一种基于轮廓图像的人脸检测方法

提出了一种基于轮廓图像的人脸检测方法。针对人脸的生理结构特征，对人脸的灰度图像进行水平和垂直方向的轮廓分割；在此基础上对轮廓图像进行分块，抽取水平和垂直方向的轮廓特征；将抽取的特征用支持向量机（support vector machine，SVM）进行分类，将分类结果用于人脸检测。实验表明：轮廓特征能较好的反映人的脸部特征，用支持向量机对轮廓特征进行分类的方法来检测人脸是有效的。     

RGB-D图像中的分步超像素聚合和多模态融合目标检测

目的 受光照变化、拍摄角度、物体数量和物体尺寸等因素的影响,室内场景下多目标检测容易出现准确性和实时性较低的问题。为解决此类问题,本文基于物体的彩色和深度图像组,提出了分步超像素聚合和多模态信息融合的目标识别检测方法。方法 在似物性采样（object proposal）阶段,依据人眼对显著性物体观察时先注意其色彩后判断其空间深度信息的理论,首先对图像进行超像素分割,然后结合颜色信息和深度信息对分割后的像素块分步进行多阈值尺度自适应超像素聚合,得到具有颜色和空间一致性的似物性区域;在物体识别阶段,为实现物体不同信息的充分表达,利用多核学习方法融合所提取的物体颜色、纹理、轮廓、深度多模态特征,将特征融合核输入支持向量机多分类机制中进行学习和分类检测。结果 实验在基于华盛顿大学标准RGB-D数据集和真实场景集上将本文方法与当前主流算法进行对比,得出本文方法整体的检测精度较当前主流算法提升4.7%,运行时间有了大幅度提升。其中分步超像素聚合方法在物体定位性能上优于当前主流似物性采样方法,并且在相同召回率下采样窗口数量约为其他算法的1/4;多信息融合在目标识别阶段优于单个特征和简单的颜色、深度特征融合方法。结论 结果表明在基于多特征的目标检测过程中本文方法能够有效利用物体彩色和深度信息进行目标定位和识别,对提高物体检测精度和检测效率具有重要作用。     

基于多特征协同的交通标志检测

针对交通场景图像中交通标志因颜色失真、形状失真和尺度变化导致漏检严重的问题,提出一种颜色特征、形状特征和尺度特征的多特征协同方法。从交通场景图像计算颜色增强图,利用多阈值分割方法和闭合轮廓曲率直方图链码表达,并对提取的形状轮廓的曲率直方图进行尺度归一化处理,融合颜色特征和归一化后的形状特征构成区域的特征向量,采用支持向量机分类获得检测结果。实验结果表明,该算法在较低时间复杂度下,能有效提高交通标志检测精度。     

基于SURF和全局特征融合的图像分类研究

针对SURF对图像局部特征具有极好的描述能力,但对于全局特征描述能力不强的缺点,提出将SURF和全局颜色特征相融合的图像分类算法,提取图像的SURF特征向量集,并利用随机直方图算法将该向量集进行数据归约成单一高维特征向量;提取图像HSV颜色直方图;分别利用支持向量机（SVM）对这两种特征进行分类;将两个分类结果进行高层特征融合得到最终分类结果。实验结果表明,该算法显著提高了图像分类的准确率。     

融合双特征图信息的图像显著性检测方法

目的 图像的显著性检测是将图像中最重要的、包含丰富信息的区域标记出来,并应用到图像分割、图像压缩、图像检索、目标识别等重要领域。针对现有研究方法显著性目标检测结果不完整以及单一依靠颜色差异检测方法的局限性,提出一种综合图像底层颜色对比特征图和图像颜色空间分布特征图的显著性检测方法,能够有效而完整地检测出图像中的显著性区域。方法 本文方法结合了SLIC超像素分割和K-means聚类算法进行图像特征的提取。首先,对图像进行SLIC（simple linear iterative clustering）分割,根据像素块之间的颜色差异求取颜色对比特征图;其次,按照颜色特征对图像进行K-means聚类,依据空间分布紧凑性和颜色分布统一性计算每个类的初步颜色空间分布特征。由于聚类结果中不包含空间信息,本文将聚类后的结果映射到超像素分割的像素块上,进一步优化颜色空间分布图;最后,通过融合颜色对比显著图和图像颜色空间分布特征图得到最终的显著图。结果 针对公开的图像测试数据库MSRA-1000,本文方法与当前几种流行的显著性检测算法进行了对比实验,实验结果表明,本文方法得到的显著性区域更准确、更完整。结论 本文提出了一种简单有效的显著性检测方法,结合颜色对比特征图和图像颜色空间分布特征图可以准确的检测出显著性区域。该结果可用于目标检测等实际问题,但该方法存在一定的不足,对于背景色彩过于丰富且与特征区域有近似颜色的图像,该方法得到的结果有待改进。今后对此算法的优化更加侧重于通用性。     

基于NSCT和支持向量机的SAR图像识别

针对传统的合成孔径雷达图像（SAR）识别算法识别精度低,用时长等问题,提出一种基于非下采样轮廓波变换（NSCT）和支持向量机（SVM）的SAR图像识别算法。首先通过非下采样轮廓波变换将目标图像分解成不同的尺度,然后得到目标图像的低频分量和高频分量;接着在高频分量中提取方向梯度直方图特征（HOG）,在低频分量中利用局部二值化算法（Local Binary Pattern,LBP）提取纹理特征;然后将提取的梯度方向直方图特征和局部二值化特征空间连结,并使用支持向量机（SVM）作为分类器;最后对算法进行了测试。实验结果表明,该方法不仅能够有效地提高了SAR图像目标分类的精度,在MSTAR数据库上的准确率达到90.7%,而且对相干斑的影响具有较高的鲁棒性。     

融合多特征与先验信息的显著性目标检测

目的 图像的显著性目标检测是计算机视觉领域的重要研究课题。针对现有显著性目标检测结果存在的纹理细节刻画不明显和边缘轮廓显示不完整的问题,提出一种融合多特征与先验信息的显著性目标检测方法,该方法能够高效而全面地获取图像中的显著性区域。方法 首先,提取图像感兴趣的点集,计算全局对比度图,利用贝叶斯方法融合凸包和全局对比度图获得对比度特征图。通过多尺度下的颜色直方图得到颜色空间图,根据信息熵定理计算最小信息熵,并将该尺度下的颜色空间图作为颜色特征图。通过反锐化掩模方法提高图像清晰度,利用局部二值算子（LBP）获得纹理特征图。然后,通过图形正则化（GR）和流行排序（MR）算法得到中心先验图和边缘先验图。最后,利用元胞自动机融合对比度特征图、颜色特征图、纹理特征图、中心先验图和边缘先验图获得初级显著图,再通过快速引导滤波器优化处理得到最终显著图。结果 在2个公开的数据集MSRA10K和ECSSD上验证本文算法并与12种具有开源代码的流行算法进行比较,实验结果表明,本文算法在准确率-召回率（PR）曲线、受试者工作特征（ROC）曲线、综合评价指标（F-measure）、平均绝对误差（MAE）和结构化度量指标（S-measure）等方面有显著提升,整体性能优于对比算法。结论 本文算法充分利用了图像的对比度特征、颜色特征、纹理特征,采用中心先验和边缘先验算法,在全面提取显著性区域的同时,能够较好地保留图像的纹理信息和细节信息,使得边缘轮廓更加完整,满足人眼的层次要求和细节要求,并具有一定的适用性。     

可视语音合成中口形特征点定位研究

为了有效解决描述嘴唇轮廓的口形特征点定位问题,根据颜色空间中唇部和皮肤颜色的差异提出了一种新的从视频中定位口形特征点的方法。首先将视频文件分解为一帧帧的图片序列,定位并提取出图片中的口形区域,然后利用支持向量机（SVM）将口形区域分为唇部和非唇部区域,最后根据口形图像几何特征的先验知识实现口形特征点的定位。实验结果表明提出的方法具有较高的准确性和鲁棒性。     

基于内容的多特征融合图像检索

提出一种组合颜色、形状和空间信息的图像检索方法,用颜色块的颜色直方图表示图像的颜色特征;使用Zernike矩表示图像的形状特征,通过提取颜色块的质心、分布方差聚散度等特征得到图像的空间特征。为了进一步提高图像检索的精确度,提出一种基于支持向量机的相关反馈方法。实验结果表明,基于组合特征的图像检索方法优于基于单一特征的检索方法。     

基于下肢轮廓特征的步态周期算法

步态周期是步态的一个重要特征,步态识别是建立在准确的步态周期分割之上的。本文提出了一个基于下肢轮廓的步态周期检测方法,首先对步态序列图像进行灰度化,然后计算各像素点在步态图像序列中的中值,获取整个步态序列图像的背景,提取人体目标后,利用数学形态学方法和区域跟踪算法填补二值化图像中的空洞;采用轮廓跟踪算法获得人体下肢轮廓,并将其转换为对应距离向量,在一个步态系列中利用距离向量范数研究步态周期。本算法计复杂度低,鲁棒性好,精确度高。     

基于高层颜色语义名称的显著性检测*

为了克服图像底层特征与高层语义之间的语义鸿沟,降低自顶向下的显著性检测方法对特定物体先验的依赖,提出一种基于高层颜色语义特征的显著性检测方法。首先从彩色图像中提取结构化颜色特征并在多核学习框架下,实现对图像进行颜色命名获取像素的颜色语义名称;接着利用图像颜色语义名称分布计算高层颜色语义特征,再将其与底层的Gist特征融合,通过线性支持向量机训练生成显著性分类器,实现像素级的显著性检测。实验结果表明,本文算法能够更加准确地检测出人眼视觉关注点。且与传统的底层颜色特征相比,本文颜色语义特征能够获得更好的显著性检测结果。     

基于PCA矢量形态学的彩色图像分割方法

基于HSV彩色模型,提出一种基于主量成分分析的矢量排序新方法。将彩色图像描述为矢量空间,则像素点作为矢量处理,根据相应彩色矢量对主量轴的投影值进行排序。采用这种统计特征排序方案,定义新的上下确界与彩色形态算子,将其应用于彩色图像分割,能得到与视觉判断相一致的分割结果。实验表明,该算法具有出色的矢量保持能力,与标准的彩色形态学算子相比,显示了更优的分割性能与较好鲁棒性能。     

基于特征融合的多尺度窗口产品外观检测方法

为提高产品外观质量的检测精度和实时性,提出一种基于特征融合的多尺度滑动窗口机器视觉检测方法;在训练阶段,首先提取图像的HOG特征和Lab颜色特征,并采用典型相关分析法(CCA)进行特征融合;接下来,采用支持向量机(SVM)对融合的特征进行训练,生成分类器;在检测阶段,产品外观不同区域对精度的要求不同,为提高检测效率,生成不同尺度的滑动窗口,在每个窗口中都进行图像的特征提取与特征融合;最后,对采集的图像序列进行匹配,实现产品外观划痕的实时检测;实验中,选取不同的特征提取方法进行对比,并分别生成大小不同的滑动窗口,通过分析实验结果,结合检测时间与精度,确定各个区域的窗口尺度;实验表明,与传统的检测方法相比,所提方法在检测精度和实时性上具有显著提高。     

A double mapping framework for extraction of shape-invariant features based on multi-scale partitions with AdaBoost for video smoke detection

Traditional methods for video smoke detection can easily achieve very low training errors but their generalization performances are not good due to arbitrary shapes of smoke, intra-class variations, occlusions and clutters. To overcome these problems, a double mapping framework is proposed to extract partition based features with AdaBoost. The first mapping is from an original image to block features. A feature vector is presented by concatenating histograms of edge orientation, edge magnitude and Local Binary Pattern (LBP) bit, and densities of edge magnitude, LBP bit, color intensity and saturation. Each component of the feature vector produces a feature image. To obtain shape-invariant features, a detection window is partitioned into a set of small blocks called a partition, and many multi-scale partitions are generated by changing block sizes and partition schemes. The sum of each feature image within each block of each partition is computed to generate block features. The second mapping is from the block features to statistical features. The statistical features of the block features, such as, mean, variance, skewness, kurtosis and Hu moments, are computed on all partitions to form a feature pool. AdaBoost is used to select discriminative shape-invariant features from the feature pool. Experiments show that the proposed method has better generalization performance and less insensitivity to geometry transform than traditional methods.     

一种基于区域综合特征的图像检索方法

提出一种基于目标区域的图像检索方法,首先采用颜色聚类的分割方法将图像分割成不同的区域,提取每个区域的颜色、位置、形状等低层特征,然后提出一种相似度计算方法实现图像的相似性度量。为了提高图像检索的准确度,最后采用支持向量机（SVM）的相关反馈算法。实验结果表明,基于目标区域的图像检索效果比基于全局图像特征的检索效果有较好的改善。     

基于超像素的印刷品色差在线检测方法

针对彩色印刷行业中,印刷品色差在线检测准确率低、速度慢的问题,提出一种新的检测方法.基于超像素的思想,采用简单线性迭代聚类(SLIC,simple linear iterative clustering)算法,对具有相似特征的相邻像素进行聚类,形成结构紧凑、近似均匀的像素块,每个像素块即为一个超像素.用超像素代替像素块内多个相似像素,分别提取标准图像和待检测图像的颜色特征.再用CIEDE2000色差公式进行色差计算.实验结果表明,该方法在保证检测结果准确率的基础上,能够有效地减少数据计算量,提高检测效率.     

基于矢量Prewitt算子的多尺度彩色图象边缘检测方法

在矢量Ｐｒｅｗｉｔｔ算子的基础上,引入多凡度组合正则化处理,提出了一种新的彩色图象边缘检测方法,实验表明,若对检测精度,边缘完整性,抗噪性等方面进行综合评价,该方法优于标量算子和单一尺度下的矢量算子。     

基于工程语义约束的线束预装配自动规划方法

线束预装配是线束生产的重要环节,论文通过总结线束工艺设计中的工程 语义约束信息,建立装配关联图模型,提出了一种线束预装配自动规划方法。该方法通过主 件选择、最大子装配体提取、工程语义约束检测来实现对预装配序列自动规划,而无需与用 户进行交互。最后的实例表明该方法是有效可行的,能较好的解决大线束图纸中装配序列规 划问题。     

Traffic lights detection and recognition based on multi-feature fusion

Many traffic accidents occurred at intersections are caused by drivers who miss or ignore the traffic signals. In this paper, we present a method dealing with automatic detection of traffic lights that integrates both image processing and support vector machine techniques. Firstly, based on the color characteristics of traffic lights, the paper proposes a method of traffic light segmentation in RGB and HSV color space. And then, according to the geometric features and backplane color information of traffic lights, we design an algorithm to remove false targets in images. Moreover, in order to solve traffic lights diffusion problem, we apply a strategy that we first map the candidate regions onto the original image, then using Otsu algorithm re-extract the target region. Finally, HOG features are extracted from the target regions, and recognized by the trained SVM classifier. Experimental results show that the proposed method has relatively high detection rate and recognition accuracy in different natural scenarios, and is able to meet real-time requirements.