大视角变动前后物体两透视线图的匹配

三维景物视图之间的匹配在‘计算机视觉’研究领域里是一项相当有用但又是非常困难的技术。 本文提出了一种模仿人的智能功能而对积木世界中物体视图求匹配的新方法。 由于本文的方法是以两图中的三维结构信息作为匹配的依据,而不是直接地应用它们的平面表象,所以本方法能忍受大视角变动及遮挡等原因所造成的两图之间的结构明显变化而仍可以得到正确的匹配结果。又由于在搜索中应用了很强的启发式信息,使本算法还有快速处理的特点。 本文还列出了几个典型实例的实验结果,从中可以看出本方法对各种复杂情况的处理本领。     

二值图边界的快速提取

本文提出了一种快速提取二值图边界的方法，并详细讨论了硬件设计方案．该方法采用2×2窗口来跟踪边界，并能将连通区的所有边界（包括区域内部空洞的边界）全部提取出来．在硬件设计方案中，为了提高速度，采用了窗口并行存取技术。对若干图象进行处理的结果表明，对于多数大小为512×512的图象，提取边界的时间可在40ms以内．     

边界的快速跟踪算法和硬件实现

本文研究了一种快速跟踪二值图边界的方法，该方法采用２×２的跟踪窗口，能将连通区的所有边界（包括连通区内部空洞的边界）全提取出来，以图像方式和链码方式输出。为提高速度，在软件模拟成功后，我们更以硬件加以实现。用若干图像进行处理的结果表明，对于多数大小为５１２×５１２的复杂景物图像，由硬件提取一幅图中边界的时间在４０ｍｓ以内，符合电视帧速率的实时图像处理要求     

基于团块匹配的序列图像中运动目标的分割方法

提出了一种基于团块匹配的序列图像中运动目标的分割方法,在前后两帧图用位移估值作团块匹配得到目标分割,再作形态学处理和利用先验知识消除背景干扰．它较好地解决了在静止图像分割时目标受背景遮挡、目标与背景相邻时灰度相近等分割困难,因而可以作为复杂背景下目标分割的一种有力工具．     

Fourier描绘子和人工神经网络应用于大样本集分类

模式识别常要求识别结果不受目标的平移、旋转和大小等变化的影响，因此通常先对模式进行规—化预处理，得到与图形形状有关但与目标的平移、旋转和放大缩小无关的图象数据，然后对预处理后的图象数据进行识别分类．这样就减少了原始数据量，且有助于区别带有不同特征的区域。为了识别有变形等失真的图形，要求识别系统有程强的容错能力，因此用神经网络是比较适合的。本文介绍了目前最常用的Fourier描绘子和反向传播算法(BP算法)，并针对飞机轮廊图的特点对这两种方法分别做了一些必要的讨论、比较和改进。成功地把这两个算法应用到大样本集飞机的分类和识别，网络训练后能识别三维空间中任意姿态的飞机在两维平面上的投影图。     

从自然背景中识别桥梁的一种策略

本文从研究桥梁目标识别着手,提出了一种图象的写生式分割策略,它的基本思想源于画家写生过程的思维方式,即一种由粗到精、抓住本质、逐步展开的处理思想。写生式分割方式具有两个明显优点:一是由于抓住了问题的核心、抛弃了许多无用处理过程,使得算法处理速度快、步骤简洁;二是由于加入了由领域知识导引的细分割/验证过程,因而具有可靠性高、目标识别虚警少的特点。本文把写生式分割思想用于复杂自然背景中的桥梁目标识别,取得了良好效果,显示了写生式分割策略带来的速度快、可靠性高的特点。     

一种基于线条组织的图像分割算法

1 引言 灰度图像分割是计算机视觉中至今尚未解决的困难问题.目前相当多图像分割算法的基本思想可分为两类:模式分类法和感知组织法.模式分类法利用图像的灰度性质或图像的邻域性质对图像进行分割,这种方法的代表有:灰度阈值法、区域生长法、分裂和合并法、迭代分类法、基于表面特征的分割法、基于模糊集合的分割法等等[1,2].感知组织法模仿人类视觉系统的感知性质--在没有图像内容预先知识的情况下能够取得图像基元有关的编组(Groupings)和结构信息,并借鉴人类视觉系统的一些基本编组规则,对从图像中提取出的几何基元进行组织,以产生反映目标几何结构的表示[3,4].模式分类法常利用图像的灰度特征和纹理特征,另外也可利用其它结构特征,甚至某种知识特征;但要对同一种模式提取鲁棒性强的特征有时是相当困难的.而感知组织法的主要困难在于提取的几何基元一般不准确(具有不属于目标的几何基元)以及不完备,因此组织问题比较困难.     

一种抽取多面体图象线图的新方法

抽取三维物体图象的线图,在景物分析及机器人视觉中有广泛的用途。本文将Hough变换与跟踪技术相结合,提出了一种抽取多面体图象线图的新方法。在Hough变换中,根据景物中边缘分布的内在规律,将变换参数自适应地量化,较好地解决了Hough变换的精度与时间的矛盾。在跟踪过程中,利用Hough变换的结果,预测出下一边缘象素点的位置,从而大大减少了搜索范围计算机模拟表明,此算法在时间与存贮量的减少上是显著的。     

自动目标识别与人工神经网络

在过去几十年中，自动目标识别技术得到了很大发展，然而随着人们对自动识别的要求越来越高，在实际应用中，自动目标识别的研究暴露出许多难题，如高虚警率、对环境变化没有良好的自适应性、难以获得足够多的先验知识等等。近年来，人工神经网络再度迅猛发展，为自动目标识别的研究提供了新途径，自动目标识别方面的一些难题有望利用神经网络方法得到解决。本文简要回顾自动目标识别的研究现状和困难，介绍人工神经网络在自动目标识别视觉处理中的应用。     

曲面体线图的标记与匹配

三维曲面体的标记与匹配,是计算机视觉研究领域中一项相当有用但又是非常困难的技术。本文讨论了一种曲面体标记的新方法。通过引入线段的一些新的标记类型,圆满地解决了利用 Huffman 标记技术描述曲面体时,可能出现的不一致性。根据以上的标记结果,本文还给出了一匹配曲面体线图的新方法。在匹配过程中,我们注重的不是图象的二维特征,而是其对应的物体的三维特征,因而对物体的旋转、遮挡、尺度变化及远视失真等极不敏感。实验结果表明本算法是相当令人满意的。