出示了该新方法的有效性.     

基于SVM的入侵检测系统中特征权重优选方法综述

基于统计学习理论的支持向量机有较好的泛化能力,然而当样本含有与该问题不完全相关甚至完全无关的特征时,会使得各个特征对问题的相关程度差异很大,为了提高分类的正确率,对各个特征进行加权尤为重要。在入侵检测系统中,网络中的特征对分类结果的影响程度也是不同的,本文列举了对这些特征进行加权的几种方法。     

结合边缘检测和区域分割的形状特征提取

提出了一种将Canny边缘检测和区域分割相结合的形状特征提取方法.该方法通过区域分割得到的粗略形状轮廓,过滤掉边缘检测轮廓中不规则或冗余的边界点,得到位置比较准确的主轮廓图像,减少形状描述的计算量.为验证方法的有效性,建立了一个基于形状特征的图像检索系统框架,实验结果表明,该方法提高了系统检索准确性.     

基于Bagging支持向量机集成的入侵检测研究

对大数据集来说，支持向量机的时空耗费非常大，本文采用bagging技术对支持向量机进行集成。首先用bootstrap技术对训练样本集进行可重复采样，使所得到的新子样本集有较大差异，然后用多个支持向量机对各子样本集进行学习，并将学习后的结果用多数投票法集成最终的结论。实验表明，支持向量机集成对入侵检测数据有比单个支持向量机更好的分类性能。