基于时空双流卷积神经网络的红外行为识别

针对红外视频人体行为识别问题,提出了一种基于时空双流卷积神经网络的红外人体行为识别方法。通过将整个红外视频进行平均分段,然后将每一段视频中随机抽取的红外图像和对应的光流图像输入空间卷积神经网络,空间卷积神经网络通过融合光流信息可以有效地学习到红外图像中真正发生运动的空间信息,再将每一小段的识别结果进行融合得到空间网络结果。同时将每一段视频中随机抽取的光流图像序列输入时间卷积神经网络,融合每一小段的结果后得到时间网络结果。最后再将空间网络结果和时间网络结果进行加权求和,从而得到最终的视频分类结果。实验中,采用此方法对包含23种红外行为动作类别的红外视频数据集上的动作进行识别,正确识别率为92.0%。结果表明,该算法可以有效地对红外视频行为进行准确识别。     

基于改进YOLOv3网络的无人车夜间环境感知

环境感知是无人车夜间行驶中的一项关键任务，提出一种改进的YOLOv3网络，以实现夜间对无人车获取的红外图像中行人、车辆的检测，将判断周边车辆的行驶方向问题转化为预测车辆位置的角度大小问题，并与深度估计信息进行融合对周边车辆行驶的距离和速度作出判断，从而实现夜间无人车对周边车辆行驶意图的感知。该网络具有端到端的优点，能实现整张图像作为网络的输入，直接在输出层回归检测目标的边界框位置、所属的类别和车辆的角度预测结果，并和深度估计信息融合得到周边车辆的距离和速度信息。实验结果表明，使用改进的YOLOv3网络对夜间无人车获取的红外图像进行目标检测的时间为0.04 s/帧，角度和速度预测效果较好，准确性和实时性达到了实际应用要求。     

一种基于块模糊增强的玉米田遥感图像边缘检测方法

针对高分一号卫星(GF-1)玉米田遥感图像中玉米田光谱复杂和地块边缘模糊导致的面积统计误差大的问题,本文提出一种块模糊增强和最小值边缘提取相结合的边缘检测方法进行玉米田地块分割处理,以减小面积统计误差。首先将彩色遥感图像从RGB变换到I¹I²I³彩色空间,提取出含丰富特征的单色图I¹;然后利用模糊理论对I¹进行基于块的增强处理;再对增强后的图像进行最小值边缘提取;最后利用Full Lambda-Schedule算法对区域边缘进行优化。通过与Canny和Sobel等边缘提取方法比较,证明本文的边缘检测结果能有效地分割出玉米田地块目标,减少了玉米田光谱复杂和边缘模糊带来的影响,检测出的边缘更符合玉米田实际分布,玉米田面积统计结果更符合实际。