基于主方向加权投票的非结构化道路消失点检测

为提高弯曲道路的消失点检测效果,提出一种新的非结构化道路消失点检测方法。利用垂直投影校正方法校正投票点的Gabor纹理主方向,采用纹理主方向和边缘信息对投票点上方的一系列投票点权值进行加权,并通过投票点权值完成主方向加权投票,从投票点中选择接收的投票值之和最多的候选点为消失点,从而实现消失点检测。实验结果表明,与现有非结构化道路消失点检测方法相比,该方法对于弯曲道路具有更低的运行时间及更高的检测准确率。     

基于Haar纹理的非结构化道路消失点检测

由于非结构化道路缺乏明显的车道标识线或车道边界,使得其检测面临很大困难.利用非结构化道路的消失点作为约束,可以显著提高非结构化道路的检测性能.但基于多尺度多方向Gabor纹理的消失点检测方法存在计算量较大的问题,并且背景干扰也常会使得现有的消失点投票方法出现大的误检.为此提出一种基于类Haar特征的非结构化道路纹理快速提取方法,该方法利用设计的实部及虚部矩形模板,通过积分图技术实现了纹理特征的快速复响应;并在此基础上,提出利用正交校正及多样性投票方法,实现非结构化道路消失点的检测.在各种非结构化道路下比较了本文算法与现有两种最新的非结构化道路消失点检测算法,实验结果表明本文算法可以显著提高非结构化道路消失点的检测性能.     

基于消失点和主方向估计的道路分割算法

现有基于消失点估计的道路分割算法要求消失点位于图像内部,并且算法计算复杂度高,难以排除局部纹理特征较强的干扰点.针对这些问题,提出一种基于道路主方向的消失点估计和道路分割算法.首先根据道路主方向的定义对有效投票点进行筛选,然后提出一种多维投票策略,记录待定消失点在各纹理方向的投票信息,并运用该信息判断消失点是否在图像内;最后提出基于道路主方向的边界拟合策略,利用多维投票数据来进行道路边界提取.主观评价和量化分析表明,与经典算法相比,所提算法具有更好的精确度和执行速度,并且当消失点位于图像外部时算法仍有较好的分割效果.     

改进的局部方向模式纹理表示方法

目的：纹理是描述和区分不同物体的重要特征之一,纹理特征提取一直是模式识别、机器视觉领域的研究热点。局部方向模式（Local directional pattern, LDP）是一种分辨性好、对随机噪声和非均匀光照鲁棒的纹理特征。而LDP特征由于计算8方向的边缘响应并排序,提取速度较慢。本文改进了LDP编码方案。方法：论文设计了两种改进方案。第一种方案直接对8方向的边缘响应符号进行编码,避开排序,称为FLDP（Fast Local Directional pattern, FLDP）特征;第二种方案,论文尝试使用较少的方向模板来降低特征提取的时间、空间消耗,设计了MLDP算子（Mini Local Directional pattern,MLDP）。结果：在Brodatz数据集的24类均匀纹理图像以及111类全部纹理图像上将本文提出的FLDP特征、MLDP特征与传统的LDP进行了对比实验。实验结果表明,在保证了分类准确率的前提下,FLDP算子的运算速度是3th-LDP的20倍左右,MLDP算子的运算速度是3th-LDP的35倍左右。结论：论文设计了2种方案改进了LDP特征,分别为FLDP算子和MLDP算子。实验表明,这两种改进方案,在保证分类准确率的同时,大幅度提高了特征提取运算速度。     

基于纹理的复杂环境下道路消失点检测算法

在乡村或者越野环境中,道路没有明显的边界和行车线,阻碍了一般视觉道路检测算法的应用。采用计算道路消失点的方法,提出一种快速的局部适应软投票FLASV(Fast Local Adaptive Soft Voting)算法。算法首先采用Gabor滤波器计算每个像素点的纹理方向,然后依据像素点的置信水平决定是否参与投票,最后采用快速局部投票的算法估计消失点的位置。实验结果分析表明,该算法能很好地适应复杂多变的环境,具有较低的时间复杂度和较高的准确性。     

偏振编码方式的LDP人脸识别算法

目的 局部二值模式(LBP)作为一种简单高效的纹理特征描述算子,被广泛地应用在纹理分类和人脸识别中。针对LBP及其改进算法局部导数模式(LDP)对噪声敏感的问题,以及仅利用局部像素差分的符号信息进行二值量化提取的纹理特征信息单一的问题,提出一种基于偏振编码方式的LDP改进算法。方法 首先,提取改进的LDP局部一阶差分信息;然后,构建人脸Stokes矢量图像;其次,按照偏振方位角的编码方式提取人脸图像的多方向纹理特征;最后,分块加权统计各子块的直方图向量得到最终的人脸特征向量。结果 在ORL和YALE两个人脸库中进行实验,得到97.4%,92.22%的正确识别率,所用时间与LBP和LDP算法相差无几。当样本数目较大时,复杂度低于LBP方法。在存在高斯噪声和椒盐噪声的情况下,分别得到了93.88%、86.27%和96.13%、84.71%的识别率,均高于LBP算法和LDP算法。结论 本文提出的偏振编码方式的人脸识别算法提取的人脸纹理特征更加丰富,即使在噪声干扰下仍具有较高的识别率,并且对于其他的纹理分类、目标识别也具有一定的参考价值。     

加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法

提取掌纹的最佳低维分类特征一直是掌纹识别研究领域的一个重要方向。针对掌纹图像具有丰富的纹理特征特点,提出一种基于加权自适应中心对称局部二值模式(WACS-LBP)与局部判别映射(LDP)相结合的掌纹识别方法。首先将掌纹感兴趣(ROI)图像分成大小均匀的小区域,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到ROI的加权纹理特征直方图向量;再利用LDP算法对得到的特征向量进行维数约简;最后利用K-最近邻分类器进行掌纹识别。在掌纹公开数据库上进行实验,正确识别率高达97%以上。实验结果表明,该方法不仅是有效、可行的,而且研究思路比较明确。     

全局图像特征分析与实时层次化消失点检测

为了使道路场景的消失点检测能够适应不同的道路条件,提出基于全局图像特征的层次化消失点检测方法。通过全局图像特征提取全局道路特征,将道路分为4类并粗粒度定位道路区域。根据分类选择提取道路标识或边缘特征进行尺度变换的线段检测或区域分割并投票消失点集,再选择使用逆透视仿射变换或色彩纹理信息验证获得有效消失点。通过图像预处理移除道路车辆及阴影干扰,进一步提高检测精度。实验证明道路特征分类有效,在光照阴影、色彩纹理及遮挡等条件各异的场景中,层次化消失点检测方法均获得实时鲁棒的检测结果,比现有在复杂场景平均误差较小的基于本征直线方向与色彩纹理的检测方法精度与效率分别提高37.5%和20%。     

基于主动形状模型差分纹理和局部方向模式特征融合的人脸表情识别

针对人脸表情识别背景复杂性以及表情识别的鲁棒性问题,基于Dempster-Shafer(DS)证据理论,提出了一种融合主动形状模型(ASM)差分纹理特征和局部方向模式(LDP)特征的人脸表情识别方法。ASM差分纹理既能有效地屏蔽个体人脸之间的差异,又能保留人脸表情信息。LDP特征通过计算8个方向的边缘响应来对图像进行编码,因此具有很强的抗噪能力,能够捕捉人脸因表情而产生的细微变化。在DS证据理论融合时,针对不同的特征对表情的识别率,分别用不同的权重系数来计算概率分配值。通过对JAFFE和Cohn-Kanade混合数据库进行实验,表情识别的平均识别率为97.08%,比单特征LDP高出一个百分点,有效地提高了表情识别率和鲁棒性。     

局部方向三值模式纹理描述子

为解决LDP算子运算速度较慢、对于有些模式无法精确区分等问题,提出局部方向三值模式纹理描述子。采用自适应阈值,对像素8个方向边缘响应进行三值编码,提取并统计正边缘模式和负边缘模式,联合起来构成局部方向三值模式,作为最终特征来描述图像。在Brodatz数据集和CUReT数据集上将该模式与传统的LBP、LDP、FLDP、LTP算法进行对比实验,对比结果表明,与LDP算法相比,该模式在上述两个数据集上的分类准确率分别提高了5．42％和8．43％,运算速度提高了8倍以上;与LBP、FLDP、FTP相比,该模式也有明显优势。     

基于改进局部方向模式的纹理分类

针对局部方向模式(Local Directional Patterns,LDP)及其扩展方法存在的问题,提出了一种增强的局部方向模式方法。首先,针对传统LDP及其改进的刚性模式划分策略,基于模糊逻辑理论,通过引入模糊隶属度函数来提高模式划分的准确性。其次,对传统的局部3×3邻域进行了扩展,新的拓扑结构不但可实现多分辨率分析,而且进一步降低了噪声的影响。采用在纹理分类领域广泛应用的UIUC、Curet和Outex纹理图像库进行试验,结果表明新的方法可以显著提高纹理图像的分类效能。     

基于PCA-SVM准则改进区域生长的非结构化道路识别

针对智能车辆在非结构化道路识别中需要采用众多的特征参数,增加了特征融合识别难度与计算复杂度,并且部分背景与道路区域存在相似性会产生道路识别的误分、误判的问题,提出了一种基于主成分分析的支持向量机（PCA-SVM）准则改进区域生长的非结构化道路识别算法。首先,对非结构化道路颜色、纹理等复杂特征信息进行提取,采用PCA对提取的特征信息进行降维;然后,利用降维后的主元特征对SVM进行训练后作为复杂道路单元格的分类器。利用道路位置、起始单元格等先验知识以及道路边界单元格统计特征改进区域生长方法,在单元格生长时利用分类器判别,排除误判区域。实际道路检测结果表明,所提算法具有较好的鲁棒性,能够有效识别非结构化路面区域。对比结果表明,所提算法在保证准确率的同时,将10余维复杂特征信息压缩为3维主元特征,相比传统算法可缩短计算时间一半以上。针对背景与道路相似区域造成的传统算法10%左右的误判问题,所提算法能够有效排除。在野外环境下基于视觉的局部路径规划与导航方面,所提算法为缩短识别时间、排除背景干扰提供了可行途径。     

基于SLIC和改进区域生长的非结构化道路识别

非结构化道路一般没有车道标识线且道路边界模糊,区分道路区域与背景区域难度较大。针对现有非结构化道路识别方法存在全像素域计算分类处理实时性差、易受噪声数据干扰等问题,提出一种基于SLIC（simple linear iterative clustering）超像素分割和改进区域生长算法的非结构化道路识别方法。利用均匀化初始聚类中心的SLIC算法生成低分辨率超像素特征图。在此基础上,利用聚类算法与邻域搜索算法自适应选择种子点,并引入CIEDE2000色差理论作为区域生长法生长准则,初步确定道路区域。根据道路连续一致特点,优化超像素级生长图并映射轮廓区域至原图,获得道路最终区域。基于数据集及真实场景的实验结果表明,该方法具有较高的识别率和抗干扰能力。     

Road detection algorithm for Autonomous Navigation Systems based on dark channel prior and vanishing point in complex road scenes

Vision-based road extraction is essentially important in many fields, such as for intelligent traffic and robot navigation. However, the road detection in urban or ill-structured roads is still very challenging at current stage, and the existing methods often suffer from high computational complexity. This paper reports a novel and efficient method for road detection in challenging scenes. First, the dark channel based image segmentation is proposed to distinguish a rough road region from complex background noise, which is envisioned to reduce the workload of road detection. Furthermore, instead of using the conventional pixel-wise soft voting, a new voting strategy based on the vanishing point and the properties of the segmented regions is proposed to further reduce the computation time of road extraction stage. Finally, the segmented region which has the maximum voting value is selected as the road region. Experimental results demonstrated that the proposed algorithm shows superior performance in different kinds of road scenes. It can remove the interference from pedestrians, vehicles and other obstacles. Our method is about 40 times faster in detection speed, when compared to a recently well-known approach.     

利用直线参数信息的建筑物灭点检测方法

针对现有的灭点检测方法未充分利用产生灭点的直线的参数信息,导致检测精度较低、计算量较大等问题,提出了一种利用直线参数信息的稳健灭点检测算法。首先采用Canny算子和Hough变换相结合的方法提取出建筑物图像中较长的稀疏直线,通过分析直线的参数信息,对不同方向直线进行聚类,并证明了各方向的直线参数满足线性分布关系;然后利用稳健回归算法建立直线参数的线性模型,并据此去除外点,获得产生有效候选灭点的有效直线束;最后根据有效直线束计算曼哈顿方向的最优灭点。实验结果表明,所提的灭点检测算法应用于规则建筑物图像的摄像机标定时,焦距的平均误差为1.05像素。     

基于小波变换和K-means的非结构化道路检测

道路检测是智能交通视觉系统的一个重要组成部分,为提高复杂环境下非结构化道路检测的实时性、准确性和鲁棒性,提出一种新的道路检测方法。该方法利用高斯金字塔对图像进行降采样,压缩图像数据信息,对图像进行双边滤波,抑制噪声,采用基于小波变换求模极大值的方法对滤波后的图像提取边缘,通过阈值法去除非道路边缘点,给出基于斜率和截距的K-means聚类算法,实现道路方程拟合。实验结果表明,与传统最小二乘法相比,该方法能在道路场景较为复杂的情况下更准确地实现非结构化道路检测,并提高实时性。     

一种高分辨率遥感影像道路提取方法

针对空间异质性导致的道路几何纹理特征突出性下降问题, 提出一种高分辨率遥感影像道路提取方法. 首先设定跟踪模型, 依据人工输入点, 自适应提取道路中心点和道路宽度, 设计迭代内插、双向迭代两种跟踪方式以及矩形跟踪模板; 然后提出多描述子道路匹配模型, 针对道路几何纹理特征突出性不足问题, 基于道路区域地物边缘与道路方向一致的语义关系, 通过线段峰值约束的思想, 提出一种多尺度线段方向直方图(Multi-scale line segment orientation histogram, MSLSOH)描述子, 以此对跟踪方向进行预测; 针对道路几何纹理特征均质性下降问题, 从道路区域与道路非道路混合区域纹理差异性出发, 组合三角形构成扇形描述子, 突出道路影像纹理特征, 以此不仅可对预测跟踪点进行验证, 而且也可在结构信息缺失的情况下对道路进行跟踪; 最后选取不同类型、不同分辨率、不同场景的高分辨率遥感影像, 通过与其他方法的实验对比, 表明该方法能够解决道路提取过程中几何纹理特征突出性下降问题, 具有准确率高和自动化程度高的优势.