深度学习、目标检测

一、主要研究内容1.基本内容 本设计目标在于利用Matlab强大的图像处理能力和实用便捷的编程方法，通过处理包含人脸的视频帧系列图像，灰度积分投影技术的眼睛定位方法，进而利用perclos计数，计算眨眼率，从而得到比较准确的疲劳状况。包括lun文初稿撰写。2.具体要求 本设计基于灰度积分投影技术的眼睛定位方法，再结合perclos技术。首先通过图像预处理技术得到灰度分配较为均匀的图像然后分别利用水平和垂直灰度积分投影曲线结合人脸的结构特征找到眼睛的位置坐标实现了准确的眼睛定位通过perclos技术技术眨眼率，根据先验值得到是否疲劳。二、算法原理 视频输入——预处理去除非人脸区域——人脸定位——人眼定位（灰度积分投影）——眼睛张合度——perclos技术统计——输出结果三、GUI界面设计[需要有一定编程功底]

针对距离扩展目标所占据的各距离单元输出的信杂比在统计意义上不同的一般情况,在分析基于顺序统计的广义似然比检测(generalized likelihood ratio test based on order statistics,OS-GLRT)的基础上提出了两种改进的检测器。第一种是修正的OS-GLRT,它采用或规则,将所有可能的有效距离单元数量得到的OS-GLRT的结果进行融合后做出判决,所得到的修正的OS-GLRT无需有效距离单元数量等目标先验信息。第二种是结合双门限(dual threshold,DH)技术,通过设置固定的第一门限对有效距离单元数目进行估计,动态的第二门限形成最终的判决。与同类检测器相比,新检测器不需要距离扩展目标的先验信息,具有较好的鲁棒性。

线列红外推扫探测器扫描帧率低,存在带状噪声,为此,提出一种基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法。在红外图像上均匀布置采样窗口,令采样窗口根据图像亮度梯度聚集到高亮区域。融合红外图像的目标能量信息、局域对比度、目标像素聚拢度等多种特征,将采样窗口的加权叠加作为目标概率图。使用全局阈值分割获取目标,最终实现红外小目标的检测。实验结果表明,该算法可以检测中小尺寸的红外目标,且有效对抗探测器带来的带状噪声。

比较经典的运动目标检测算法——VIBE，发文章的话可以拿自己的方法和VIBE作比较。基于VC++开发

运动目标检测，前景检测，内有实验用的文件，有可视化界面，效果不错。

Pytorch生物医学视觉深度学习入门与实战--豪华版课程分享，课程包括图像分类，语义分割，目标检测三大领域，共7个完整项目！提供所有的代码和数据下载！

2D目标检测在自动驾驶领域存在很多问题，因为自动驾驶的空间首先是在3D层面上的，而且需要使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息。这一类检测称为3D目标检测。

该数据集包含1500+张图片，同时使用labelme标注工具进行标注（包含xml坐标信息的标注），适用于yolo v5等目标检测算法进行火焰检测。

沥青路面图像噪声污染多,随机性较强。针对传统路面图像在进行滤波、边缘检测等裂缝识别过程中,不能较好地识别裂缝信息且存在大量类似于裂缝的噪声污染问题,基于matlab的路面裂缝检测识别系统设计，灰度处理，路面图像增强，路面图像分割，图像分割预处理，阈值分割;形态学处理:膨胀+腐蚀，路面裂缝分类，特征提取，路面裂缝参数计算，图像滤波（均值滤波，中值滤波），图像二值化，GUI设计，代码亲测可用，有很高的参考价值