隐含多项式曲线对称性几何特征及其检测研究

隐舍多项式曲线在物体描述和识别中具有许多优点并得到实际应用,因而物体的对称性检测问题可以转换成对隐含多项式曲线的对称性检测来研究。对隐含多项式曲线对称几何结构性质进行了探讨,提出隐含多项式曲线如果是对称的,则其充分必要条件是首二次因子积组成的椭圆图形是对称的,同时指出椭圆图形对称轴就是隐含多项式曲线的对称轴。算法较为简单和直观．实验结果证明算法的有效性和可操作性。     

基于隐含多项式曲线欧氏不变量物体识别

目标物体的识别和匹配在计算机视觉、图像视频压缩与传输中都有重要应用。隐含多项式曲线对物体有良好的描述能力,用它识别和匹配目标物体是很有效的。文章给出了任意次隐含多项式曲线欧氏几何不变量的计算方法,理论证明这些不变量是完全独立的并且是完备的。文中的实验证明基于这些欧氏不变量能较好地识别发生欧氏变换的目标物体。     

基于视觉注意机制与局部描述子的物体检测

为实现复杂图像场景下的物体检测,提出整合视觉注意机制与局部描述子技术的检测模型.通过计算探测场景的显著图及提取其SIFT局部描述子特征,采用层次化的匹配策略对任务物体与探测场景进行关键点匹配以实现物体检测.该策略能将匹配范围界定于场景中富含物体区分性信息的显著区域,并且匹配的门限也可由这些区域的显著性自适应地调节.定性及定量的对比实验验证了该模型的性能.     

平面图像的对称性检测方法研究

1 引言对称性是物体与形状的基本特征之一,在图像分析和计算机视觉等领域是一个重要的研究课题。形状的对称性描述和物体对称性特征检测在机器人识别、检验、抓取和推理中有重要应用。根据物体的对称性,可以迅速确定物体内部相对位置关系,使被遮挡或丢失的部分信息恢复出来,并且还可以获得物体在三维空间的位置、方位和姿态。物体的对称性在图像压     

隐含多项式曲线曲面拟合次数的确定研究

选用合适次数的隐含多项式曲线曲面描述目标物体是处理和识别目标物体的关键,因而需要在理论上解决隐含多项式曲线或者曲面的次数确定问题.根据目标物体本身的特征,从理论上得出隐含多项式曲线描述物体的次数确定定理,并给出了具体计算公式.该方法首先由给定物体边界的轮廓检测出其驻点数,然后根据驻点数得到拟合隐含多项式曲线方程次数的下界,进而推广到三维物体的隐含多项式曲面拟合次数的确定.最后给出的应用实例进一步验证了算法的有效性与可操作性.     

对称性检测方法的研究分析

物体的对称性检测是图像分析和计算机视觉的一个重要研究领域．对发现物体形状匹配、基于模型的物体匹配和物体识别与定位是非常有用的。介绍对称性的数学定义,综述现有的几种对称性检测方法,并对其优缺点做分析。     

基于相位信息的对称性检测算法

提出一种基于相位信息的对称性检测新方法,将对称性检测问题转化为频域中的相位分析.文中的可行性分析、PSD的定义及其合理性证明为该算法奠定了理论基础.实验证明：该算法可直接应用于原始图像,不需要图像的任何先验知识,不需分割等任何预处理;具有旋转、亮度和对比度不变性;可以同时检测镜像对称、旋转对称、曲线对称等多种对称性.     

图像物体分类与检测算法综述

图像物体分类与检测是计算机视觉研究中的两个重要的基本问题,也是图像分割、物体跟踪、行为分析等其他高层视觉任务的基础.该文从物体分类与检测问题的基本定义出发,首先从实例、类别、语义三个层次对物体分类与检测研究中存在的困难与挑战进行了阐述.接下来,该文以物体检测和分类方面的典型数据库和国际视觉算法竞赛PASCAL VOC竞赛为主线对近年来物体分类与检测的发展脉络进行了梳理与总结,指出表达学习和结构学习在于物体分类与检测中占有重要的地位.最后文中对物体分类与检测的发展方向进行了思考和讨论,探讨了图像物体识别中下一步研究可能的方向.     

基于特征轮廓的灰度图像定位三维物体方法

讨论了一种基于特征轮廓的从三维灰度图像确定三维物体位置和姿态的方法，该方法首先建立物体的三维网页模型，检测模型上的特征点，并建立该物体的特征轮廓模型，然后检测输入图像中物体上的特征点，形成特征轮廓，并与特征轮廓模型相匹配，就可得到该物体在三维空间中的姿态；最后使用最小二乘法对物体进行精确定位，实验证明，该方法在物体遮挡情况下不是很严重时，可以快速精确地从灰度图像定位三维物体。     

基于帧间差分背景模型的运动物体检测与跟踪

针对背景差分算法中在复杂背景下参考帧的提取问题,提出了一种新的背景提取方法;该算法用帧间差分法将帧中的背景象素点检测出来,再确立出背景帧;由于排除了帧中运动物体的影响,因而提取出的背景干净,效果很好,然后运用背景差分检测出场景中的物体,最后采用一种新的运动物体跟踪算法,实现了运动物体和静止物体的识别,克服了以往检测算法中的误检和空洞问题,实验结果表明,该方法快速有效,能够满足实时性的要求.     

基于多尺度变形模板的目标检测与识别

在分析现有模板匹配算法存在问题的基础上，提出一种基于多尺度变形模板的新方法，它在已有的Snake算法基础上，加入了形态约束，并利用小波变换的多尺度特性，使得匹配过程在由粗至精的尺度上进行，从而使运算速度大大提高，对噪声的敏感程度也相应下降，而轮廓初始化是在较粗的尺度上，利用Hausdorff距离初步匹配得到的，漏警概率较低。实验结果与理论分析相吻合，验证了算法对多类目标适用，具有速度快，精度高和对图像畸变，噪声与遮挡不敏感的优点。     

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法．它以一种改进的自适应混合 高斯模型为背景更新方法，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实 现对运动目标的连续跟踪．在目标跟踪时，该算法针对目标遮挡引起的各种可能情况进行了 分析，引入了对运动目标的可靠性度量，增强了目标跟踪的稳定性和可靠性．在对多个室外 视频序列的实验中，该算法显示了良好的性能，说明它对于各种外部因素的影响，如光照变 化、阴影、目标遮挡等，具有很强的适应能力．     

基于Surendra背景减除法和四帧差分法的目标检测算法

研究监控环境下的运动目标检测算法,提出一种新的运动目标检测算法。利用四帧差分算法将连续四帧两两差分得到运动区域,与Surendra背景减除法确定的运动目标相结合,采用动态阈值以适应光线突变,通过连通性检测和孔洞填充进行后处理,综合得到运动区域图像。实验结果表明,该算法有效地去除了噪声、空洞及双影等现象,具有较好的实时性和鲁棒性。既能精确地检测出运动目标,又能迅速响应实际场景的变化。     

基于改进的混合高斯模型的目标检测

混合高斯模型已经广泛应用于背景建模中,但是结果受到噪音的干扰和光照突变的影响。为了解决这个问题,将Stauffer的混合高斯模型进行改进,当帧间差分判断出场景变化时,每个像素点的学习率会随着变化。由于边缘图像受到噪音干扰小,将这种改进的混合高斯模型也应用在边缘图像中,来提取边缘前景。边缘前景膨胀后,通过原图像的前景和边缘前景的与运算,得到最后的结果。实验结果表明,可以很好地去除噪音和解决光照突变的影响,提高了目标检测的效果,比传统方法更加有效。     

基于计算机视觉和图像处理的交通参数检测

本文提出了一种基于计算机视觉和图像处理的车流量检测方法,通过分析CCD TV 摄 像机获取的图像中车辆和场景信息来有效地检测交通参数．本方法可以完成双向四车道高速 公路和城市道路的车辆计数和车辆速度检测．实验结果表明：车辆计数的正确率为94％,车 辆速度检测的正确率达92%,并具有满意的实时特性．     

基于对抗网络与卷积神经网络的目标检测方法

在目标检测方法中,通过使用具有不同遮挡程度的数据集进行训练,能够提升目标检测算法对遮挡的不变性,但现实生活中的数据集往往存在长尾效应。因此提出一种基于对抗网络与卷积神经网络的目标检测方法。通过对抗网络在输入数据上进行计算得到不同遮挡程度的样本,使用Faster RCNN算法进行训练提升遮挡不变性,以此提高算法检测精度。实验结果表明,该方法与Faster RCNN相比,在VOC 2007数据集上平均精度提升了2.2个百分点,在VOC 2007和VOC 2012联合数据集上平均精度提升了1.3个百分点。     

基于提升小波变换和独立分量分析的运动目标检测

独立分量分析是一种新颖的盲源分离技术,可以有效分离信号中相互独立的源信号。为了提高独立分量分解的精度和收敛速度,提出了一种将提升小波变换和独立分量分析相结合的运动目标检测方法。仿真实验结果表明,此方法能够较好地检测出运动目标并且与一般的独立分量分析方法相比,减少了运行时间,具有更好的收敛性,是一种有效的运动目标检测方法。     

一种基于路由驱动的三元对称多项式密钥管理方案

针对现有无线传感器密钥管理方案在网络连通率、通信开销和安全性三者难以达到平衡的问题,基于树-环型拓扑模型,提出一种路由驱动的三元对称多项式密钥管理方案。在密钥协商时,加入路由信息,节点只与通信邻居建立会话密钥,有效减少密钥协商的能量耗损;利用随机数代入三元对称多项式中,从而化成一个随机二元对称多项式,能有效解决多项式安全门限问题,从而防止密钥泄露。仿真实验结果表明,该方案能有效提高网络连通率,增强节点抗捕获能力,节省存储空间,并减少密钥协商的能量消耗。     

基于密集连接的FPN多尺度目标检测算法

图像中目标对象的多尺度问题一直以来都是目标检测领域的主要难点之一,尤其是极端尺度对象的检测。研究发现,目标检测网络模型的深层语义特征有利于对象的识别,而浅层空间特征对对象的边界框回归很有帮助。DC-FPN使用密集连接代替FPN网络模型中的横向连接,能够从多层特征层中获取目标检测所需的特征信息,其中密集连接可以融合FPN自底向上传输模块中的所有特征层的特征信息,使FPN自顶向下传输模块的预测特征层能从中获取不同尺度对象检测所需的特征信息。实验表明,DC-FPN目标检测算法能够显著地提升模型的多尺度目标检测性能,使用MS COCO数据集训练和测试,其检测准确度(AP)能达到43.1%。