基于颜色和纹理特征的伪装色矿工目标检测

针对矿井下某些地段低光照低对比度导致矿工目标与环境颜色相似,呈现伪装色特点,一般场景目标检测方法易产生矿工漏检、误检的问题,提出了采用高斯混合模型(GMM)和局部二值模式(LBP)纹理模型线性融合的方法对目标矿工进行检测。首先利用高斯混合模型拟合背景颜色信息,然后通过局部二值模式纹理模型提取图像纹理信息,最后将颜色信息和纹理信息线性融合对矿工进行检测。实验结果表明,在满足实时性的同时,减少了矿工目标出现漏检、误检的问题,该方法可对具有伪装色特征的矿工目标进行实时检测,准确性高。     

基于GMM和超像素马尔科夫随机场的运动目标检测

针对传统的基于高斯混合模型(GMM)的运动目标检测算法抗噪声性能差、易受动态背景干扰的缺陷,提出一种高斯混合建模与超像素马尔科夫随机场(MRF)相结合的运动目标检测方法。采用GMM对视频图像进行建模,初步标记出前景目标区域;对原始图像进行超像素分解,并根据GMM提取的前景图像得到概率超像素图像;采用MRF建模对概率超像素图像建模得到最终的运动目标前景图像。通过实验对比分析,表明提出的算法对噪声干扰、动态扰动背景等复杂场景均可以得到优于传统算法的结果。     

基于联合注意力的复杂纹理瓷砖缺陷检测方法

复杂纹理瓷砖表面存在较多的低可视度小目标缺陷与严重的复杂纹理背景干扰,使应用目标检测方法时易出现较高的误检率和漏检率。为提升复杂纹理瓷砖表面缺陷检测效率,提出了基于通道与空间联合注意力的复杂纹理瓷砖表面缺陷检测方案。首先通过建模深浅层特征通道间关系设计了一种选择性特征融合方法,以提升模型对小目标缺陷的特征表达;其次,提出了通道与空间联合注意力模块,通过通道注意力和空间注意力来筛选关键特征通道和抑制纹理区域,使模型着重于学习缺陷特征以增强模型辨别缺陷与纹理的能力;最后,在复杂纹理瓷砖表面缺陷数据上进行了实验验证。实验结果表明,相较于AFF(attentional feature fusion)和CBAM(convolutional block attention module)方法,选择性特征融合方法和通道与空间联合注意力模块使模型检测性能分别提高了5.3 AP、6.32 AP。最终,实验证明了该方案分别优于现有的瓷砖检测方法YOLOv5和纹理织物缺陷检测AFAM方法1.32 AP、2.12 AP。     

基于HMT模型的带钢表面缺陷检测研究

为了减少带钢表面缺陷检测系统需要处理的数据量,提高系统检测效率,提出基于隐马尔科夫模型的带钢表面检测方法。该方法在检测系统获取图像数据后,先用相对简单的方法分割出图像中的缺陷可疑区域,然后根据带钢表面图像的特点,采用隐马尔可夫树模型(HMT)进行数据分析,并改进HMT模型参数,完成多尺度分割效果融合,获得最终的分割结果。在对带钢缺陷测试样本集的分割中,采用HMT模型为带钢表面图像建立背景和缺陷两个模型,尺度3缺陷检出率达到94.4%,相比高斯混合模型提升了5.5%,误检率达到18.8%,比高斯混合模型降低了2%。     

基于改进YOLOv5s的大尺寸导光板缺陷检测

导光板(LGP)是液晶显示器(LCD)背光模组的主要部件. 导光板的缺陷将直接影响液晶显示器的显示效果. 针对导光板图像纹理背景复杂、低对比度、缺陷尺寸小等问题, 本文提出了一种用于大尺寸导光板缺陷检测的AYOLOv5s网络. 首先, 将导光板图像进行分图处理, 然后在主干部分和特征融合部分集成Transformer和注意力机制coordinate attention, 并选择Meta-ACON激活函数. 最后, 基于自建数据集LGPDD进行了大量实验. 实验结果表明, LGP缺陷检测算法的平均精度(mAP)可以达到99.20%, 并且FPS可达77, 可以实现在12 s/pcs内对尺寸为17英寸的导光板中的亮点、划伤、异物、磕碰伤、脏污等缺陷具有较好的实际检测效果.     

基于高斯混合模型和AdaBoost的夜间车辆检测

针对夜间车辆检测精度相对不高的问题，提出通过构建车头灯对空间几何关系的高斯混合模型（GMM）和采用逆投影车辆样本的AdaBoost分类器准确检测夜间车辆的方法。首先，在交通场景中根据车头灯对的空间位置关系设置逆投影面，通过图像预处理粗定位车灯区域；其次，在逆投影图像下利用车头灯对的空间几何关系构建车灯对的高斯混合模型，初步匹配车头灯对；最后，采用逆投影车辆样本，利用AdaBoost分类器进一步准确检测车辆。实验在3个交通场景的检测结果表明，与原始图像下的AdaBoost方法相比，所提方法的检测率提高了1.93%，漏检率降低了17.83%，误检率降低了27.61%；与D-S （Dempster-Shafer）证据理论方法相比，检测率提高了2.03%，漏检率降低了7.58%，误检率降低了47.51%。所提方法提高了相对检测精度，减少了地面反光和影子等的干扰，满足交通场景中夜间车辆检测的可靠性和准确性的要求。     

基于纹理的皮肤检测

实时敏感图像检测可以有效地控制国际互连网中的色情图像传播。它的检测手段主要是对皮肤区域进行辨识,而皮肤纹理检测又是皮肤区域辨识中的重要内容。该文采用基于DCT变换和Gabor小波变换两种方法进行皮肤纹理的特征提取,提取的特征作为高斯混合模型(GMM)输入向量,然后通过GMM进行皮肤纹理检测。实验是在360幅敏感图像以及2400幅经过分类的非敏感图像的测试集进行,结果表明基于Gabor小波变换的皮肤纹理检测取得了比基于DCT变换更好的效果,其正检率可以达到95%。     

针对复杂纹理的手机外壳缺陷检测方法

针对手机表面存在纹理复杂、缺陷细小和缺陷多样性等特点,提出一种应用于复杂纹理的手机外壳缺陷检测方法。该方法首先对手机外壳表面划分区域进行放大处理,并抑制放大后的纹理。然后进行图像的主结构提取,再采用一种自适应边缘检测Roberts方法来进行缺陷轮廓提取。最后运用一系列的中值滤波、形态学运算等方法来综合处理并提取缺陷。实验表明,对手机外壳的划痕、污渍等缺陷误检率低,具有良好的检测效果。     

Gabor滤波器在彩色纹理表面缺陷检测中的应用*

提出了彩色纹理表面自动缺陷检测的Gabor滤波方法,以同时测度图像中的颜色和纹理偏差.提出的方法不依赖于纹理特征的提取,它基于Gabor滤波器和两个颜色特征复数的彩色图像卷积的能量响应,将彩色纹理图像缺陷检测的复杂问题转换成了滤波图像中的简单的二值化问题.对纺织品、木材等许多实际彩色纹理表面的实验结果表明了该方法的有效性.     

基于深度学习的车载导航导光板表面缺陷检测研究

针对车载导航导光板表面缺陷像素值分布不均且普遍较小、背景复杂多变等特点,提出了基于改进掩膜区域卷积神经网络(Mask Region-based Convolutional Neural Network,Mask R-CNN)模型检测车载导航导光板表面缺陷的检测方法.首先,引入PinFPN模块改进原有Mask R-CNN...     

基于颜色和纹理的皮肤检测方法

提出一种新的基于颜色和纹理特征的皮肤检测方法，应用JSEG算法将图像分割成任意形状的相似图像区域集，然后从中提取颜色特征和纹理特征，最后应用高斯混合模型（Gaussian Mixture Model，GMM），并根据一定的判断准则（综合考虑颜色特征和纹理特征）进行皮肤和非皮肤区域分类．     

基于改进高斯混合模型的运动目标检测方法

传统高斯混合模型(GMM)对于光照突变十分敏感,且收敛速度较慢。为此,提出一种基于改进GMM的运动目标检测方法。利用不匹配像素消除光照影响,使用改进的GMM提取背景图像。通过差分当前帧与背景图像获得二值差分图像,从该差分图像中获取运动目标。实验结果表明,该方法能适应光照变化,提高检测的准确性和鲁棒性。     

TEXEMS: texture exemplars for defect detection on random textured surfaces

We present an approach to detecting and localizing defects in random color textures which requires only a few defect free samples for unsupervised training. It is assumed that each image is generated by a superposition of various-size image patches with added variations at each pixel position. These image patches and their corresponding variances are referred to here as textural exemplars or texems. Mixture models are applied to obtain the texems using multiscale analysis to reduce the computational costs. Novelty detection on color texture surfaces is performed by examining the same-source similarity based on the data likelihood in multiscale, followed by logical processes to combine the defect candidates to localize defects. The proposed method is compared against a Gabor filter bank-based novelty detection method. Also, we compare different texem generalization schemes for defect detection in terms of accuracy and efficiency.     

一种针对小目标的跟踪算法

给出一种针对小目标跟踪问题的改进算法,该算法将背景建模与粒子滤波相结合对运动目标进行检测跟踪。其中,针对小目标在检测过程中容易出现的漏检问题,算法在进行背景建模时利用粒子滤波反馈的目标运动信息来指导混合高斯背景建模。实验结果表明,该算法能够自动地进行运动目标的跟踪,并且可以克服常规检测算法中小目标的丢失问题。     

基于自适应GMM的X射线图像智能检测

传统金属工业构件X射线图像检测手段主观性过强、检测效率低下。为此,提出一种基于高斯混合模型(GMM)的智能检测方法。对同一构件的图像序列进行在线学习,每一像素点由多个高斯分布分量组成。正常工作时对每一像素点用学习到的高斯分量进行模式分 类,若不符合任一现有高斯分量就视为前景目标(损伤点),采用种子生长法连通损伤区域,确定整个损伤区域。实验结果表明,该方法可精确定位构件损伤部位,实现金属构件损伤的自动检测,检测效率较高。     

基于图形处理器的视频二值概率分割

针对现有视频二值分割算法分割性能过低的问题,提出了一种基于GPU的视频实时二值概率分割算法.该算法通过规范化视频帧中每个像素属于前景类和背景类的概率大小,实现了基于二次马尔可夫测量场(QMMF)模型的视频实时二值概率分割.首先分别为不同场景的视频帧提出了两种概率模型,即静态背景概率模型(SBLM)和动态背景概率模型(UBLM);然后,通过光照矫正算法颜色转换、阴影抑制算法阴影检测以及伪装检测算法来计算每个像素属于背景类的概率值;最后,通过Gauss-Seidel模型迭代计算出了使能量函数取得最小值的背景概率值进而得到像素的二值化值.此外,为了提高算法分割的准确性,该算法包含了对光照突变、投射阴影以及伪装情况的实时处理.同时,为了满足算法的实时性要求,在NVIDIA GPU上并行实现了该算法.验证了所提算法的分割性能即算法分割的正确性,测试了算法的GPU执行时间.实验结果表明,在算法分割完整性方面ViBe+和GMM+的平均漏检率和平均误检率分别是QMMF的3倍和6倍;在算法执行时间方面ViBe+和GMM+的平均GPU执行时间大约是QMMF的1.3倍.此外,还计算了QMMF算法的GPU加速比约为76.8.     

基于G-GMM的视频序列运动目标检测算法研究

为了能够从视频序列中快速准确地检测运动目标,在混合高斯背景差分法的基础上引入Grabcut算法,提出了一种新的运动目标检测G-GMM(Grabcut-Gaussian Mixture Model)算法。首先通过混合高斯模型背景差分法提取运动目标初始二值轮廓,构建其最小的外接矩形;然后初始化矩形内图像信息,寻找潜在前景区域;最后采用迭代算法实现最优化分割,得到准确的运动目标轮廓。实验结果表明,在静止摄像机户外视频监控系统中,提出算法具有较高的准确性和鲁棒性,对刚性和非刚性两类目标都具有较好的检测结果。     

基于混合高斯模型的阴影去除算法

阴影去除是智能视频领域中运动目标识别的一项重要内容,其结果直接影响目标识别的准确性。针对当前基于纹理特征的阴影去除算法的不足,提出一种结合YCbCr颜色空间和混合高斯模型(GMM)的阴影去除算法。首先利用混合高斯模型提取出运动区域;然后通过分析运动区域的前景和背景在YCbCr颜色空间的差值统计特性,建立混合高斯阴影模型;最后根据高斯分布的概率分布规律,得到阴影分布特性,从而实现对阴影的去除。对于实验中的序列图像,所提算法有70%以上的阴影检测率。实验结果表明,所提方法能够在不同的场合快速有效地去除阴影,准确地提取运动目标。