传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

基于多核学习的GIST全局和SIFT局部特征融合遥感图像检索方法.pdf

基于特征融合的堆叠工件分类识别研究，杨继东，胡啟旭，本文针对堆叠工件的识别问题，提出了一种基于决策融合的方法，旨在提高目标工件的识别准确率。使用SVM支持向量机作为分类器，提取

研究了多模态身份识别问题,结合人脸和掌纹两种不同生理特征,提出了基于特征融合的多模态身份识别方法。对人脸和掌纹图像分别进行Gabor小波、二维主元变换(2DPCA)提取图像特征,根据新的权重算法,结合两种模态的特征,利用最邻近分类器进行分类识别。在AMP、ORL人脸库和Poly-U掌纹图像库中的实验结果表明,两种模态的融合能更多地给出决策分析所需的特征信息相比传统的单一模态的人脸或掌纹识别具有较高的识别率,更具安全性和准确性。

基于SVM多特征融合的微表情识别python源码+项目说明.zip 将上述文件与main.py放在同一目录下，直接运行main.py： a. 从同目录下的CASME II文件夹中提取数据，文件夹的结构为CASME II/subject_name/ep_name/image b. 程序所需文件在CASME II文件夹下，分别为CASME2.xlsx, shape_predictor_68_face_landmarks.dat, UniformLBP8.txt c. 程序将CASME II中第一个表情的第一张图片作为标准面部图像，对所有图像序列进行裁剪与配准，得到192*192的图像序列 d. 将配准后的结果存入result/lwm_result.npy中 e. 随后程序对图像序列进行动作放大，其中放大频率区间为[0.2Hz, 2.4Hz], 放大因子为8 f. 随后对图像序列进行时序插值，目标帧数为10帧 g. 随后对图像序列提取LBP-TOP、3DHOG、HOOF特征，存放于result/features/LBP_feature.npy (或HOG_feature.npy, HOOF_

基于改进SSD算法(SE+特征融合)的苹果叶病虫害识别系统源码(pytorch框架)+改进前源码+病害数据集+项目说明.zip 主要改进点如下： 1、替换backbone为Resnet/MobileNet 2、添加一种更加轻量高效的特征融合方式 feature fusion module 3、添加注意力机制 (Squeeze-and-Excitation Module 和 Convolutional Block Attention Module) 4、添加一种解决正负样本不平衡的损失函数Focal Loss 附有苹果叶病害数据集，可训练模型

研究多特征融合的深度网络模型对人脸识别的方法，并通过实验对不同的人脸识别方法进行对比

基于深度神经网络的交通灯检测算法研究与实现，张逸凡，傅慧源，交通灯检测技术是自动驾驶系统的重要组成部分，但是传统方法的交通灯检测技术存在准确率低，算法速度慢等弊端。基于深度神经网络

大部分基于卷积神经网络的双目立体匹配算法往往将双目图像对的像素级别特征作为匹配代价进行计算,缺乏将全局特征信息结合到立体匹配算法的能力,导致不适定区域(如弱纹理区域、反光表面、细长结构、视差不连续区域等)的匹配精度差,进而影响整体立体匹配精度。针对这个问题,提出一种基于多维特征融合(MDFF)的立体匹配算法,该算法主要由三个模块组成:残差开端(Inception-ResNet)模块、空间金字塔池化(SPP)模块和堆叠沙漏网络(SHN)模块。Inception-ResNet模块主要提取图像对局部特征信息;SPP模块主要提取图像对全局特征信息,构建匹配代价卷;SHN模块用来规则化匹配代价卷。在KITTI2012和KITTI2015数据集上进行验证,可得本文算法的三像素平均误匹配率为1.62%和1.78%,超过了国内外大部分先进算法;此外,本文提出的立体匹配算法在Apollo数据集和Middlebury数据集上也表现较好。

提出了一种新的基于核的自适应目标跟踪方法，以提高复杂背景下目标跟踪的鲁棒性和准确性。 尺度不变特征变换（SIFT），颜色和运动特征的三个核函数的线性加权组合用于表示跟踪目标的概率分布。 外观和运动功能相结合，以增强目标区域的位置稳定性和准确性。 跟踪窗口的大小可以根据相应SIFT对的仿射变换参数进行实时调整。 为了更好地提取特征，还根据场景自适应地调整了三个核函数的权重。 实验表明，该算法能够在不同场景下成功跟踪运动目标。 此外，它可以处理目标姿态，比例，方向，视图和照明变化，并且其性能优于经典的Camshift算法，基于SIFT的方法和基于颜色SIFT的方法。