导读:本文包含了夜间检测论文开题报告文献综述及选题提纲参考文献，主要关键词:叁亚市,噪声,吉阳,亚路,检测,生态环境保护,交警,交通运输,现场核查,高速道路
夜间检测论文文献综述
李少云[1]（2019）在《叁亚多部门实地进行昼夜噪声布点检测》一文中研究指出本报讯（ 李少云）7月23日，叁亚市接到中央第叁生态环境保护督察组转办的有关“吉阳区榆亚路680号绿地悦澜湾小区附近，过往车辆噪声大影响居民生活”的群众信访举报件后，市区相关职能部门迅速行动，赶赴现场进行调查处理。据该群众信访反映称，吉阳区榆(本文来源于《叁亚日报》期刊2019-07-25）
张海玉,陈久红[2]（2019）在《一种基于深度学习的夜间车流量检测方法》一文中研究指出当车流量较少时,降低路灯亮度可以达到能源节约目的。为此,采用深度学习中的R-FCN目标检测网络完成夜间车辆检测任务。R-FCN网络相比传统深度学习网络,不仅是基于区域推荐模型的网络,而且引入了平移变化特性,所以对目标检测效果更好。为了占用更少硬件资源,缩小模型规模,采用ShuffleNet通道分组与组间通信机制,压缩原始残差网络。同时,对NMS(非极大值抑制)算法进行修改,从而可以更好地筛选重迭目标,降低网络漏检率。实验结果表明,该方法准确率较高,在UA-DETRAC数据集的夜间图片检测中精度最高可达到90.89%。(本文来源于《软件导刊》期刊2019年09期）
穆楠[3]（2019）在《夜间场景下显着目标检测方法研究》一文中研究指出图像显着目标检测旨在模拟人类视觉机理来提取出图像中的最能吸引人眼视觉注意的物体或区域,该研究为快速且有效地处理视觉数据提供了新的思路,已经成为计算机视觉领域的一个热门研究方向。目前国内外已有的显着目标检测模型大多针对于可见光场景,对夜间场景的研究比较少。由于夜间场景的光照条件不足,对比度偏低,颜色信息退化严重,亮度和信噪比都相对较低,造成了图像感知质量大幅度降低,因此现有算法和技术对夜间图像的分析、理解和目标检测都存在很大困难,这也将夜间场景显着目标检测上升为一项具有挑战性的研究,对于该难题的解决能够为夜间安全监控、复杂环境目标定位等热点问题研究提供理论和技术基础。本论文在现有显着目标检测研究成果的基础上,分析了已有显着性模型的不足,并结合人眼视觉注意机制探讨了夜间场景的主要属性,提出了几种针对夜间场景的视觉显着目标检测模型,并构建了夜间图像数据集用于验证本研究所提出算法的有效性。主要研究内容及创新点如下:(1)针对夜间图像在单一空间下所生成的显着图不完整的问题,从像素级层面出发,提出了一种基于离散平稳小波变换融合频域空域信息的显着目标检测算法。该算法主要由基于频域的显着性度量,基于空域的显着性度量以及基于离散平稳小波变换的非线性融合叁个部分组成。通过分析人眼视觉系统在夜间场景下对不同频率光的敏感度,以夜间条件下感知强度较高的HSV颜色空间为基础来计算频域和空域显着图,再利用离散平稳小波变换使得具有冗余性和互补性的频域空域信息在像素级非线性融合的过程中保留重要视觉信息的同时抑制夜间噪声。该框架简单有效且易于扩展,实现了对夜间场景中显着目标的初步检测。(2)针对夜间场景下提取的特征判别性能差异大的问题,从特征级层面出发,以手工特征为基础提出了一种基于超像素协方差融合最优特征的局部全局显着目标检测算法。该算法主要由基于超像素的图模型,流形排序,基于区域协方差的特征融合,局部全局显着性度量以及基于全局搜索的显着性优化这五个部分组成。由于区域协方差对于旋转、尺度缩放以及光照变化都有着较强的适应性,其在特征级非线性融合的过程中有效保留了对夜间场景敏感度较低的特征信息,大大提高了夜间显着目标检测的准确性。该模型能够有效解决夜间场景下视觉特征失效的问题,不但能生成边界清晰的全分辨率显着图,同时也有效地抑制了夜间背景干扰,提升了夜间显着目标检测模型的性能。(3)针对夜间图像中视觉信息单一导致训练样本特征不均衡的问题,从特征级层面出发,在手工特征的基础上引入深度特征,提出了一种基于区域协方差引导卷积神经网络的显着目标检测算法。该算法主要由多特征提取,协方差矩阵构建,基于卷积神经网络的样本训练以及基于对比度的显着性计算四个部分组成。将手工设计得到的低级图像特征融合成的协方差矩阵作为深度学习的训练样本可以包含更丰富的图像信息,训练学习到的复杂深度特征能更有效地表达图像块的显着性。同时,深度学习构架的强大表达能力能够有效克服夜间场景中物体辨识度不高以及背景干扰严重等难题,进一步提高了夜间目标检测的准确率。(4)针对夜间场景下深度模型无法有效保留夜间目标的结构信息和边界信息的问题,从决策级层面出发,以深度学习特征为基础,提出了一种基于全局卷积和边界细化引导深度卷积神经网络的显着目标检测算法。该算法的网络框架主要由基于局部-全局特征的深度全卷积结构,全局卷积模块和边界细化模块叁个部分组成。经过随机初始化后,全卷积网络可以从大量的图像数据中自动学习更丰富的局部和全局特征。全局卷积模块使得网络获取到更精细的对象结构特征,增强了模型的判别性能。边界细化模块促使模型保留更完整的边界信息。该模型在夜间场景中具有更强的判别和泛化性能,同时检测到的显着目标有更均匀的内部结构和更完整的边缘。总结起来,本文通过上述研究,构建了夜间场景数据集,以现阶段夜间显着目标检测存在的问题为驱动,从像素级、特征级和决策级叁个层面提出了四种针对夜间场景的显着目标检测算法,对计算机视觉等相关领域的研究有着重要的参考价值。(本文来源于《武汉科技大学》期刊2019-05-01）
莫曜阳[4]（2019）在《基于高光辅助和域适应的夜间车辆检测》一文中研究指出夜间车辆检测需要我们根据夜间场景图像预测车辆的类别以及位置。该任务在自动驾驶系统(ADS)和辅助驾驶系统(DAS)中扮演不可或缺的角色。然而,夜间车辆检测有以下几个难点:(1)由于夜间光照较低,车辆的视觉特征难以识别,这给基于视觉的方法带来了很大的挑战。(2)夜间场景中车辆具有较大的类内差异,譬如对向行驶的车的头灯为白色,而同方向行驶的车的尾灯为红色,这会加大特征表达的难度。(3)相比于白天车辆数据,夜间车辆的数据比较匮乏;但是白天场景和夜间场景的视觉特征差异很大,利用白天场景训练的模型无法直接应用于夜间场景。车灯和其相应的车身反光,本文统称为车辆高光,是夜间场景中值得信赖的视觉特征。因此,有效地利用车辆高光信息可以在性能上得到较大的改进。针对有充分标记训练数据的夜间车辆检测任务,本文提出了一种基于车辆高光信息的夜间车辆检测框架。首先,本文生成了一个高细粒度的车辆高光检测器,并创建了车辆标签层级结构,以扩大类间差异和减少类内差异。然后,本文提出了一种多尺度高光特征和车辆视觉特征的融合机制,以及一种端到端的高光融合网络。由于采用了独特的车辆高光融合机制,本文所提出的方法的性能优于目前最先进的方法。同时,本文的方法迁移到不同的主流检测网络后都有较大帮助,说明本文的方法的泛化性很强。另外,在无监督域适应的夜间场景任务中,本文引进循环生成对抗的思想来拉近源域和目标域的距离。本文提出的方法超越现有最先进的目标检测的域适应方法。本文的主要贡献有以下几点:1、本文提出了两种新的融合网络,这两种网络通过学习来自动平衡车辆高光和车辆自身不同层次的视觉特征的重要性,从而适应大多数情况,甚至可以容忍车辆高光检测的误差。另外,本文发现除了车灯,车身反光也可以提供丰富的车辆位置提示信息,因此额外考虑车身反光可以大幅提升夜间车辆检测的精确度。2、本文提出一个基于伪标签迭代训练的神经网络,为车辆以及车辆高光划分子类。子类标签和原类别标签共同构成标签层级。本文基于标签层级的训练机制可以解决类内差异大的问题。3、本文提出一个针对夜间车辆检测的域适应框架。本文把生成对抗思想引入到域适应中,从图像层次和目标层次拉近源域和目标域的距离。提出的方法超越现有最先进的目标检测的域适应方法。(本文来源于《华南理工大学》期刊2019-04-15）
孙营,王波涛[5]（2019）在《基于可变形部件改进模型的夜间车辆检测方法》一文中研究指出针对可变形部件模型在夜间车辆检测中精确度低、检测速度慢的问题,提出基于可变部件改进模型的检测方法。在训练阶段采用Gamma预处理对夜间车辆样本进行校正,得到物体的梯度模型。在测试阶段利用一种基于(R-B)色差特征的显着性区域检测方法,通过减少待检测区域的面积,降低运算复杂度。针对夜间部分场景出现遮挡的情况,采用一种自适应权重的参数分配策略,给重要的特征部件分配较大的权重值。实验结果表明,改进后的检测方法准确率达95.12%,召回率达91.50%,平均每帧检测时间为48 ms,具有较好的实时性和鲁棒性。(本文来源于《计算机工程》期刊2019年03期）
于莉媛,郭云雷,牛萍娟,刘大利,刘雷[6]（2019）在《基于尾灯的夜间前方车辆检测与跟踪方法》一文中研究指出针对夜间环境下车辆难以检测的问题,提出一种基于尾灯的夜间前方车辆检测与跟踪方法。首先根据光晕特征和亮度特征进行车辆尾灯提取,对尾灯进行配对后根据尾灯对估计车辆的位置并实现对车辆的检测,然后利用改进的粒子滤波算法对已检测车辆的尾灯进行跟踪,进而实现对车辆的跟踪。最后结合检测和跟踪方法提出一种车辆检测与跟踪系统。实验结果表明:本文方法具有检测率高的特点,对车辆检测率可达96%,车辆检测与跟踪系统可解决车辆互相遮挡情况下的车辆检测问题,并可提升车辆检测率至98%。(本文来源于《天津工业大学学报》期刊2019年01期）
张海玉[7]（2019）在《基于卷积神经网络的夜间车辆目标检测方法研究》一文中研究指出随着我国城镇化建设进入到快速发展阶段,城市资源浪费一直是一个亟待解决的问题。比如当城市进入到后半夜,街上的车流量变少甚至有的时间段根本没有车辆,但路灯会一直工作,这会造成能源的巨大浪费。通过车流量来进行路灯亮度控制是一个可行的方法。同时我们可以充分利用街道摄像头所获取的视频,通过视频分析进行车流量检测,这种方法不会增加额外的人力财力负担,很有现实意义。随着深度学习研究工作取得了巨大进展,使用卷积神经网络来处理图像问题已经成为一大趋势。本文详细介绍了深度学习网络在目标检测任务中的应用,同时设计和优化了可以用于夜间车辆检测的方案。本文首先对传统的BP神经网络及卷积神经网络进行了介绍,同时对不同的目标检测网络进行了对比,并分析各自的优缺点。考虑到本文研究课题的需求,最终选择了 R-FCN目标检测网络,该网络引入了平移变化特性,非常适宜于目标检测任务。其次为了提高网络检测的速度和精度,我们将AssignParallel机制和Soft-NMS算法应用到R-FCN网络中。AssignParallel机制可以对R-FCN网络的特征提取部分进行压缩。在保证精度的前提下,AssignParallel可以减少模型占有的物理内存,提高网络运行速度。Soft-NMS算法可以解决目标相互遮掩问题,进一步提高网络的检测精度。最后本文对R-FCN网络和Faster RCNN网络在夜间不同时间段的检测效果进行了实验对比,同时对R-FCN网络和Faster-RCNN网络进行了压缩实验,并与原始网络的精度进行了对比,以此来验证AssignParallel机制的可行性。而且本文还对Soft-NMS算法采用不同的参数进行了实验对比。相较于传统的夜间车辆检测算法,本文算法的检测精度更高,所需要的物理资源更少,具有更好的实用性。(本文来源于《杭州电子科技大学》期刊2019-03-01）
刘子明,白培明,朱文平,沈瑞雄,苏汉忠[8]（2019）在《阴茎夜间勃起功能检测与小剂量他达拉非规律治疗方案的选择》一文中研究指出目的根据阴茎夜间勃起功能检测结果,优化他达拉非小剂量治疗方案。方法选取男科门诊就诊的118例勃起功能障碍患者,根据阴茎夜间勃起功能检测(NPT)结果分为两组,NPT正常者分入阶梯治疗组,共81例,NPT异常者分入每日治疗组,共37例。两组患者均每日口服他达拉非5mg,6周后阶梯治疗组患者改为隔日口服他达拉非5mg。两组疗程均达12周。于治疗前、治疗结束时完成国际勃起功能指数(IIEF-5)评分和记录阴茎插入成功率(SEP2)、完成性交成功率(SEP3)。观察患者治疗期间不良反应。结果共有95例患者(80. 5%)完成治疗。与治疗前相比,两组患者治疗结束时IIEF-5评分、SEP2和SEP3均明显升高,其差异具有统计学意义(P <0. 05);治疗结束时两组IIEF-5评分、SEP2、SEP3均无统计学差异(P> 0. 05)。两组患者均未出现严重不良反应。结论根据NPT检查结果对ED患者进行分类,并优化应用不同的小剂量他达拉非规律治疗方案,能有效改善患者勃起功能,临床疗效相近,值得推广应用。(本文来源于《中国性科学》期刊2019年01期）
王瑞昆,柯永振,陈凌翔[9]（2018）在《综合纹理和亮度的夜间场景图像来源检测方法》一文中研究指出针对目前基于模式噪声方法处理夜间场景下图像来源检测准确效果较差问题,提出一种综合纹理和亮度的夜间场景图像来源检测方法。首先基于夜间场景图片会存在同张图片不同区域会有不同纹理和亮度从而会影响提取模式噪声质量不同这一理论依据,将图片根据纹理和亮度分成若干大小相等的块;然后对不同块按纹理平缓亮度良好、纹理复杂亮度差、纹理平缓亮度差、温度复杂亮度良好四种情况处理,其中对于纹理复杂的区域提取的噪声要抑制纹理干扰、对于亮度条件差的区域提取的模式噪声需要增强、对于亮度差且纹理又复杂的区域提取的模式噪声、既要抑制纹理的干扰又要增强模式噪声。实验结果表明,本文方法在夜间场景情况对图像检测整体识别率均在在80%以上,与传统模式噪声提取算法相比,该算法正确率能够提高4到12个百分点。(本文来源于《光电子·激光》期刊2018年12期）
胡天彤,白首华[10]（2018）在《基于毫米波雷达和机器视觉的夜间前方船舶检测研究》一文中研究指出我国内河水运资源较为丰富,且江河支流众多,形成了交错复杂的天然水网。伴随智能视频分析处理技术的全面进步与发展,对船舶进行实时的检测和跟踪,可以对船舶超速、违规行驶以及油泄漏的情况进行快速的响应。特别是计算机视觉技术,已经逐渐发展成船舶检测跟踪关键技术。本文采用毫米波雷达系统,并结合嵌入式技术,对机器视觉检测算法进行了优化,可以大大提高前方船舶的检测效果。(本文来源于《舰船科学技术》期刊2018年22期）
夜间检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
当车流量较少时,降低路灯亮度可以达到能源节约目的。为此,采用深度学习中的R-FCN目标检测网络完成夜间车辆检测任务。R-FCN网络相比传统深度学习网络,不仅是基于区域推荐模型的网络,而且引入了平移变化特性,所以对目标检测效果更好。为了占用更少硬件资源,缩小模型规模,采用ShuffleNet通道分组与组间通信机制,压缩原始残差网络。同时,对NMS(非极大值抑制)算法进行修改,从而可以更好地筛选重迭目标,降低网络漏检率。实验结果表明,该方法准确率较高,在UA-DETRAC数据集的夜间图片检测中精度最高可达到90.89%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
夜间检测论文参考文献
[1].李少云.叁亚多部门实地进行昼夜噪声布点检测[N].叁亚日报.2019
[2].张海玉,陈久红.一种基于深度学习的夜间车流量检测方法[J].软件导刊.2019
[3].穆楠.夜间场景下显着目标检测方法研究[D].武汉科技大学.2019
[4].莫曜阳.基于高光辅助和域适应的夜间车辆检测[D].华南理工大学.2019
[5].孙营,王波涛.基于可变形部件改进模型的夜间车辆检测方法[J].计算机工程.2019
[6].于莉媛,郭云雷,牛萍娟,刘大利,刘雷.基于尾灯的夜间前方车辆检测与跟踪方法[J].天津工业大学学报.2019
[7].张海玉.基于卷积神经网络的夜间车辆目标检测方法研究[D].杭州电子科技大学.2019
[8].刘子明,白培明,朱文平,沈瑞雄,苏汉忠.阴茎夜间勃起功能检测与小剂量他达拉非规律治疗方案的选择[J].中国性科学.2019
[9].王瑞昆,柯永振,陈凌翔.综合纹理和亮度的夜间场景图像来源检测方法[J].光电子·激光.2018
[10].胡天彤,白首华.基于毫米波雷达和机器视觉的夜间前方船舶检测研究[J].舰船科学技术.2018