一种新的图像中的人眼检测算法*

提出了一种新的图像中人眼检测算法,在一幅已知的人脸图像中首先采用同态滤波算法增强图像的对比度,然后利用迭代式阈值选择法对图像进行二值化处理,根据传统的先验知识获得眼睛的候选区域。根据眼睛的构造提出了一种基于最小外接矩形的自定义模板来实现眼睛的最终定位并利用区域质心标定出了眼睛区域的中心位置。实验证明,本算法简单实用,能够有效地实施人眼的检测,具有较高的检测精度。     

人眼检测技术研究进展

基于计算机视觉的人眼检测研究是人脸识别和视线追踪等技术的关键,具有重大的应用价值,并且对模式识别研究的发展有重要的理论意义。本文通过回顾人眼检测近20年来的主要研究成果,分别根据算法使用的模式识别原理及检测结果提出两种全新的人眼检测分类方法;然后按检测结果分类阐述了各种人眼检测方法的基本思想及其优缺点,并尝试通过不同的分类方法从不同的角度揭示各类算法的本质;最后分析总结了人眼检测研究的发展现状,展望了其应用前景及发展趋势。     

基于音视一致性的音视人眼关注点检测

现有音视人眼关注点检测算法使用双流结构分别对音视信息进行特征提取,随后对音视特征融合得到最终的预测图。但数据集中的音频信息和视觉信息会有不相关的情况,因此在音视不一致时直接对音视特征进行融合会使得音频信息对视觉特征产生消极的影响。针对上述问题,本文提出一种基于音视一致性的音视人眼关注点检测网络（Audio-visual Consistency Network, AVCN）。为验证该网络的可靠性,本文在现有音视结合的人眼关注点检测模型上加入音视一致性网络,AVCN对提取的音、视频特征进行一致性二值判断,二者一致时,输出音视融合特征作为最终的预测图,反之则输出视觉占主导的特征作为最终结果。该算法在开放的6个数据集上进行实验,结果表明加入AVCN模型的整体指标会有所提高。     

视觉注意力检测综述

人类能够迅速地选取视野中的关键部分,选择性地将视觉处理资源分配给这些视觉显著的区域.在计算机视觉领域,理解和模拟人类视觉系统的这种注意力机制,得到了学界的大力关注,并显示出了广阔的应用前景.近年来,随着计算能力的增强以及大规模显著性检测数据集的建立,深度学习技术逐渐成为视觉注意力机制计算和建模的主要手段.综述了视觉注意力检测的最新研究进展,包括人眼关注点检测和显著物体检测,并讨论了当前流行的视觉显著性检测数据集和常用的评估指标.对基于深度学习的工作进行了综述,也对之前代表性的非深度学习模型进行了讨论,同时,对这些模型在不同的数据集上的性能进行了详细评估.最后探讨了该领域的研究趋势和未来的发展方向.     

基于图像处理方法的人眼动姿态识别技术的研究

传统的获得人眼动姿态技术一般需要利用机械装置或是电极、镜片等直接与眼睛接触,给被试者的眼睛带来不适,具有很大的局限性。提出了基于图像处理方法的人眼动姿态识别技术。首先利用摄像机拍摄人脸图片,再利用水平差分和改进的垂直积分投影实现了人眼位置粗定位。在此基础上,采用了Harris角点检测方法寻找内外眼角,并提出基于Susan模板的差分极大值角点筛选方法来筛选出最佳内外眼角,最后提出了一种基于眼球低灰度值特征的分析方法确定眼球左右移动的姿态。提出的人眼动姿态识别技术具有定位准确率高、速度快、对人眼无伤害等优点,为人眼动姿态识别技术的应用提供了新的途径。     

驾驶员疲劳检测技术研究综述*

针对近几十年来驾驶员疲劳检测的发展状况,对驾驶员疲劳检测技术进行综述。通过将疲劳检测技术分为基于驾驶员特征以及基于车辆行为的疲劳检测技术,详细阐述了相关研究成果。基于驾驶员特征的疲劳检测通过提取包含疲劳信息的特征进行检测,具体分为生理参数特征以及视觉特征两方面,而基于车辆行为的疲劳检测是根据车辆行驶情况间接判断驾驶员是否有疲劳。介绍了几个典型疲劳检测系统,最后探讨了疲劳检测的技术难点以及发展趋势。     

基于OPENCV的人眼检测系统

在对司机们的疲劳状态进行监控的系统中,为了能够实现监控的实时性,需要对整个眼部区域实施跟踪,且定位眼睛的大概位置,由此便提出了一种检测方式,即基于OPENCV的人眼检测。系统在Visual Studio开发平台上,利用开源的OPENCV图像处理函数库,对摄像头实时输入的图像进行采集处理,用HAAR特征的ADABOOST分类器算法进行分割定位,再经过多次OPENCV样本训练和检测提高成功率。实验结果显示:此次设计能够成功捕捉人眼的位置,只要五官清晰可见,即使是图片也可以识别出来;当被部分遮挡时,若提前已经检测出轮廓,将不会改变实验结果。     

人眼视觉特性在植物叶片图像提取中的应用

通过叶片图像分析植物生长状况是目前农林领域的热点问题之一。此类图像中,如何去除背景干扰,获得视觉兴趣区域是研究的重点内容。为将外界噪声降到最低,本文采用灯箱设备采集植物叶片图像,考虑到人眼视觉特性,将图像划分成a×b个大小相等的分块,计算出各分块图像的视觉影响权重因子,并据此从原始图像中去除背景区域,划分出人眼视觉感兴趣的区域图像;随着a、b取值的不同以及图像提取的不断深入,可极大限度地去除无关背景区域。较之原始图像,利用该方法得到的区域图像符合人眼视觉特征,在图像质量和尺寸大小方面均有改善;为提取植物叶片视觉兴趣区域提供了一种新思路。     

人眼明暗分界感觉的计算机模拟

提出新的非线性算子对人眼视觉系统（ＨＶＳ）明暗分界感觉进行计算机模拟。ＨＶＳ在不同光照条件下对光强度的响应不同,即为非线性响应,因而应在常规的线性边界撮算子中引入非线性项,以使撮结果更好地与ＨＶＳ感觉吻合。目前作者已对司明状态下的ＨＶＳ边界感模拟进行了细致研究,找到了合适的非线性算子,经试验验证,与人眼感觉符合较好。     

图像异常检测研究现状综述

图像异常检测是计算机视觉领域的一个热门研究课题, 其目标是在不使用真实异常样本的情况下, 利用现有的正常样本构建模型以检测可能出现的各种异常图像, 在工业外观缺陷检测、医学图像分析、高光谱图像处理等领域有较高的研究意义和应用价值. 本文首先介绍了异常的定义以及常见的异常类型. 然后, 本文根据在模型构建过程中有无神经网络的参与, 将图像异常检测方法分为基于传统方法和基于深度学习两大类型, 并分别对相应的检测方法的设计思路、优点和局限性进行了综述与分析. 其次, 梳理了图像异常检测任务中面临的主要挑战. 最后, 对该领域未来可能的研究方向进行了展望.     

基于序列图像的人体跟踪算法研究综述

为了综述目前基于序列图像的人体跟踪算法的研究现状,将人体跟踪问题分为人体运动目标检测与跟踪两部分分别加以讨论,系统地总结和介绍了目前人体检测与跟踪算法的研究技术和最新进展,比较了各种跟踪方法的优劣并总结了跟踪方法常用的搜索策略.针时人体跟踪算法中的难点问题进行了专门讨论,通过总结近几年相关文献对人体跟踪算法研究方向进行了展望.     

Automated crop plant detection based on the fusion of color and depth images for robotic weed control

Robotic weeding enables weed control near or within crop rows automatically, precisely and effectively. A computer‐vision system was developed for detecting crop plants at different growth stages for robotic weed control. Fusion of color images and depth images was investigated as a means of enhancing the detection accuracy of crop plants under conditions of high weed population. In‐field images of broccoli and lettuce were acquired 3–27 days after transplanting with a Kinect v2 sensor. The image processing pipeline included data preprocessing, vegetation pixel segmentation, plant extraction, feature extraction, feature‐based localization refinement, and crop plant classification. For the detection of broccoli and lettuce, the color‐depth fusion algorithm produced high true‐positive detection rates (91.7% and 90.8%, respectively) and low average false discovery rates (1.1% and 4.0%, respectively). Mean absolute localization errors of the crop plant stems were 26.8 and 7.4 mm for broccoli and lettuce, respectively. The fusion of color and depth was proved beneficial to the segmentation of crop plants from background, which improved the average segmentation success rates from 87.2% (depth‐based) and 76.4% (color‐based) to 96.6% for broccoli, and from 74.2% (depth‐based) and 81.2% (color‐based) to 92.4% for lettuce, respectively. The fusion‐based algorithm had reduced performance in detecting crop plants at early growth stages.     

基于多特征融合的车辆检测算法

提出了一种综合利用车辆阴影、车辆边缘和对称性3种特征进行车辆检测的算法：首先,进行车辆阴影检测,它提供了可能包含车辆的初始搜索区域;随后,进行的车辆边缘检测在排除部分虚警的同时,进一步缩小了车辆区域的范围;最后,通过对称性检测实现车辆的准确定位与检测。实验表明：该算法具有较低的误检率。     

鲁棒主成分分析的运动目标检测综述

目的 运动目标检测在许多计算机视觉任务中发挥了重要的作用。背景建模是运动目标检测中传统而又常用的方法。然而,许多背景建模方法是基于像素点的,对背景方面的考虑过于简单,难于处理真实视频。最近,将基于低秩和稀疏分解的鲁棒主成分分析应用于运动目标检测成为计算机视觉领域内的研究热点。为使更多国内外运动目标检测的研究者对鲁棒主成分分析方法进行探索和应用,本文对其进行系统综述。方法 融入最新研究进展,基于误差抑制、贝叶斯理论、时间和空间信息、多特征和多因素耦合,对各种国内外的鲁棒主成分分析模型进行归纳,并理论分析其优缺点。结果 本文采用变化检测数据集（change detection dataset）中不同场景的视频序列来对不同算法进行对比实验。从实验结果可知,属于第3类方法的DECOLOR 的检测效果优于其他算法,在均值对比中得到的召回率、精确率和F-measure分别为0.7、0.706和0.66。总体来说,当前改进算法都能有效地弥补最初鲁棒主成分分析方法的缺陷,提高了运动目标检测的精度。结论 鲁棒主成分分析在运动目标检测上取得了较多的研究与应用成果,在智能视频监控应用领域拥有广阔的应用前景。但是,其仍需针对鲁棒主成分分析存在的一些局限性进行深入的研究。融入前景运动目标在视频中的先验知识是基于鲁棒主成分分析的运动目标检测的发展趋势。     

随机变点统计的MDR边缘检测算法*

统计方法是计算机视觉中边缘检测的重要处理方法,但是之前的基于概率统计的算法在效率和效果方面均不能得到令人满意的结果,所以阻碍了这类算法的推广应用和进一步发展。为此,提出一种基于随机变点统计的多尺度(multi-directions-relationship,MDR)边缘检测算法,并深入分析和讨论了该算法在实际应用中的处理框架和多个参数控制问题。实验证明,该算法在保全图像信息和细节处理上均具有优势。     

Model driven edge detection

Standard edge detectors fail to find most relevant edges, finding either too many or too few, because they lack a geometric model to guide their search. We present a technique that integrates both photometric and geometric models with an initial estimate of the boundary. The strength of this approach lies in the ability of the geometric model to overcome various photometric anomalies, thereby finding boundaries that could not otherwise be found. Furthermore, edges can be scored based on their goodness of fit to the model, thus allowing one to use semantic model information to accept or reject the edges.     

基于深度学习的目标检测算法研究综述

传统的目标检测算法主要依赖于人工选取的特征来对物体进行检测。人工提取的特征对主要针对某些特定对象,比如有的特征适合做边缘检测,有的适合做纹理检测,不具有普遍性。近年来,深度学习蓬勃发展,在计算机视觉领域比如图像分类、目标检测、图像语义分割等方面取得了重大的进展。深度学习作为一种特征学习方法能够自动学习到目标的有用特征,避免了人工提取特征,同时能够保证良好的检测效果。本文首先介绍基于深度学习的目标检测算法研究进展,其次总结目标检测算法中常见的难题与解决措施,最后对目标检测算法的可能发展方向进行展望。     

驾驶员疲劳检测系统的研究

为了减少由于驾驶员疲劳驾驶引起的交通事故,提出驾驶员疲劳状态检测系统的方案。使用3×3中值滤波去除噪声和光照对图像的影响,通过对AdaBoost算法的强分类器训练算法改进、级联分类器优化实现人脸的快速检测,在检测到的人脸区域,通过积分灰度投影和从粗到细改进的模板匹配方法对人眼进行准确定位;通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动的计算,进行驾驶员疲劳程度的综合判定。实验结果表明,该方法准确率高,兼具了良好的实时性和鲁棒性。     

基于计算机视觉的人运动捕获综述

人体运动的捕获是计算机视觉领域的热点之一,它是指从大范围上从图像序列中提取并描述人体轮廓的运动,然后对其进行跟踪识别。介绍了运动捕获的潜在应用,从初始化、检测、跟踪、姿态评估、识别5个方面分析了有关运动捕获的分类及研究现状,最后简要探讨了该领域面临的难点问题及发展趋势。