超声乳腺肿瘤的全自动SVM检测与水平集分割算法

超声图像检测是当前乳腺癌诊断的主要辅助手段之一.为实现超声乳腺肿瘤的计算机自动辅助诊断,提出一种基于支持向量机(SVM)目标检测与水平集图像分割相结合的全自动肿瘤提取算法.首先提取超声图像训练集的分块特征来训练SVM分类器,对测试集图像进行检测得到可疑病灶区域;然后提取可疑区域边缘作为水平集的初始轮廓,使用加入Bhattacharyya距离项的Chan-Vese主动轮廓改进模型进行可疑病灶区域的轮廓演化,得到准确的轮廓;最后综合面积、位置、灰度、纹理等因素设计区域评价筛选准则,去除可疑病灶中的干扰区域,得到最终的肿瘤分割结果.在真实病例数据集上的测试结果表明,利用该算法在良恶性肿瘤检测分割中均有较好表现.     

一种方向盘上操作手数目检测算法

提出一种基于机器视觉检测方向盘上操作手数目的方法。首先确定图像中方向盘的位置,计算方向盘在椭圆区域的尺寸参数,进而获得方向盘椭圆形中心线上点的坐标,以此坐标点为中心截取30×60大小的窗口为感兴趣区域,并将截取的感兴趣区域倾斜角度作归一化处理。归一化之后的感兴趣区域经直方图均衡化和二值化等预处理操作后,利用双阈值判定法判断单一感兴趣区域中是否有类似手形存在,再以特定步长沿椭圆中心线按逆时针方向搜索全方向盘区域,根据方向盘的V-φ图形判断方向盘上的操作手数目。     

基于运动特征及位置估计的行人检测算法

根据行人运动的特点和行人在图像中位置与身高的对应关系,提出了一种结合运动特征与位置估计的行人检测算法。提取运动特征和聚合通道特征（ACF）,将提取的特征放到Real Adaboost分类器里进行训练,并对行人可能存在的位置建立评估模型;在检测阶段,通过分类器确定行人的候选区域,然后采用非极大值抑制算法去除重叠窗口,最后对行人候选区域应用位置评估模型进一步判断,以此排除可能的非行人目标。实验采用Caltech数据集对算法进行仿真,该算法的平均对数漏检率为27.12%,与ACF算法的相比降低了5.9个百分点。实验表明运动特征在视频检测中能够与静态特征进行信息互补,同时行人的位置估计在摄像机固定的情况下,具有一定的判断能力。     

Gabor特征结合快速HOG特征的行人检测

针对行人检测中HOG特征提取速度慢且易忽视细节特征的问题,提出了一种Gabor特征结合快速HOG特征的行人检测算法.首先对输入图像进行小波变换,并引入积分图思想和主成分分析算法快速提取图像HOG特征;其次融合Gabor小波变换得到的Gabor特征,最后采用混合特征训练分类器,实现行人的有效检测.测试集上的实验结果表明,在使用相同分类器的情况下,该混合特征提取方法比单一特征提取方法的检测正确率最多可提高7.37％,因此所提出的算法可以有效地提高行人检测的精度.     

支持向量机和水平集的高分辨率遥感图像河流检测

河流是重要的地理结构特征,对河流进行检测识别研究,在军事上和民用上都具有十分重要的意义.提出了一种基于支持向量机(SVM)和水平集的高分辨率遥感图像河流检测算法.首先根据高分辨率遥感图像河流目标的特点,采用样本图像的纹理特征和基准点信息扩散特征构造特征向量,并基于样本训练支持向量机分类器实现河流目标的粗分割;然后以粗分割结果为基础,采用距离正则化水平集演化(DRLSE)模型提取河流的精确轮廓,获得完整的河流区域.以1 m分辨率的IKONOS图像进行实验验证,结果表明本文算法准确性高,灵活性强,可以在复杂背景下准确地检测河流目标区域,在实践中具有广泛适用性.     

基于优化RANSAC算法的二次元快速稳定配准

针对检测零件缺陷的二次元光电检测仪的速度和稳定性要求,提出了一种加入预匹配的快速稳定的RASNSAC匹配方法.首先对零件图像轮廓区域矩分析以及轮廓多边形逼近以及对其CAD标准档进行解析计算得到图像轮廓和CAD图的重心、主轴方向以及特征点集,然后通过重心和主轴对零件图像和CAD图进行预匹配,最后利用RANSAC对预匹配后的特征点集进行快速匹配.实验结果表明,此改进算法显著地提高了图像的匹配速度和稳定性.     

基于轮廓与SIFT特征组合的商标图像检索

针对单一特征对商标图像描述的局限性,提出了一种基于轮廓和SIFT特征组合的商标图像检索方法。该方法对二值化的商标图像进行轮廓提取,采用规则算法对其进行轮廓分解,对分解的参考点集进行Fourier变换,将得到的Fourier系数作为参考点的轮廓特征。针对商标图像的尺度空间进行极值点检测,并对检测到的极值点进行特征描述,该特征描述即为商标图像的SIFT特征描述。最后,SIFT特征与轮廓特征进行特征融合,并将融合后的组合特征作为对商标图像的特征描述。     

基于快速边缘检测和Real Adaboost的行人检测

针对聚合通道特征(ACF)算法中行人外观轮廓不稳定导致检测率下降的问题,使用快速边缘检测检测出待检测图像的边缘图;用边缘图代替ACF算法图像通道中的梯度幅值通道,获取较稳定的行人轮廓信息;采用准确率较高的Real Adaboost分类器提高分类准确性.仿真实验结果表明:算法相对于原ACF算法误检窗口减少,检测精度提升,漏检率在INRIA,Caltech数据库上分别降低了5.1%和14.8%.     

基于水平集的TLD目标跟踪改进算法

TLD算法是一种新颖的长期目标跟踪算法,针对算法中检测器采用特征没有充分考虑跟踪过程中目标的表观、区域轮廓的变化及基于窗口扫描影响效率等问题,在TLD算法的基础上,加入演化机理,基于水平集对其进行改进。结合边缘和区域信息的多尺度水平集方法,引入目标轮廓信息,在有效克服灰度不均匀图像的同时,提高了目标跟踪的适应性及精度;根据轮廓检测结果,引入目标运动方向检测算子,对目标运动方向及其在当前帧中的位置进行估计,减少扫描窗口的同时提高目标辨识能力。通过实验对原始TLD算法及改进的算法进行了比较。实验结果表明,改进后的方法跟踪速度有提升,对目标跟踪的适应性更强,跟踪精度更高。     

一种联合的人眼精确定位算法

眼睛定位在人脸识别中占有重要地位.为达到高效精确的人眼定位,提出一种联合的眼睛定位方法,该方法先用基于AdaBoost算法的分类器对眼睛对区域进行粗定位,同时使用灰度极小值区域(MER)快速地检测出图像中的单眼候选.通过联合眼睛对位置与单眼候选进行处理,判决并给出最终人眼精确位置.为提高算法的性能文中引入了边缘方向直方图(EOH)特征作为AdaBoost分类器特征,并采用了单眼及眼睛对定位校验模式.该算法能有效地压缩训练样本集规模,并能快速精确地对人眼进进行定位.本算法在CAS-PEAL 人脸数据库、JAFFE 数据库等数据集上均有良好表现.     

基于图像块差分和Mean Shift算法的运动目标检测

运动目标检测是计算机视觉中的一个重要研究内容,现有算法中的一个重要问题是噪声对分割结果的影响。提出了一种时空域信息相结合的运动目标检测算法：首先利用图像块的重心位置在时间域上差分结果初始化目标轮廓,图像块差分的方法可以消除噪声的影响及减少目标内部的空洞;然后采用Mean Shift算法对初始轮廓进行迭代,使其逐步贴近真实的目标边缘。实验表明该算法能快速准确地分割出序列图像中的运动目标。     

基于策略演化水平集的医学图像快速分割

医学图像分割在疾病诊断、手术规划和手术引导等实际应用中有着重要的作用。提出了一种基于策略演化水平集算法的快速医学图像分割方法,其策略是通过转换外部轮廓曲线/曲面上的点为内部轮廓曲线/曲面上的点（或做相反操作时）,检验能量函数是否减小来决策水平集演化;如此扫描内外轮廓曲线/曲面,使得分割曲线/曲面向目标边界移动。相对于传统水平集算法,该方法不需要解偏微分方程,可极大地减小计算量、提高图像分割的速度。同时,该算法克服了直接计算能量函数水平集方法中存在的问题(陷入局部能量最小和需要扫描整个图像)。最后通过2维和3维医学图像的分割实验,展示了该算法的快速性与精确性。     

自适应轮廓的变分水平集复杂背景多目标检测

无需重新初始化的变分水平集模型能够避免经典水平集模型的重复初始化步骤,进而简化计算,降低检测所需时间,同时能够有效利用图像的边缘梯度信息,从而准确定位图像的局部结构.但该模型不能自适应获得初始化曲线,水平集的拓扑结构也无法改变,不能解决多个目标的检测问题.针对以上问题,本文提出了一种基于自适应轮廓的变分水平集复杂背景多目标检测方法,该方法采用帧间差分算法与K-means聚类算法相结合,以获得多个运动目标的初始化曲线,通过形态学方法来降低图像噪声的干扰,从而快速自适应的估计复杂背景下运动目标的位置和轮廓大小.该算法进一步对无需初始化的变分水平集进行改进,将其由单目标检测模型扩展为多目标检测模型,并修正原模型难以处理图像灰度不均匀的问题,最终实现对复杂背景下多个目标的检测.在标准数据库和实际数据集上的测试结果表明,本文所提方法能够准确的定位不同尺度和灰度目标的轮廓,从而提高算法的演化迭代效率及准确性.     

基于双目视觉的板材平面测量研究

针对传统人工测量板材尺寸精度较低、工作量大、易导致板材表面受损等局限,基于双目视觉技术设计了一种板材尺寸视觉测量系统;通过双目相机采集棋盘格图像,采用MATLAB进行相机标定和图像校正,拍摄左右图像并通过半全局立体匹配算法(SGM,semi global matching)进行特征点立体匹配,重建出目标三维点云模型;为提高目标特征点坐标获取的准确性,提出基于HARRIS的亚像素检测方法;采用区域生长算法结合膨胀和腐蚀操作提取板材表面轮廓,根据三角测量原理计算出板材轮廓上各点的三维坐标从而实现板材的尺寸测量,并进行点云重建增强三维展示效果;实践结果表明亚像素检测方法在角点提取上存在优势,在实际板材测量应用中实现了高精度尺寸测量,满足了工业测量需求。     

二维点模式图像的仿射变换配准

提出了一种图像特征点配准算法．该算法为二维点模式图像仿射配准建立了新的求解模型,此模型对参考图像的特征点集和浮动图像的特征点集分别进行Whitening变换,将点集间的一般仿射变换问题转换为刚性变换问题;在对刚性变换求解时,采用平滑性好、局部极值较少的新的目标函数;并引入了形变程度分量,使该算法更能符合实际应用．结合文中提出的新的仿射不变量,目标函数只需在平分法的基础上加入随机因素便能快速求解．实验结果证明,该算法在处理特征点仿射配准问题上具有速度快、精度高的特点．     

基于SURF和ORB全局特征的快速闭环检测

针对移动机器人SLAM(同时定位与地图创建)中的闭环检测问题,提出了一种基于SURF(加速鲁棒特征)和ORB(oriented FAST and rotated BRIEF)全局特征的快速闭环检测算法.首先利用SURF与ORB分别提取查询图像的全局特征,实现对图像的特征表征.在特征提取过程中,对查询图像进行归一化操作,并将归一化的图像中心直接作为SURF与ORB的特征点位置,从而避免了耗时的特征点定位过程.然后将归一化的图像直接作为特征点的邻域区域,把计算的SURF与ORB局部特征描述符作为图像的全局特征.为了融合SURF与ORB全局特征实现查询图像的位置识别,提出了H-KNN(混合K最近邻)的改进算法:WH-KNN(加权混合K最近邻).最后通过跟踪模型实现闭环检测,其核心思想是利用之前闭环检测的结果预测查询图像在地图图像中的位置范围.实验中分别使用采集数据集和牛津大学公开数据集对本文算法进行了验证,同时与传统的BOW(词袋)算法进行了对比.本文算法在两种数据集上分别达到了94.3%和94.5%的准确率,并且查询图像位置识别与全局特征提取的平均时间不到3 ms.其准确性及计算速度都超过了BOW算法,可以准确快速地实现实时闭环检测.     

一种新的基于局部轮廓特征的目标检测方法

针对复杂场景中背景复杂、目标周围噪声多及目标只占图像中较小部分而难于检测的问题,提出一种新的基于局部轮廓特征的检测目标方法.该方法首先利用改进的全局概率边界算法 (Globalized probability of boundary, gPb) 算法提取图像的轮廓,然后应用最大类间方差法 (Otsu)进行自动阈值处理得到图像的显著性轮廓; 再提取显著性轮廓的k邻近大致直线轮廓段(k connected roughly straight contour segments, kAS),并以kAS作为局部特征,用于复杂场景中的目标检测.该算法结合 gPb 算法和 Otsu 提取轮廓的显著性轮廓,去除了目标附近的大量噪声边界,有效地提高了检测效率.同时,在检测阶段,测试集与 训练集中提取的不相关特征数目也得到较大减少,从而提高了检测的精度.多组实验结果均表明本文方法的有效性.     

基于轮廓的旋转和尺度不变区域的检测

为了获取鲁棒的特征区域,提出了一种基于轮廓的旋转和尺度不变区域的检测算法。算法应用多尺度乘积LoG(Laplacian of Gaussian)提取轮廓上稳定的角点作为特征点。根据角平分线的旋转和尺度不变性提取特征方向,利用特征方向求得特征半径。由角点、特征方向和特征半径构造不变区域。进行了特征匹配的实验,图像集包含旋转、尺度、仿射、光照和压缩五种变换,算法获得了很好的匹配结果。结果表明算法简单快速,具有较强的鲁棒性和广泛的应用性。     

基于不变特征的运动视频序列自动配准算法

快速、鲁棒的图像配准是运动视频处理的基础,也是制约后继应用稳定性及可靠性的关键。针对运动视频中存在的图像平移、旋转、尺度及光照变化,提出一种基于不变特征的快速图像配准算法,包括特征点检测、描述和匹配。首先通过多层箱式滤波器构建图像多尺度空间,并同时考虑质量与空间分布检测特征点;然后用主成分分析法对SIFT(scale invariant feature transform)特征进行降维,用于特征描述;最后根据描述子主成分的差异设计层叠分类器,加速特征匹配。定量分析实验和对视觉监视系统中球形摄像机和无人机航拍视频的实验结果表明,该算法具有良好的匹配性能,为后继运动载台上的运动目标检测、跟踪、分类等处理提供了坚实基础。     

复杂背景下人眼的快速定位

采用基于改进Adaboost算法的级联式人脸和人眼分类器检测人脸和眼睛的候选位置,再用支持向量机（SVM）分类器验证并确定人眼的最佳位置;实现了在复杂背景图像中快速、准确的眼睛定位.与传统的Adaboost算法相比,改进的Adaboost算法构建分类器所需的特征数目大大减少,提高了眼睛定位速度;同时利用人脸几何特征的SVM分类器验证,提高了定位精度.实验结果表明该算法具有很好的精确性和实时性.