基于混合高斯模型和模板匹配的目标测速

针对目前视觉测速方法存在检测精度低、鲁棒性差的问题,研究了一种结合模板匹配和混合高斯模型的测速方法。首先,利用混合高斯模型进行背景建模,提取出仅包含目标轮廓信息的前景区域图像。其次,使用参数优化的模板匹配法获取目标的高精度像素位移。最后,使用改进的二维测量模型法精确获取目标对应的像素尺寸。利用目标物理尺寸与图像中目标像素尺寸的比例关系来计算实际速度。实验结果显示,该方法对不同形状目标在不同速度下的测速结果的相对误差均在5%以内,准确度较高。     

一种基于图像灰度的红外目标识别算法

针对红外图像背景复杂、识别率不高的问题,提出了一种新的基于图像灰度的红外目标识别方法.首先在形态学理论的基础上设计了一种多级形态学目标检测算子,并结合区域生长法检测目标区域;其次在候选目标区域的基础上引入sigmoid函数进行区域筛选,缩小了下一步目标搜索范围,并利用Haar小波方法从区域纹理入手,综合考虑了目标区域及其周边8方向邻域的相似性关系,明确了图像目标识别中对红外实时图目标的提取;最后运用目标模板的先验知识进行目标识别.实验结果表明,该算法的目标识别率相对于模板匹配算法和otsu阈值检测算法得到了极大提高,对于复杂地面红外图像目标的匹配识别具有一定应用价值.     

远程小目标图像特征精准匹配方法研究与仿真

研究远程图像中小目标区域的准确匹配问题.远程采集的图像中目标过小,像素与周围环境排列过于紧密,背景灰度值与目标灰度值非常相近,像素特征很难通过阀值与背景完整分割.传统的灰度图像小目标匹配的方法,当图像中的像素特征高度重合的情况下,会导致图像特征局部模糊,特征匹配的准确性不高.提出一种低频像素排序和高斯金字塔分解的弱小目标匹配方法,通过提取出图像中的像素频率信息,并对其进行排序,利用高斯金字塔分解结果将图像中的目标细化,并依此完成准确匹配.实验证明,改进的匹配方法能够准确匹配图像小目标区域,可为图像匹配优化提供参考.     

一种基于多特征融合的人脸检测技术实现

基于模板匹配的人脸检测方法,提出了两种方法来提高人脸目标的检测的精度。一种方法是利用人脸重要特征肤色,建立肤色的HSV颜色直方图模型,通过与目标区域的特征匹配,在视频序列图像中检测和定位人脸;另一种方法是利用了人脸的轮廓信息特征,建立人脸的矩特征,来解决人脸在比例、姿态和形状变化情况下的检测效率低的问题。改进的算法分别通过了人脸尺寸、形状和相似肤色实验验证,实验表明新的人脸检测方法可以有效实现对运动人脸目标的检测。     

新的噪声污染灰度图像边缘检测方法

传统的图像边缘检测方法由于引入了各种微分运算,因此用于噪声图像边缘检测时对噪声极度敏感。针对这一问题,提出了一种基于独立分量分析技术的噪声图像边缘检测方法,该算法通过计算数据之间的高阶统计信息,提取特征模板,然后将被高斯噪声污染的灰度图像与这些模板逐个匹配,提取出边缘成分。实验结果表明,基于独立分量分析技术的模板匹配方法自适应强,复杂度低,是一种有效的高斯噪声污染灰度图像边缘检测方法。     

图像相关匹配算法研究与红外目标跟踪应用

研究红外目标跟踪问题,针对目标的准确定位,图像相关匹配技术是目标跟踪中最基本的方法.当前红外成像导引头要求实时跟踪,但是在目标跟踪的末端,匹配点漂移和滑动将直接影响目标跟踪的精度.为提高定位精度和实时性,提出了一种新的实时跟踪算法.算法从红外图像中获取特征点,以特征点为中心选取参考模板,利用边缘检测算法获得边缘点集,使用自适应阈值的SSDA算法进行边缘点集的匹配,实现实时目标跟踪仿真.实验结果表明,算法很好地解决了红外目标跟踪精度问题,并满足实时性和跟踪稳定性要求.     

仿真图像作为模板的遥感影像小目标检测方法

随着传感器技术和航空遥感技术的不断进步,遥感影像的质量和数量也得到了极大的提高,而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题,提出了一种基于仿真图像模板匹配的方法,通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征,如几何形状、材质等。在与深度学习结合之后,更多的特征可以提升神经网络检测遥感影像小目标的准确率。实验结果表明将基于仿真图像的模板匹配方法应用于深度学习之后,对于遥感影像小目标检测取得了较好的效果,尤其是针对受到云雾等天气干扰的小目标。     

基于LOG算子的小信息量图像匹配算法

为了提高远距离图像导航精度,解决小信息量、小模板及噪声条件下图像匹配的难点,针对传统相位相关的图像匹配算法对图像高频信息利用不足、匹配精度受模板尺寸影响及抗噪声干扰性能差的缺点,提出了基于改进LOG边缘检测算子的图像匹配新算法,采用新的LOG算子对参考图像和模板进行边缘检测,并利用相位相关在整幅图像内对模板进行配准。通过实拍图像对新算法进行了验证,实验结果表明,与传统图像匹配算法相比,新算法匹配精度高、抗噪声能力强,目标定位稳定、可靠。     

基于图像的人体特征点提取与尺寸测量

人体特征点提取和尺寸测量一直是虚拟服装试衣的关键内容.本文在人体图像基础上,通过对ASM算法进行改进实现人体特征点提取以及特征点尺寸测量.首先,算法计算待测图片中人脸和身体两个中心点欧式距离与对应模板进行匹配,改变传统ASM算法单一模板局部模板匹配模式,提高了初次模型匹配的准确率和效率;接着,以特征点为中心选择较少有效邻域点在其灰度训练模型中目标搜索,解决传统ASM方法匹配时间长且特征点易匹配失败问题;另外,针对人体胯部以下区域易出现仅单侧拟合效果较好问题,利用马氏距离公式选择特定矩阵大小邻域范围内点的灰度与灰度模型比较,并且结合人体体型分布及对称性特点进行拟合处理.实验结果表明了该方法能适应复杂背景下人体图像的特征点提取与尺寸测量,提高人体特征点提取和尺寸测量精度.     

融合边缘与灰度特征的形变工件精准定位方法

目的 工业机器人视觉领域经常需要对一些由拼装、冲压或贴合等工艺造成的形变工件进行精准定位,工件的大部分特征表现出一定程度的非刚性,其他具备良好一致性的部分通常特征简单,导致一些常用的目标检测算法精度不足或鲁棒性不强,难以满足实际需求。针对这一问题,提出融合边缘与灰度特征的形变工件精准定位方法。方法 第1阶段提出多归一化互相关的模板匹配MNCC(multi normalized cross correlation)方法检测形变目标,利用余弦距离下的灰度聚类获得均值模板,通过滑动窗口的方式,结合金字塔跟踪,自顶向下地优先搜索类均值模板,得到类匹配候选,然后进行类内细搜索获得最佳位置匹配。第2阶段提出一种改进的形状匹配方法T-SBM(truncated shape-based matching),通过改变原始SBM(shape-based matching)的梯度方向内积的计算方式,对负梯度极性方向截断,削弱目标背景不稳定导致局部梯度方向反转时对整体评分的负贡献,改善边缘稀疏或特征简单导致检测鲁棒性低的问题。最后提出二维高斯条件密度评价,将灰度特征、形状特征和形变量进行综合加权,获得理想目标...     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。     

基于KGMM改进的动态目标检测算法

针对在线K-均值聚类法初始化混合高斯模型(KGMM)在运行时间、空间复杂度、噪声等方面存在的缺陷,提出了基于KGMM改进的检测方法,采用加入方差因子的C-均值聚类准则来初始化混合高斯模型,有效解决了可能出现的某一像素值属于不同分布类从而概率不同的问题,提高了检测的灵活性;改进了高斯匹配准则,提高了检测算法的准确性;对每个像素点间隔地建立混合高斯分布,减少了高斯模型个数,节省了存储空间,提高了算法的运行速度。实验结果表明改进的检测算法检测效果更理想。     

改进混合高斯模型的电网检修人员行为检测

针对运动目标检测,当前算法具有一定的适用性和局限性,以及检测信息不完整等问题,在帧间差分法和混合高斯模型的基础上,提出了一种改进的混合高斯模型的目标检测算法,用来解决帧间差分法造成的运动目标背景轮廓不完整的问题.该方法是在传统的混合高斯模型的基础上,在一定帧数内,检查所有的高斯分布的权重,对满足条件的高斯分布进行删除操作,最终得到轮廓较为清晰的运动目标.实验结果表明,本文算法充分的考虑了背景人物对于运动目标监测产生的影响,实验过程中使用了真实的电网数据,从而说明该算法在准确度上相比于其他算法提高了3.37%,具有更好的准确性和对环境的适应能力.     

改进的基于高斯混合模型的运动目标检测算法

针对固定场景视频监控中,由于运动物体在运动目标检测算法初始化时的存在而导致传统的基于高斯混合模型的运动目标检测算法收敛速度慢的问题,提出了改进算法。该改进算法通过采用在线K-均值聚类方法对混合高斯模型进行初始化,提高了算法的收敛速度。同时在模型更新时,通过对匹配准则和新高斯分布生成准则的改进,节约了存储空间。实验结果表明,与传统算法相比,改进算法能够快速、有效地检测运动目标,具有更好的鲁棒性。     

面向智能视频监控中的运动目标检测方法研究

运动目标检测是实现智能视频监控的基础,针对当前运动目标检测方法在复杂场景中适应性差的问题,提出了一种结合时空马尔可夫随机场模型和高斯混合模型的运动目标检测方法。在训练时空马尔可夫随机场模型时,采用高斯混合模型的参数更新算法计算邻域图像分割区域的均值和方差,并通过时空邻域标记场设置势函数。通过与传统目标检测方法的仿真比较,验证了该方法的优越性。结果表明,与传统的目标检测方法相比,该方法在复杂场景下具有更高的检测精度,能够更清晰地分割前景中的运动目标。     

基于自适应阈值的运动目标检测方法

针对混合高斯背景减除法在运动目标检测应用中存在的不足,进行了以下两个方面的改进：第一,通过在混合高斯模型匹配中引入自适应匹配阈值的方法,解决由噪声或光照引起的误判问题;第二,在模型学习方面,采用不同的权重学习速率以检测静态背景区域,并提高模型的自适应性。实验结果表明,与传统的混合高斯模型的运动目标检测方法相比,改进后的方法在背景误判、场景适应性方面都有所改善。     

基于双层背景的遗弃物检测方法

提出一种基于双层背景的遗弃物检测方法。分别采用滑动平均算法和改进的高斯混合模型,对参考背景和动态背景进行建模,通过2个背景得到前景间的差异,以此提取静止前景,对检测到的静止物体进行直方图匹配以消除鬼影,在前景检测的基础上引入均值漂移算法和粒子滤波算法,处理物体间遮挡问题。实验结果证明了该方法的有效性。     

结合阴影抑制的混合高斯模型改进算法

混合高斯模型背景法作为运动目标检测的一种经典方法,已经广泛应用于智能视频监控系统中。但是,传统的混合高斯模型背景法容易将阴影误检测为运动目标的一部分。因此,针对该方法在区分阴影和运动目标方面的不足,提出了一种将混合高斯模型背景法和HSV空间阴影抑制相结合的运动目标检测算法。这种改进算法首先将颜色空间转换到HSV空间,初步提取运动目标,然后再利用阴影的灰度值比背景中的灰度值小,而前景的灰度值比背景中灰度值大的特性,检测出运动目标中的阴影。实验结果表明,这种改进的算法明显提高了检测效果,有效抑制了阴影对运动目标检测的干扰,算法实时性也较好。     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.