国家自然科学基金(61261040)
- 作品数：6 被引量：34H指数：3
- 相关作者：罗晖褚红亮王世昌祁美丽杨成武更多>>
- 相关机构：华东交通大学更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术交通运输工程电子电信更多>>
- 交通监控中基于压缩感知的WMSN视频编解码被引量：1
- 2013年
- 在交通监控中,利用WMSN节点获取路况视频,适用于复杂多变的地理环境,但视频图像数据量大,而WMSN节点资源受限。基于压缩感知技术和传统视频编码理论,提出了一种新的WMSN视频编解码方法。在编码端,依据视频图像的相关性对视频流进行分帧,再根据其特点分别进行压缩感知处理。在解码端,运用OMP算法重构关键帧和残差帧视频图像,进而恢复视频流。仿真实验表明,在保证视频图像重构质量的前提下,可以减少监控网中视频传输的数据量。
- 罗晖王世昌褚红亮杨成武
- 关键词：交通监控WMSN压缩感知视频编解码
- 基于K-SVD的低信噪比WMSN视频图像稀疏去噪被引量：3
- 2014年
- 无线多媒体传感器网络WMSN因感知视频等信息的优势而被广泛应用,但受天气、光照等外因干扰,所采集视频图像常含有较为严重的噪声。因此,在低信噪比条件下进行视频图像去噪是保证WMSN视频监测有效性和可靠性的关键。在分析WMSN视频图像特征的基础上,首先对其进行周期性采集、分帧及帧差等预处理;然后对关键帧运用K-SVD训练DCT冗余字典以充分稀疏表示图像特征,并采用基于残差比的改进型Batch-OMP实现关键帧去噪及重构,而对残差帧则基于DCT冗余字典进行稀疏去噪处理;最后,叠加去噪后的关键帧和残差帧,从而整体上实现低信噪比WMSN视频图像的去噪及重构。实验表明,本算法能更加有效地、较为快速地滤除视频图像噪声,适用于低信噪比WMSN视频图像去噪。
- 罗晖褚红亮王世昌
- 关键词：低信噪比无线多媒体传感器网络
- 基于图像增强与深度学习的钢轨表面缺陷检测被引量：17
- 2021年
- 相比传统的物理检测算法,基于机器视觉的检测算法具有检测速度快、操作便捷等诸多优点,但因受光照不均、相机失焦抖动、雨雪天气等外界因素的影响,导致检测精度降低。针对这一问题,提出一种基于图像增强与深度学习的钢轨表面缺陷视觉检测算法。首先,对图像进行Gabor滤波去噪,以减少噪声对缺陷检测的影响;然后,利用HSV空间变换方法增强缺陷图像的关键特征信息;最后,通过改进Faster R-CNN卷积神经网络,实现了多尺度钢轨表面缺陷的检测与识别。通过对所提出的检测算法进行对比实验,实验结果表明:裂纹、剥落、磨损三类缺陷的识别精度分别为91.87%,92.75%和91.52%,检测速度为每张图像0.265 s,优于已有的钢轨表面缺陷检测算法,能够很好地应用于实际项目中。
- 罗晖徐广隆
- 关键词：机器视觉目标检测图像增强卷积神经网络
- 基于置乱、混淆与掩蔽规则融合3D混沌映射的图像加密算法研究
- 2014年
- 针对当前的3D混沌映射加密算法存在安全性不高,加密速度慢、密钥空间小以及不具备抗多种攻击能力等不足,设计了三个规则:置乱规则、混淆规则与掩蔽规则,提出了一种基于置乱、混淆与掩蔽三规则融合3D混沌映射的图像加密算法来解决上述问题。首先对初始图像的字节进行预置乱处理,得到位图图像;随后将其分成若干个小块,在置乱规则下迭代3D混沌映射得到一个二维数组,利用该数组选择像素块进行像素位置置乱操作;在混淆规则下迭代3D混沌映射得到一维伪随机数组,利用该数组对置乱后的像素块进行混淆操作;在掩蔽规则下再次迭代3D混沌映射得到三元序列,利用该序列对扩散后的像素块进行掩蔽处理。在MATLAB仿真软件中验证本文算法,结果显示该算法高度安全,密钥空间巨大,运行速度快。
- 尹燕罗晖王传云
- 基于稀疏表示的WMSN红外和可见光图像融合被引量：1
- 2014年
- 在使用无线多媒体传感网络WMSN进行环境监测的过程中,对同一场景所采集的红外和可见光源图像进行信息融合时,传统的方法融合的数据量较大且没有充分考虑其内在稀疏性和丰富的结构特征,图像融合的质量不高。将稀疏表示理论应用于WMSN红外和可见光图像融合中,在原始DCT冗余字典基础上,结合K-SVD字典训练算法和同步正交匹配追踪SOMP算法对WMSN红外和可见光图像进行有效的稀疏表示,并选择自适应加权平均融合规则对稀疏表示系数进行融合处理。仿真结果表明,相对于传统的基于空域及变换域的红外和可见光图像融合方法,该方法更能从WMSN含噪图像中有效地保留源图像的有用信息,获得较好的融合效果。
- 罗晖刘洁丽祁美丽
- 关键词：无线多媒体传感器网络图像融合
- 基于深度学习的公路路面病害检测算法被引量：13
- 2022年
- 针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network,PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss,AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks,Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。
- 罗晖余俊英涂所成
