基于虚拟仪器的彩色图像单色背景透明化处理

在图片的合成应用中需要对图片进行局部的透明化处理。提出了通过虚拟仪器技术,对具有单色背景的彩色人物图像进行处理的一种算法研究。通过将彩色图像的每个像素点分解成RGB三基色后与提取的特征点比对,对每个像素点灰度值运算构建新的图像掩码集,来重构原图像,完成对原彩色图像背景的透明化处理过程。该方法可以应用与背景颜色较为单一并且与人物图像颜色差异性大的图片处理,效果显著。     

基于多尺度Gabor滤波器的彩色图像边缘检测

为了更好实现对彩色图像进行边缘提取,并保证算法具有更好的稳定性,文章使用多尺度Gabor滤波器的方法,来提取彩色图像边缘和轮廓.构建了3个尺度、16个方向的Gabor滤波器.首先将彩色图像灰度化,利用多尺度Gabor虚部滤波器提取图像灰度变化信息.通过非极大值抑制,并通过高低阈值获取边缘像素点及其候选边缘,最后利用局部边缘连接获取图像边缘轮廓.并将本算法与常用边缘检测算法进行实验性能比较,实验结果表明:提出的算法既能获得较高的定位准确度,又具有很好的噪声鲁棒性,该算法与常用的Roberts等一系列算法相比,检测效果更好,稳定性更强.     

基于RGB颜色空间的彩色图像边缘检测

彩色边缘检测的本质是颜色差分的定义和计算问题。对于彩色图像来说,由于每个像素由R,G,B三个分量决定,很难定义颜色差分的大小以及方向。利用在RGB颜色空间中色差的定义来实现一种新的梯度算子的计算方法,构造出能够描述彩色图像边缘信息的特征向量,利用该特征向量训练SOM神经网络,用训练后的SOM神经网络直接进行彩色图像的边缘检测。实验结果分析可见,该算法取得了良好的效果。     

基于四元数局部排序二值模式特征的行人识别

行人特征提取是行人识别中关键步骤之一。传统的做法是分别从彩色图像的每个颜色通道（即R、G、B通道）中提取特征描述子（如方向梯度直方图（HOG）、局部二值模式（LBP）等）,最后合并成一个特征向量。传统方法不足之处在于难以兼顾不同颜色通道之间的关联信息。为此,采用四元局部排序二值模式(QLRBP)运算方法从彩色图像中提取局部特征描述子。与传统方法不同的是,该方法是一种整体的方法,是在彩色图像的四元数表示空间而非3个颜色通道中分别提取LBP特征。首先,将从车载摄像头中采集的彩色图像通过四元数转换获得其四元数表示;然后,对四元数空间中图像进行CTQ变换,并计算变换后的图像相位;最后,在每个四元数相位上进行LBP运算,并生成行人彩色图像的局部特征描述子。QLRBP能够同时处理所有的颜色通道,因此能够同时包含三通道之间的关系。在行人判定方法上,本文首先提取所有正负样本的QLRBP特征,并使用K-最近邻(K-NN)算法训练分类器。在INRIA数据库上测试表明,QLRBP描述子对于彩色行人的检测比其他常用的特征描述子（如HOG特征,LBP特征）具有更高的精确度,性能接近当前先进的行人识别方法。     

多特征融合与卡尔曼预测的车辆跟踪算法

为了解决道路中背景光照变化和部分遮挡条件下单特征跟踪失败的问题,提出了一种基于多特征融合与卡尔曼预测的车辆跟踪算法。多特征融合包括：跟踪车辆的颜色、边缘、纹理,使用颜色直方图描述颜色分布情况,使用具有旋转不变性的局部二值模式(LBP)描述纹理分布特征,使用改进的Canny算子计算边缘分布信息,建立特征融合函数,利用平均峰值相关能量构造本次跟踪的最佳特征描述。在车辆跟踪过程中相邻两帧之间的特征匹配大于设定阈值时,判定有遮挡,跟踪中断,使用卡尔曼滤波预测当前位置,最后通过不同的实验证明了算法的有效性。     

基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法

针对智能车辆在对前方领航车辆进行视觉跟踪时,传统的Camshift算法容易受目标突然变速、相似颜色背景或目标干扰的问题,提出一种基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法。该算法通过提取目标模板的色度、饱和度和Canny边缘梯度幅值3个特征分量,建立三维直方图并对其反向投影进行跟踪,同时采用Bhattachayya系数作为目标跟踪准确性的判别依据。若系数大于设定阈值则判定目标跟踪不准确,此时用局部二值模式(LBP)级联分类器对领航车辆进行检测识别,最后引入Kalman滤波器来预测下一帧领航车辆的位置。实验结果表明,该算法能够在复杂背景下对领航车辆进行实时并有效的跟踪。     

智能车辆导航控制信息的获取与控制器的设计

智能车辆导航是通过对道路标记线的跟踪来控制车辆的行驶方向,使车辆沿着图像识别出来的车道线行驶.首先介绍了获取智能车辆导航路径控制信息的方法,通过处理后的道路图像,建立道路标记线与车辆跟踪路径侧偏距与方向偏差的数学模型.然后利用BP神经网络设计了神经网络转向控制器,并在MATLAB环境中利用神经网络工具箱Network/Data Manager进行了道路实验.实验结果可以证明神经网络控制器很好的逼近了目标,有效的学习了驾驶员开车的转向经验.     

SUSAN算子在车辆检测中的应用研究

SUSAN算子是一种基于图像灰度的类积分算法。该算法利用圆形模板对图像中的感性区进行扫描,经由对模板中心点和非中心点灰度值比较、运算。所得运算结果与阈值进行比较,从而判断此中心点是否为兴趣特征点,实现对图像特征点的提取。特征检测前首先利用Hough变换检测道路边界线以确定路面区,然后应用SUSAN算子在检测出的路面区中对车辆进行特征提取。可以快速准确地提取出行驶中车辆的兴趣特征点。     

一种彩色图像配准算法C-GLOH

图像配准是图像三维重构、计算机视觉、模式识别、遥感图像处理等众多领域的关键技术之一。目前将颜色信息运用到图像配准中较为实用的算法是CSIFT,但该算法从速度、效率和鲁棒性上都劣于传统SIFT算法。为此,提出一种C-GLOH彩色图像配准算法:提取彩色图像各个位置处的颜色不变量,以颜色不变量作为输入图像进行SIFT,其中在构造描述子时,采用改进的GLOH方法,提高了描述子的性能。最后用最近邻法进行匹配。实验结果表明,提出的C-GLOH算法较CSIFT算法有更高的匹配精度、效率和更快的运算速度。     

基于矢量量化的动态场景中运动车辆的检测

汽车为了提高动态道路场景中的运动车辆的检测的准确性,提出在Harris角点检测与金字塔Lucas-Kanade光流的基础上,以角点光流矢量的方向、幅值和角点的坐标值作为输入特征,引入矢量量化的方法对图像的光流场进行聚类,并结合了欧式距离和相似系数作为相似性测度,再通过计算每个类别中角点分布的方差剔除误匹配的光流,并依靠方差区分背景类和车辆类,从而提取出运动的车辆。实验结果表明,此算法能有效的剔除误匹配的光流,准确的从动态场景中提取出运动的车辆,并同时适合单个和多个车辆的检测。     

基于DDAG支持向量机的汽车车型识别

文章应用DDAG支持向量机方法对汽车图像进行识别。首先采用背景差分方法提取运动汽车,然后用Otsu法进行阈值分割、基于边缘阴影检测方法消除阴影,最后提取运动汽车的RST不变特征,输入DDAG支持向量机进行训练和识别。实验表明,基于DDAG支持向量机的车型图像识别算法具有很好的性能。     

Color-based road detection in urban traffic scenes

Road detection is a key issue for autonomous driving in urban traffic. In this paper, after a brief overview of existing methods, we present a road-area detection algorithm based on color images. This algorithm is composed of two modules: boundaries are first estimated based on the intensity image and road areas are subsequently detected based on the full color image. In the first module, an edge image of the scene is analyzed to obtain the candidates for the left and right road borders and to delimit the area that will subsequently be used to compute the mean and variance of the Gaussian distribution, assumed to be obeyed by the color components of road surfaces. The second module effectively extracts the road area and reinforces boundaries that most appropriately fit the road-extraction result. The combination of these modules can overcome basic problems due to inaccuracies in edge detection based on the intensity image alone and due to the computational complexity of segmentation algorithms based on color images. Experimental results on real road scenes have substantiated the effectiveness of the proposed method.     

An algorithm for distinguishing the types of objects on the road using laser radar and vision

Describes a method for distinguishing the types of forward objects detected on and alongside the road using a vehicle-mounted scanning laser radar (SLR) and a camera. This method can measure the distance to a preceding vehicle in the same lane as well as to other forward vehicles in adjacent lanes. Objects are detected on the basis of SLR digital signal data and are categorized as vehicles, delineators, and signs based on their motion and positions relative to white lane markers. The motions of detected objects are judged by the relationship between the path of the host vehicle and changes in the positions of the objects. The host vehicle's path is computed using steering maneuver data and the vehicle velocity. White lane markers are detected by an image processing technique. The proposed algorithm has been validated in an experiment conducted with a simulator. Data recorded at a driving speed of more than 40 km/h on Japanese expressways were used in the simulation. The types of objects detected on the road were successfully distinguished as expected.     

Springrobot: a prototype autonomous vehicle and its algorithms for lane detection

This work presents the current status of the Springrobot autonomous vehicle project, whose main objective is to develop a safety-warning and driver-assistance system and an automatic pilot for rural and urban traffic environments. This system uses a high precise digital map and a combination of various sensors. The architecture and strategy for the system are briefly described and the details of lane-marking detection algorithms are presented. The R and G channels of the color image are used to form graylevel images. The size of the resulting gray image is reduced and the Sobel operator with a very low threshold is used to get a grayscale edge image. In the adaptive randomized Hough transform, pixels of the gray-edge image are sampled randomly according to their weights corresponding to their gradient magnitudes. The three-dimensional (3-D) parametric space of the curve is reduced to the two-dimensional (2-D) and the one-dimensional (1-D) space. The paired parameters in two dimensions are estimated by gradient directions and the last parameter in one dimension is used to verify the estimated parameters by histogram. The parameters are determined coarsely and quantization accuracy is increased relatively by a multiresolution strategy. Experimental results in different road scene and a comparison with other methods have proven the validity of the proposed method.     

基于改进Canny算子的绝缘子裂纹检测研究

为解决绝缘子图像中由于背景的复杂性 导致边缘检测 存在噪声及伪目标问题,提出了基于二维阈值分割的Canny算子边缘优化法。首先,在HSI颜色空间通过对S分量进行强化,有效弱化背景,突出绝缘子目标;其次,针对传统canny算子在提取绝缘子边缘时由于部分噪点突出导致检测裂纹的精度较低,提出对Canny算子中的阈值选取进行改进,采用二维直方图灰度-局部方差法对经预处理的图像进行阈值处理。所提改进算法能够有效优化绝缘子航拍图像处理结果,提高检测绝缘子裂纹准确率。     

基于模糊算法的岩心图像层理特征提取

在岩心图像的分析中,提取图像的层理特征,对于识别岩石的层理类型,完成对获取的岩心图像进行自动识别十分重要。本文介绍了Pal.King算法,并且针对岩心图像的多数像素点处在低灰度级的特点,使用最大类间方差法(Otsu)得到Tr变换中的最佳隶属度的阈值,根据阈值建立自己的隶属函数G和G~(-1);同时对Tr变换增强后的空间域图像进行平滑处理,减少噪声对层理边缘提取的影响。实验结果表明,该算法提取岩心图像层理特征效果较好。     

Markov随机游走和高斯混合模型相结合的运动目标检测算法

针对高斯混合算法对每一像素与它前后帧的像素相关联,并未考虑与相邻像素之间的关联,无法准确地捕捉到运动物体轮廓的情况,提出一种基于混合高斯模型和Markov随机游走的运动目标检测算法。利用混合高斯模型计算像素之间的颜色信息,采用Markov随机游走提取图像的边缘信息,并与提取的运动初始目标进行与计算,同时利用高斯混合模型更新背景信息。结果表明,本方法比传统的混合高斯方法具有较高的分割精度,很好的解决了混合高斯算法边缘模糊的问题,探测率也大大的提高了。