采用小波框架的纺织品缺陷分类方法

针对纺织品缺陷分类,提出了一种基于判别小波框架的分类方法.该方法采用小波框架来描述纺织品图像的多尺度纹理特性,并设计与纺织品缺陷纹理相对应的小波框架函数来替代标准小波函数,来更有效地描述各类缺陷纹理的内在结构差异.在判别特征提取训练方法框架下,通过将小波框架函数和分类器两者的设计相联合,来实现缺陷分类错误概率的最小化.对8类纺织品缺陷的466个样本,以及434个无缺陷样本进行了分类实验,获得了95.8%的分类准确率.     

现实场景中非接触式心率检测方法研究

现有的非接触式心冲击描记术(ballistocardiography,BCG)利用运动追踪捕捉头部微弱运动,存在着光照干扰、运动干扰等问题.针对该问题,提出了一种基于方向可调滤波器的头部微小振动检测方法(steerable filters schematic detection BCG,SD-BCG),以实现非接触式心...     

基于微振动增强的伪装人体检测算法

伪装人体检测在视频监控领域具有重要的研究和应用价值.本文针对目前基于图像表层特征提取的伪装人体检测方法无法有效检测出没有明显移动的伪装人体目标,充分利用了人体目标具有一定范围呼吸率的独特特性,提取并增强伪装人体的微振动特征,利用振动特征实现了伪装人体目标进行检测.首先,提出了自己的伪装人体视频数据集和基于微振动特征的伪装人体检测模型;其次,利用训练集估计伪装人体目标的最优呼吸率区间,利用估计的最优呼吸率区间增强了视频中伪装人体的微振动;最后,根据增强了微振动的视频和提出的检测模型,实现伪装人体目标的定位检测,并通过图像形态学去噪后处理降低检测结果的噪声.本文提取微振动特征的检测算法通过充分的消融实验和对比实验进行了验证,在提出的视频数据集上,检测效果IOU达到了 0.526,Precision达到了 0.738,优于其它图像特征最先进的检测方法.     

基于多尺度滤波的视频放大

视频放大技术给予了人们观察并研究事物微小变化的机会. 利用复可控金字塔分解视频, 通过分析不同尺度不同方向的相位差来操纵视频中的运动. 复可控金字塔中某些尺度的信号放大后超出了其相移极限, 产生伪影及模糊. 调整各尺度的放大因子能够解决这一问题. 本文提出一种基于多尺度滤波的视频放大算法, 通过建立视频帧图像空间波长与振动位移的联系, 确定各尺度的放大因子的上限, 无须人工设定截止波长, 自行调整复可控金字塔各尺度的放大因子, 使得放大后的信号能够适应其相移极限. 通过对附加在大运动上的振动进行放大, 验证了本算法的性能, 相比现有的视频放大算法具有明显优势.     

采用自适应信号恢复算法的非接触式心率检测

目的 心率是反映人体心血管状况和心理状态的重要生理参数。最近的研究表明,光电容积成像技术可以在不接触人体的情况下,利用消费级的摄像机捕获面部表皮颜色的变化进而估计心率。然而,在实际环境中,面部运动带来的干扰会导致心率检测的准确性下降。近年来,国内外学者已经提出了一些方法来去除运动噪声,但是效果均不理想。为了解决上述问题,提出一种可以抗面部运动干扰的新方法。方法 首先检测和跟踪受试者的脸部。然后将脸部区域分块,并提取各块的色度特征建立原始血液容积脉冲矩阵,利用自适应信号恢复算法从原始血液容积脉冲矩阵中分离出低秩矩阵并构建期望血液容积脉冲信号。最后通过功率谱密度估计心率。结果 在环境光作为光源的条件下,利用网络摄像头采集30名受试者的人脸视频进行实验分析。结果显示,提出的方法测得的心率与参考值具有很强的相关性：在静态场景中皮尔森相关系数r=0.990 2,在动态场景中r=0.960 5。并且与最新方法相比,动态场景中的误差率降低了53.90%,相关性提高了7.46%。此外,在10 min的心率检测实验中,方法的测量值与参考值保持着良好的一致性。结论 本文方法优于现有的非接触式心率检测技术,能有效地消除面部运动带来的干扰,长期稳定地检测心率。     

组合因子最优的线性预测波段选择

目的 高光谱图像分辨率高,数据量大,信息的冗余程度高,给数据处理带来了很大的困难。为了高效地实现数据降维,使降维后的数据冗余度小且信息量大,提出一种基于组合因子最优的波段选择方法。方法 首先对高光谱数据进行波段子空间划分,在各子空间中通过线性预测误差来计算误差最小和次小的两个波段,结合它们的标准差,计算出它们的组合因子,通过比较组合因子来决定所要去除的波段。结果 该方法的计算效率高,相同条件下计算时间比最快的方法有轻微的减少。使用支持向量机(SVM)对波段子集分类,并将该方法与其他方法进行分类准确率比较,相同条件下比其他方法的最高准确率有1.5%的提升。结论 组合因子的方法综合考虑了波段子集的最小冗余度和最大信息量,得到了较好的波段子集,并且有较小的计算复杂度,适用于AVIRIS (airborne visible infrared imaging spectrometer)等各种高光谱图像数据。     

非合作面部晃动情况下的心率检测

目的 心率是直接反映人体健康的重要指标之一,基于视频的非接触式心率检测在医疗健康领域具有广泛的应用前景。然而,现有的基于视频的方法不适用于复杂的现实场景,主要原因是没有考虑视频中目标晃动干扰和空间尺度特征,使得血液容积脉冲信号提取不准确,检测精度不尽人意。为了克服以上缺陷,提出一种抗人脸晃动干扰的非接触式心率检测方法。方法 本文方法主要包含3个步骤：首先,针对目标晃动干扰人脸区域选择的问题,利用判别响应图拟合检测参考图像的人脸区域及主要器官特征点,在人脸跟踪时首次引入倾斜校正思想,输出晃动干扰抑制后的人脸视频;然后,结合空间尺度的差异,采用颜色放大方法对晃动干扰抑制后的人脸视频进行时空处理,提取干净的血液容积脉冲信号;最后,考虑到小样本问题,通过傅里叶系数迭代插值的频域分析方法估计心率。结果 在人脸静止的合作情况以及人脸晃动的非合作情况下采集视频,对心率检测结果进行定量分析,本文方法在两种情况下的准确率分别为97.84%和97.30%,与经典和最新的方法相比,合作情况准确率提升大于1%,非合作情况准确率提升大于7%,表现了出色的性能。结论 提出了一种基于人脸视频处理的心率检测方法,通过有效分析人脸的晃动干扰和尺度特性,提取到干净的血液容积脉冲信号,提高了心率检测的精度和鲁棒性。     

一种PCA-NLM的纺织品缺陷检测方法

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,本文提出一种混合方法（hybrid approach）进行纺织品缺陷检测,采用PCA-NLM（Principal Component Analysis-Non Local Means）有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类间可分性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文方法有效提高了纺织品缺陷的检测正确率。     

引入纹理相似性的纺织品图像增强

纺织品图像增强能够突出其纹理特性,便于纺织品的人工检测和机器视觉检测。提出一种在非局部均值滤波(NLM)框架下的纺织品图像纹理增强方法。纺织品图像具有规则周期的纹理,存在大量的冗余信息,NLM可利用这一特性来增强图像的纹理信息。但由于纺织品图像结构复杂且存在噪声,导致在NLM中相似性的度量不够准确。为解决这一问题,通过采用主分量分析(PCA)将纺织品图像分解为图像信息分量和噪声分量,并去除各分量间的相关性,来提高纺织品纹理间相似性度量的准确性。实验结果表明,本文方法比现有的纺织品图像纹理增强方法的增强效果有显著提高。     

基于无抽样小波变换和MCE训练的纹理分类

提出了一种新的纹理分类的方法,该方法把基于无抽样小波变换的特征提取器和基于欧几里得距离的分类器进行了合并。把方差、偏态系数、峰态系数、三者的联合及谱直方图作为描述纹理图像不相重叠的图像窗的特征。一个使用线性转换矩阵的特征提取器对分类导向的特征做进一步的提取。利用基于欧几里得距离的分类器,每个纹理图像不相重叠的图像窗被确定到属于它的那一类。基于最小分类错误训练方法的特征提取器和分类器设计的合并使分类错误达到了最小化。使用该方法对25类BrodTex纹理图像进行了评估,分类精确度达到90%以上。