基于Kinect v2的呼吸运动监测方法研究

为了提高基于Kinect相机的呼吸运动监测精度,提出了一种结合目标检测与目标跟踪算法的实时呼吸运动监测方法。该方法首先基于标记板形状特征利用霍夫圆检测算法进行目标检测,然后基于彩色图像结合Camshift目标跟踪算法实现单个或多个目标的跟踪,依据跟踪的结果获取目标位置的深度信息,并对获取的深度信息进行降噪处理。在此基础上,开发了一款基于Kinect相机的呼吸运动精准监测软件系统。实验结果表明,所提出的实时呼吸运动监测方法可有效提高呼吸运动监测的精度,与现有的基于深度图像获取呼吸运动数据方法相比,在体态偏移状态下数据采集准确度由47.9%提升至94.1%。同时,该方法具有良好的可视化效果。     

航天遥感TDICCD相机星上振动实时检测

为了对航天遥感相机焦平面振动进行实时检测,提出了一种利用CMOS图像传感器和快速灰度投影算法的振动实时检测方案。首先,分析了航天遥感相机焦面振动检测系统要满足的条件,提出了一种在焦面空闲处安装CMOS图像传感器的结构来获取图像序列,然后对传统灰度投影算法进行了改进并利用该算法计算了图像序列间的振动量,最后,利用FPGA对算法进行了实现。理论分析和实验结果均表明,提出的方案能满足航天遥感相机对焦面振动检测的要求。     

基于PMD相机的特征跟踪位姿测量方法

PMD相机是一款基于TOF(时间飞行技术)原理的主动式3D相机。该相机可以同时获取灰度图像和距离图像,具有帧率高、无需扫描、不依赖于外界光照等特点,可以将其用于目标的实时位姿测量。研究了相对位姿测量问题,提出基于PMD相机的特征跟踪位姿测量方法。该方法利用PMD相机可直接获取目标物体上各点的深度信息的特点,实时获取目标图像中的特征,并且利用卡尔曼滤波算法,对目标特征进行实时跟踪,提高了位姿测量系统获取信息的速度,而且有效的避免了传统的图像配准方法中提取特征信息存在的复杂性和误差问题。根据获得的特征信息,通过特征点之间的约束关系,实时的确定相机与目标之间的位姿参数。实验结果表明此方法的可行性和有效性。     

融合深度感知特征与核极限学习机的行人检测

行人检测在辅助驾驶和交通监测等方面有着广泛的应用,一直是计算机视觉领域中的研究热点和难点。传统特征提取方法对处在复杂环境中的行人难以有效地捕获具有区分度的特征信息。而目前流行的卷积神经网络因BP算法易陷入局部极小值,对泛化性能有所影响,且随着网络层的增加,一些显著特征信息逐层递减。针对上述问题,提出了融合深度感知特征与核极限学习机的行人检测算法。首先在CNN结构的基础上分两个阶段将前层特征与深层次特征融合后,送入后续层学习,构造一个DAGnet网络。随后采用实时性高,泛化能力强的核极限学习机对所得深度特征信息进行分类,并采用K-折交叉验证进行参数寻优;检测阶段,在DAGnet网络学习到的特征图上采用基于图论的显著性分析算法(GBVS),快速标注测试图像中行人的区域,然后在显著区域利用滑动窗口检测行人的精确位置。实验证明,所提算法在INRIA数据集和Caltech数据集的正检率均高于90%,在保证精度的情况下检测速度也得到明显提高。     

基于多阶段交叉信息融合的多光谱行人检测

针对多光谱行人检测中双模态特征融合不充分、特征融合质量低的问题，提出一种基于多阶段交叉信息融合的多光谱行人检测算法。算法首先通过双流骨干网络分别对可见光图像和红外图像进行特征提取；设计交叉信息融合模块并多阶段嵌入双流骨干网络中引导双模态特征融合，实现双模态特征信息的充分融合；引入条件卷积对融合后的特征信息进行动态处理，改善融合信息的质量，最终提升算法的检测性能。实验结果表明，算法的漏检率仅为1041%，较原算法降低了10%，显著提升了算法的检测性能。     

基于机器视觉的带钢表面孔洞实时检测

本文对带钢表面孔洞实时检测中的图像处理系统作了简要介绍，提出了一种应用简化了的Kirsch梯度算子和快速聚类方法的图像分割算法对带钢表面孔洞进行准确快速的分割，同时提出了一种改进的二值化算法对具有强烈反光干扰特性的孔洞区域与背景区域进行有效的分离，实验结果表明，该带钢表面孔洞实时检测系统具有较高的精度和较快的速度。     

基于多尺度聚合通道特征的实时行人检测

行人检测是近年来计算机视觉领域的研究热点,如何有效且快速地检测行人仍是具有挑战性的课题。提出一种基于多尺度聚合通道特征的快速行人检测算法。设计一种能够充分包含图像颜色、梯度信息的聚合通道特征,采用一种快速多尺度特征估计算法计算图像的多尺度聚合通道特征,使用级联Adaboost分类器进行行人检测。实验结果表明,该文算法在标准行人检测库INRIA上测试结果的召回率和准确率与目前最优算法相当,但时间开销很小完全满足实时检测要求。     

基于多任务对齐的密集行人检测算法研究

行人检测是深度学习目标检测领域的重要分支，但密集场景中存在严重遮挡问题，给行人检测带来巨大挑战。为了缓解该问题，在 CenterNet多任务学习模型上提出目标检测和姿态关键点检测任务对齐方法，改进后的模型为Center_tood。首先提出分离模块：该模块将原始特征分离得到更加关注各个任务的特征；在此基础上提出任务对齐方法：通过设计对齐度量来约束损失，使模型在梯度上更大程度地向着多任务对齐的方向优化，同时利用一致性约束，使模型学习到不同任务之间的共性信息，从而对齐不同任务的特征。实验部分采用CrowdPose数据集训练和测试。本算法的目标检测AP值为743%，提高了115%；人体姿态关键点AP值为558%，提高了96%。实验结果验证了提出的多任务学习算法在密集场景行人检测上的有效性。     

结合语义信息的行人检测方法

随着卷积神经网络(CNN)的提出,行人检测方法的正确率已经得到了很大提升,尽管CNN模型可以学习到目标的不同变化,然而自动驾驶场景下的行人检测依然面临着巨大挑战,主要表现为广泛的尺度变化、光照变化以及不同程度的遮挡。在已有CNN网络的基础上,提出一种更为鲁棒的行人检测方法,其主要思想是在原有检测器的基础上利用像素级的语义信息作为额外的监督来训练CNN。该算法首先提取CNN不同尺度的特征图,在这些特征图上铺设不同大小的目标候选框,添加一层卷积层对这些目标候选框进行分类和回归,同时利用这些特征图生成语义分割图,最终分为两路分别监督目标检测结果和语义分割结果。在最新的行人检测数据集City Persons上的结果表明,结合语义信息可以提升算法的检测成功率,并且不增加算法耗时,在数据集中1 024×2 048 pixels的图像上平均检测耗时仅为0. 3 s一张图像。     

杂背景下TFT-LCD表面缺陷检测系统的设计

设计了背景去除算法和缺陷区域检测算法,对复杂背景与低对比度条件下采集的TFT-LCD图像进行处理,利用一维傅里叶变换和全尺寸小波变换提取缺陷特征信息,可以较准确地检测出缺陷区域.搭建了在线检测系统平台,通过辅助光源和高速线阵相机采集图像,由图像采集卡保存至计算机中,利用Matlab编写上层图像处理软件进行在线检测.实验...     

基于Kinect的六轴工业机器人异常姿态检测方法

工业机器人异常姿态检测是保障工业机器人安全作业的重要手段。针对已有方法存在检测准确率低和时效性不足的问题,提出了一种基于Kinect相机的六轴工业机器人异常姿态检测方法。该方法使用Kinect相机采集工业机器人彩色图像和深度图像,通过YOLOF目标检测算法得到彩色图像中工业机器人关节轴的信息,结合深度图像转换为对应三维坐标,参考工业机器人结构特性,构造机器人关节向量,提取角度特征,进行工业机器人姿态特征表示,基于欧式距离和余弦相似度进行姿态匹配,检测工业机器人异常姿态。本文的方法结合了工业机器人关节轴三维信息可对姿态进行更加精确的匹配。构建了六轴工业机器人作业视频数据集并进行了异常姿态检测。实验结果表明,本文的工业机器人异常姿态检测方法准确率为96.6%,单帧图像检测时间为43 ms,满足机器人安全监控实际应用需求。     

面向视觉假体的复杂图像处理技术

为了更准确地提取视觉假体采集的复杂图像中的信息,提出了一种基于视觉显著性的复杂图像视觉焦点检测和基于多尺度信息融合的图像边缘特征提取算法。算法首先利用GB算法计算复杂图像显著性图,然后利用双阈值分割和形态学方法提取出复杂图像中的视觉焦点区域。其次,针对传统边缘检测中单尺度微分算子的不足,提出了融合多尺度Sobel的边缘检测方法。提出的复杂图像处理策略既简化了图像信息编码的复杂度,又提高了边缘提取算法的噪声稳健性。     

基于Harris的棋盘格角点检测改进算法

角点作为含有图像重要信息的一种特征点,运用角点计算可以有效减少图像运算量.正因为如此,角点检测在机器视觉中更是起着不可忽略的作用,并广泛应用于视觉测量、图像匹配和摄像机标定中.针对Harris的棋盘格角点检测的优劣性,综合尺度空间、Harris算子、Fonster算子和SVD算子的思想,提出一种由粗到精的多层策略,快速自动实现棋盘格角点检测与提取,既采用了Harris算子良好的定位性能和鲁棒性,又结合了其他算子良好的优越性,克服了单种算子的局限性.实验证明,该方法针对棋盘格角点有较高的检测精度、准确率和稳定性,可以满足实时性要求.     

基于区域颜色分割的交通标志检测和识别

现在的高端汽车市场上汽车驾驶辅助摄像系统是一大亮点,研究工作致力于提供一个软件算法来实现驾驶辅助系统中实时交通标志检测和识别的功能。算法的每一步设计都尽量不影响其实时性,基于HSI颜色空间,使用了新型的基于区域的快速颜色分割,结合分层技术和简单阈值处理,可以快速地按颜色分层得到采样图像中可能含有标志的感兴趣区域;再在此区域结合数学形态学的膨胀运算以便识别区域形状。最终基于最后输出的感兴趣区域掩模原图像的亮度分量,用边缘方法提取边缘方向的统计特征,进行基于内容的图像检索(CBIR)。初步实验结果,对感兴趣区域的检测准确率在90%以上。并且算法可以扩展到大部分目前标志数据图库中涉及的绝大部分标志使用形状。     

车道线的GrowCut快速检测算法

针对目前智能交通领域中车道线检测算法效率低、鲁棒性差等问题,提出了一种基于GrowCut的车道线快速检测方法。从监控摄像机中采集图像并标定初始种子点,利用GrowCut算法进行边缘分割,对分割结果经过中值平滑滤波、边缘提取、分半处理及曲线拟合,最终得到清晰的车道线。将GrowCut算法与分水岭算法进行了对比,结果表明:该算法简便快捷、鲁棒性好,优于经典算法,可广泛应用于智能交通、公共安全领域。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

基于改进SSD的航天发动机试验报警方法

航天发动机是导弹和火箭的推进装置,其可靠性直接影响航天器的性能。发动机试验是航天发动机的研发、应用过程中不可或缺的一环,其中发动机试验影像是判断发动机性能的重要数据。针对发动机点火故障影像中出现火星等异常情况的突发性和隐蔽性,提出一种基于改进单发多框检测(SSD)的航天发动机试验预警方法。该方法在SSD目标检测算法的基础上,使用算法性能更强的深度残差网络替代原有基础网络,以提高目标检测的精度。同时,针对SSD目标检测算法对小尺度样本的漏检特性,提出基于先验尺度调整的改进措施,提高算法在此种应用环境下的小尺度样本的检测精度。实验表明,该算法适用于航天发动机试验预警应用,且在准确性和实时性上表现良好。     

基于OpenCV和 YOLOv5的车道线检测与识别

为更加快速、准确识别汽车行驶区域并区分车道,实现无人驾驶,提出一种结合视觉OpenCV 算法和改进 YOLOv5算 法的目标检测跟踪模型进行车道线检测的方法。在图像预处理阶段,首先读取视频图像,把每一帧RGB图像转为灰度图,通 过Canny 算子对图像的边缘轮廓进行提取,然后绘制车道线的掩码区域,并与边缘检测结合,采用ROI 技术提取感兴趣区域, 最后进行概率霍夫变换和最小二乘拟合,将得到的直线绘制到原图像中,最终对每一帧处理后的图像进行输出。目标识别模 块采用卷积神经网络(convolutional neural network,CNN)深度学习方法及 YOLOv5算法进行目标识别处理。实验结果表 明,所提检测算法能够实现准确的车道线检测,实时性和准确性比传统算法高很多,且该方法具有良好的鲁棒性。     

Markov随机游走和高斯混合模型相结合的运动目标检测算法

针对高斯混合算法对每一像素与它前后帧的像素相关联,并未考虑与相邻像素之间的关联,无法准确地捕捉到运动物体轮廓的情况,提出一种基于混合高斯模型和Markov随机游走的运动目标检测算法。利用混合高斯模型计算像素之间的颜色信息,采用Markov随机游走提取图像的边缘信息,并与提取的运动初始目标进行与计算,同时利用高斯混合模型更新背景信息。结果表明,本方法比传统的混合高斯方法具有较高的分割精度,很好的解决了混合高斯算法边缘模糊的问题,探测率也大大的提高了。