摘要：针对自然环境中作战人员及军事设备的伪装隐蔽性问题,提出了一种基于背景分割法的数码迷彩设计方法。首先,通过分析环境场景的特征,采用特征提取技术,确定最佳的迷彩图案元素。其次,利用背景分割法进一步细化数码迷彩图案的色彩分布占比,使数码迷彩图案置于环境场景的任意位置都能保持良好的伪装隐蔽效果。最后,运用ResNet-50深度神经网络模型和Mask R-CNN迷彩目标分割模型对基于背景分割法设计得到的数码迷彩图案进行伪装隐蔽性能评价。结果表明,相比于传统迷彩设计方法,此方法得到的数码迷彩图案的伪装隐蔽性能显著提升,隐蔽融合度均值提高至99.00%以上,环境场景的相似度提高20.41%,平均分割识出率降低82.21%。

摘要：针对动静态背景场景下背景分割虚警率高的问题,提出了一种基于块直方图特征的Zivkovic混合高斯模型改进算法—BHZ-MoG。该算法设计了图像的块观测向量,并根据块观测向量的统计规律将图像块分类为动态、半动态、静态块,由此给出了结合块观测向量与块分类的块直方图特征提取算法,同时结合块直方图特征与Zivkovic混合高斯模型对不同类型的块分别进行背景分割与模型更新。实验结果表明,相较于Zivkovic混合高斯模型,BHZ-MoG算法能够在保证查全率不变的情况下,有效提高背景分割结果的查准率;Zivkovic混合高斯模型及BHZ-MoG的最大F1分数分别为0.758和0.790,说明了BHZ-MoG算法可以获得较佳的前、背景分割效果。另外,BHZMoG算法还可有效降低Zivkovic混合高斯模型在动态背景下的虚警率。

摘要：化学除草剂和杀虫剂的运用对环境造成很大的冲击,有选择地对准目标精确喷药能够有效地减少化学药剂的使用量,对准精确喷药的关键是运用机器视觉技术正确地识别目标,而作物与背景的快速并准确地分割是正确识别目标的基础。文章介绍几种图像的颜色模型和转换公式,运用VC++软件设计出图像背景分割的程序。选择南京农业大学江浦农场的玉米田、花生田和校园内的小麦田作为研究对象,运用自行设计的程序对图像进行分割并计算出分割图像所需的时间。用处理耗时与处理效果两个指标来评定用于背景分割的几种颜色特征。研究结果表明,过绿的2G-R-B是最好的背景分割因子,这个分割因子具有耗时少、分割效果好且不受光照强度影响的特点,能够满足农业智能生产中实时性的要求。

摘要：人群分布不均、遮挡和背景干扰等问题使得人群计数成为了一项复杂且具有挑战性的任务。针对这些问题,提出了一种多尺度特征融合的位置关注网络(Position-Aware Network based on Multi-Scale Feature Fusion,MSFPANet)。首先,设计了一种多尺度特征融合模块,以在不同感受野下提取并融合人群密度图的多尺度特征,同时提取出前景信息,来应对人群计数中的遮挡和背景干扰问题;然后,通过位置注意力分配网络提高模型对人群区域的关注度,有效地应对人群分布不均的问题;最后,为了辅助模型训练,减小背景噪声带来的干扰,引入了一种结构交叉损失用于强化模型对人群结构的学习。实验结果表明:MSF-PANet在Shanghai Tech Part A、Shanghai Tech Part B、UCF-QNRF和UCF_CC_50上平均绝对误差分别为59.5、7.8、103、182.7,均方误差分别为96.7、13.6、177、237.7,验证了所提模块在提高人群计数准确率上的有效性。

摘要：为解决三维扫描仪的实时性,文章提出了以FPGA处理器与PC主机交互式共同完成提取轮廓线的快速算法。该算法由两个阶段组成:第一阶段由主机计算背景与目标的分割阈值。第二阶段由FPGA处理器实时检测轮廓线位置信息。该快速算法具有计算简单、实现速度快等优点,并且减少了传输与存储的数据量,减轻了后面主机计算工作量。同时,省掉了昂贵的图像采集压缩卡与高速硬盘,降低了成本。可重构FPGA处理器设计成流水线结构,对每个像素的平均处理时间控制在70ns以内。仿真与综合结果表明:从一帧720576标准PAL制视频图像中提取轮廓线信息可在40ms内实时完成。

摘要：针对植物叶片的病害识别问题,设计一种基于卷积神经网络的识别方法,针对植物前景与背景分割问题,设计一种新的灰度变换方法,之后使用Ostu法与基于Sobel算子混合切割的方法成功将植物叶片的前景与背景分离,针对38种植物病害对Alex Net进行改进,使用19000张预处理完成后的图片对神经网络迭代30次以后,在植物病害数据集上的识别率达到98.4375%,可以为卷积神经网络在植物病害识别做一个参考。

摘要：为改善高校实验室环境和卫生状况,提高废物垃圾分类处理效率,设计了一套基于计算机视觉的实验室场景下废物垃圾分析与识别的方案。该方案主要由图像采集、图像预处理、废物垃圾与实验室背景的分割、图像的纹理特征提取和图像识别组成。在图像处理过程中,运用Matlab图像处理函数库达到了预期效果,实验结果表明:该方案简单易行,分析效率和识别度高,目前已运用到实际项目中。

摘要：在人群计数领域中,复杂背景干扰一直是一个具有挑战性的问题.现有研究通过引入注意力机制等方式弱化背景噪声对计数的影响.但是,随着研究的深入,人群计数网络规模不断扩大,影响了计算效率和实时应用.为了解决复杂背景问题并提高计数效率,该文提出了一个基于背景辅助的高效人群计数多任务学习网络(BAMTLNet).与现有网络不同,为了减少网络的参数量,只采用了VGG-16的前7层作为前端网络.在后端网络中,为了解决复杂背景问题,我们使用了两个高度相关的人群任务:①生成估计密度图主任务,采用3个普通卷积层生成密度图,通过积分获得单张图片的人数.②复杂背景分割辅助任务,采用3个特定的膨胀卷积层生成图片的背景分割图.两个任务直接连接在前端网络后,没有相互交叉.我们还设计了背景辅助多任务损失函数,通过硬参数共享的方式优化前端网络参数,向主任务传递复杂背景的高级语义信息并优化网络.该端到端人群计数多任务学习网络仅有10层卷积层,参数量小,实现了网络轻量化.在3个人群计数基准数据集上进行了实验,获得了令人满意的结果.