基于多尺度边缘和局部熵原理的前方车辆检测

提出一种基于多尺度边缘和局部熵原理的前方车辆的检测算法。该算法利用车辆图像的边缘和纹理等视觉特征,根据摄像机参数得到远、中、近距离的三个尺度的图像,用一种改进的边缘检测算法分析每幅图像的边缘,得到车辆的感兴趣区域ROI,最后通过应用局部熵原理来排除错误的结果。对同一帧序列用文中算法和传统算法进行测试,文中算法提高了检测的正确率,并减少了误检的数量,该算法同时适用于静止和运动的车辆,并且对中远距离车辆有较好的检测效果。     

基于多尺度边缘和局部熵原理的前方车辆检测

提出一种基于多尺度边缘和局部熵原理的前方车辆的检测算法.该算法利用车辆图像的边缘和纹理等视觉特征,根据摄像机参数得到远、中、近距离的三个尺度的图像, 用一种改进的边缘检测算法分析每幅图像的边缘,得到车辆的感兴趣区域ROI,最后通过应用局部熵原理来排除错误的结果.对同一帧序列用文中算法和传统算法进行测试,文中算法提高了检测的正确率,并减少了误检的数量,该算法同时适用于静止和运动的车辆,并且对中远距离车辆有较好的检测效果.     

图像感兴趣区域检测技术

感兴趣区域（ROI）检测技术,是将图像中最能表现图像内容的关键区域提取出来的技术。对现有的静态图像ROI检测技术进行讨论。分析ROI检测技术的产生背景,评述几种当前较具代表性的ROI检测算法。详细讨论基于视觉特征的ROI检测算法,最后列举一些主要的ROI应用方向,并对ROI检测技术的发展前景进行展望。     

基于ROI最长直线提取算法的车辆超限检测系统研究

针对当前公路上车辆超限而导致交通安全隐患问题,提出了一种基于图像测量的车辆超长、超宽、超高检测系统;利用CCD摄像头捕捉限速车道内行驶的车辆的图片,经过图像分类、背景去除、噪声去除提高图像清晰度,按ROI(region of interest)最长直线提取算法提取ROI内车辆轮廓的最长像素直线,通过相机标定获取车辆实际长宽高信息;系统对于车辆超限能够实现不停车检测,有效提高了公路通行速率;实验数据表明,该系统对于不同类型车辆,均具有良好的准确性和鲁棒性。     

高速道路交通视频中车辆目标提取研究

为了能够从监控视频中快速、准确地分析车辆目标,提出了基于感兴趣区域(ROI)的车辆目标提取方法.针对高速公路监控视频,利用混合高斯背景建模,在视频中划定ROI,以排除逆向车道车辆目标的影响,应用图像形态学进行干扰点排除与前景图像轮廓空洞填充,对运动车辆目标进行检测后,用最小矩形方框法自动截取目标,最终,通过图像尺度归一化建立车辆样本数据库,为车型分类和识别提供目标图像.实验结果表明:该方法对车辆目标提取准确率高,且图像数据库样本丰富.     

基于YOLO v3的交通标志牌检测识别

在无人驾驶和辅助驾驶领域,交通标志牌检测识别是重要的。针对目前基于YOLO的检测方法能够达到实时的检测效果,但在准确率方面有所降低的问题,提出了基于感兴趣区域(ROI)的交通标志牌检测方法。首先根据交通标志牌的颜色特性得到候选区域;再利用交通场景图像规则确定交通标志牌的ROI;最后在交通标志牌的ROI,基于YOLO v3实现对交通标志牌的检测识别。实验结果表明:由于本文提出的方法去除了图像中部分干扰因素,使得算法在检测精度上得到了提升,也能满足实时性的需求,并在无人驾驶车辆上进行了验证。     

基于渗透算法和改进型OPTA的裂纹检测算法

针对低压电流互感器表面裂纹的提取与判定,提出基于渗透算法和改进型OPTA（One-Pass Thinning Algorithm）的互感器表面裂纹检测算法。首先获取互感器表面的灰度图像;其次根据裂纹区域像素值、亮度变化,通过设定种子像素点、亮度阈值,利用渗透算法渗透得到二值图;再次从裂纹连通性入手,利用改进型OPTA提取ROI（Region of Interest）的骨架,骨架由单像素点组成;最后利用裂纹具有分叉性的特点,像素点的邻域点个数超过2的即可判定为裂纹。实验表明,渗透算法能够有效地从图像中提取出ROI,并保持了ROI的线性特征,改进型OPTA使ROI完全细化为单像素图像,提出的邻域点判别法检测效率在97%以上,相较于所提其他检测方法有明显提高。     

基于感兴趣区域的图像非真实感绘制算法

针对图像非真实感绘制(NPR)算法和感兴趣区域(ROI)提取算法的不足,提出一种基于ROI的图像NPR算法。该算法利用Mean-Shift算法实现图像的NPR效果,结合图像的ROI解决传统算法时间效率不高的问题,应用色彩传递的方法对图像自动进行色彩添加和变更,以改善视觉效果。实验结果表明,该算法具有良好的艺术效果,能有效提高算法效率。     

一种稳健的脂肪肝超声图像自动分类方法

进行脂肪肝超声图像的计算机辅助检测时,由医生手工选择感兴趣区域使得分类结果具有不确定性。为了避免人为因素对检测结果的影响,构造了一种利用图像分解技术确定ROI的算法,使得检测结果具有很强的稳健性。通过变分的方法把输入超声图像分解为纹理图和卡通图两部分,利用卡通图上的强度信息确定ROI,在纹理图上计算对应ROI的纹理特征。试验表明,相对于直接从超声图像上提取纹理信息,从分解后的纹理图像上提取的纹理信息有更好的分类效果。     

一种新的基于区域增长的ROI分割算法*

为克服现有算法带来边缘定位不精确和人工参与太多等缺点,提出了一种新的基于区域增长的适合医学图像中ROI的分割算法。该算法先利用改进的Canny边缘算子进行边缘粗检测,再利用给出的灰度和纹理等信息进行区域增长,最终得到分割图像。为了更好地进行区域增长,新算法通过对ROI中像素的灰度和纹理进行分析,给出结合点向量运算和灰度判断的增长准则。实验结果表明,该方法能对医学图像中复杂区域或畸形区域进行分割,具有很好的鲁棒性与实用性。     

基于快速检测和AdaBoost的车辆检测

为给激光雷达三维点云目标检测提供一种更智能、更稳健的信息处理算法,提出一种基于激光雷达获取的点云数据的车辆目标检测算法。采用局部高程对地面进行拟合,对目标场景进行预分类;根据目标的几何尺寸建立ROI(感兴趣区域),对该区域内的点云数据进行聚类分析,大致检测出目标物体。由于现实场景中往往存在与目标高程相近的物体,采用基于Harr-like特征的AdaBoost分类器对ROI进行复核,划定检测目标。实验结果表明,在目标遮挡率为50%的情况下,算法的检测准确率也能将近90%。     

自适应人脸多区域分析的视频心率检测

心率是衡量人体心血管健康状况和情绪压力的重要生理参数. 然而, 基于视频的非接触式心率检测技术在真实场景中, 会由于人脸运动和光照变化等导致检测准确性的降低. 为了解决上述问题, 考虑到心率检测算法中感兴趣区域(region of interest, ROI)的选取与检测准确度高度相关. 故提出一种自适应超像素分割多区域综合分析的心率检测新方法. 首先利用人脸检测和追踪算法, 裁切获得人脸图像; 之后采用自适应超像素分割算法将ROI划分成互不重叠的子块; 再通过色度特征提取构建各子块原始血液容积脉搏矩阵; 最后对脉搏矩阵使用多指标综合分析并挑选出最佳区域进行心率估计. 实验结果表明, 通过自适应超像素分割和多区域分析优选可以有效提升心率检测准确性. 在静止状态下和运动干扰条件下准确性分别达到99.1%和95.6%, 光照干扰条件下准确性相对传统方法最高提升8.2%. 增强了真实场景下心率检测的鲁棒性.     

基于ICF和多级分类器的交通标志检测

针对传统的基于积分通道特征(ICF)和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种两阶段交通标志检测方法.第一阶段对ICF进行谱聚类并结合Adaboost算法学习得到目标感兴趣区域(ROI);第二阶段对所获得的感兴趣区域进行直方图均衡化,利用尺度不变特征变换(SIFT)描述子与支持向量机(SVM)分类器相结合,提高了目标区域检测的准确性.通过德国交通标志数据集(GTSDB)的验证,结果表明:采用SICF-Adaboost +SIFT-SVM构建的交通标志级联分类器检测算法相对于传统的ICF-Adaboost算法召回率高且误检率低,适用于真实场景下的交通标志检测.     

中分辨率SAR图像自动桥梁检测方法

传统的单一分辨率下的桥梁目标检测方法难以胜任整景SAR影像中桥梁目标的检测。该文提出一种基于目标多尺度特征的中分辨率SAR图像桥梁自动检测方法。在低分辨率级别下提取河流和定位潜在桥梁目标点,把定位结果映射到原始中分辨率图像数据中,完成目标检测,从而提高检测效率。实验结果表明,对幅宽10 000×10 000像素的整景SAR影像,采用该方法检测桥梁目标的速度在15 s以内,目标检测率大于90%,虚警率小于5%。     

基于Pthreads的车辆图像兴趣区域提取并行算法研究

为了提高公安机关查找犯罪车辆的效率,提高车辆识别的效率很必要。据统计,提取兴趣区域(Region Of Interest,ROI)约占车型识别过程的60%,因此如何加速提取ROI过程尤其重要。首先,通过数据划分方法实现基本并行算法;然后,经过实验分析,在基本并行算法的基础上,精心设计预处理过程的分解方案,设置多队列缓冲区,减少共用缓冲区的线程数量和每个缓冲区互斥锁锁定的次数。实验证明,所提算法在双CPU 12核(支持超线程到24线程)的服务器上运行,相对于串行算法,实现了13.1x的加速比。     

一种基于帧差法的夜间车辆检测方法

受光强变化大、照度低以及车灯光晕等影响,夜间环境下车辆视频检测相对白天比较困难;文中采用帧差法求感兴趣区域(Region of Interesting,ROI),抑制夜间车灯光晕;并引入"疑是车辆"的概念。以消除车辆断层和随机噪声造成的车辆误检;同时,根据运动目标在车道内分布的离散度判断车型;对不同夜间交通场景进行测试,检测率均在96%以上;在广深高速公路实地应用中取得了很好效果。     

应用Camshift跟踪算法提高视频中人脸检测速度

在OpenCV中提供的CascadeClassifier级联分类器利用Haar特征进行人脸检测时,检测速度很慢无法满足视频对实时性的要求,而且光照的影响也很大.基于这两点提出一种新的人脸检测算法,采用Camshift目标跟踪与人脸检测相结合提高检测速度并利用直方图均衡化减弱光照的影响.该算法首先把CascadeClassifier级联分类器方法检测到的人脸区域设为ROI区域,对ROI区域操作并用Camshift算法进行目标跟踪,其次要定时进行一次人脸检测用来更新ROI区域保证跟踪的准确性.经过实验结果分析表明：利用改进后的算法,人脸检测的速度有明显提高（约为40%）,并且减小了光照的影响.     

基于改进PBAS算法的级联特征行车检测

随着车辆迅速增加,智能交通系统中的监控系统需要在复杂环境中快速、准确地检测车辆,在现有研究的基础上提出一种高效的车辆检测方案。首先选取像素自适应分割算法对其背景模型作线性优化,减少运算复杂度,提取前景斑点为定义区域;然后通过设定阈值确定感兴趣区域;在感兴趣区域里,选取哈尔（Haar-like）特征和方向梯度直方图特征,输入到优化后的AdaBoost+支持向量机（support vector machine,SVM）级联分类器中进行车辆检测。大量的实验证明了线性化像素自适应分割算法的优越性、AdaBoost+SVM级联分类器快速性、整体车辆检测算法在检测车辆时的实时性和光照鲁棒性。     

基于DSP的单车道车流量实时监测算法

针对传统的车流量检测系统采用感应器设备硬件安装繁杂及通用车流量检测算法无法判别车辆行驶方向的问题,提出一种基于数字信号处理器（DSP）的单车道车流量实时监测算法,并应用于停车场。首先,在虚拟检测带上使用背景差分法完成车辆检测,并对均值法背景建模进行改进;其次,提出一种邻帧二值归类算法对车辆行驶方向进行判别;最后,在虚拟检测带上进行车流量计数并将车位情况实时显示于LED显示屏上。通过模拟实验验证了所提算法的可行性,并在实际测试实验中,得到邻帧二值归类算法方向判别的准确率为96.5%,车位监控算法准确率为92.2%。实验结果表明,该单车道车流量实时监测算法准确率较高,节省了检测系统设备,可以应用于单车道停车场进行车流量实时监测。