基于天空分割的去雾算法在目标检测中的应用

针对道路目标检测的准确率受雾霾环境影响的问题,提出一种基于雾检测与天空分割的自适应去雾算法。提取道路环境中的雾检测区域并对其进行通道相关性以及亮度和饱和度比值的计算,以判别场景类别;对图像进行天空非天空区域的分割并对不同区域建立去雾模型,用于自适应去雾;将恢复后的图像应用到道路目标检测算法中,进行去雾效果验证和道路目标检测。实验结果表明,该算法提高了雾霾环境下目标检测的准确率。     

基于目标检测和语义分割共享单车类别与违停检测

目前道路违规事件检测多在固定摄像头下人工框定区域进行检测,但人工框定工作量大,并且摄像头转动会使得框定区域失效。针对此问题,率先提出一种目标检测与语义分割相结合的违停检测方法。该方法首先使用目标检测Faster R-CNN,采取迁移学习、多阶段训练等方法建模,提取共享单车的类别与检测框位置信息。再使用group normalization改进语义分割DeepLab v3+网络模型,提高其在小batch size下训练的模型精度,用于分割图像获得道路的语义和区域信息。最后综合两部分信息,根据单车检测框内不同道路区域所占比例判定共享单车是否属于违规停放。实验结果表明,该方法对共享单车类别的mAP为72.36%,对共享单车违规停放的平均检测率为89.11%,适用于真实城市道路监控环境中。     

面向遮挡与透视影响的道路凸包梯形检测算法

以安防监控视频下受遮挡与透视影响的道路作为研究对象,针对行人、行车对道路边界线的遮挡造成的消失点难以检测和实例分割欠分割难题,提出了一种改进的实例分割道路检测方法。首先使用实例分割对道路区域进行提取,然后通过凸包算法补偿行人、行车对道路边界线的遮挡,最后将其拟合成符合场景结构的梯形模型,从而优化对道路的检测。实验结果表明,该方法解决了道路受遮挡与透视影响而导致检测不准确的问题,可以满足安防监控视频下道路检测的需求,具有实际意义。     

基于车载图像的目标车辆压线检测方法

车辆压线检测是智能交通系统的一个重要功能,为此提出一种基于车载图像的目标车辆压线检测方法.首先,利用合成数据方法构建一个类型丰富多样的压线检测数据集;然后,结合图像语义分割方法完成车辆检测和车道线检测并以分割图形式表示结果,再使用前后轮估计的方法获取车辆前后轮的位置;最后,通过车轮与车道线位置对比实现车辆压线判断.实验表明,结合图像语义分割模型后,所提方法的压线检测平均准确率达到88.7%,平均耗时35 ms,具备一定的实际应用价值.     

Velocity calculation by automatic camera calibration based on homogenous fog weather condition

A novel algorithm for vehicle average velocity detection through automatic and dynamic camera calibration based on dark channel in homogenous fog weather condition is presented in this paper. Camera fixed in the middle of the road should be calibrated in homogenous fog weather condition, and can be used in any weather condition. Unlike other researches in velocity calculation area, our traffic model only includes road plane and vehicles in motion. Painted lines in scene image are neglected because sometimes there are no traffic lanes, especially in un-structured traffic scene. Once calibrated, scene distance will be got and can be used to calculate vehicles average velocity. Three major steps are included in our algorithm. Firstly, current video frame is recognized to discriminate current weather condition based on area search method (ASM). If it is homogenous fog, average pixel value from top to bottom in the selected area will change in the form of edge spread function (ESF). Secondly, traffic road surface plane will be found by generating activity map created by calculating the expected value of the absolute intensity difference between two adjacent frames. Finally, scene transmission image is got by dark channel prior theory, camera’s intrinsic and extrinsic parameters are calculated based on the parameter calibration formula deduced from monocular model and scene transmission image. In this step, several key points with particular transmission value for generating necessary calculation equations on road surface are selected to calibrate the camera. Vehicles’ pixel coordinates are transformed to camera coordinates. Distance between vehicles and the camera will be calculated, and then average velocity for each vehicle is got. At the end of this paper, calibration results and vehicles velocity data for nine vehicles in different weather conditions are given. Comparison with other algorithms verifies the effectiveness of our algorithm.     

基于颜色纹理信息的盲道识别算法

针对现有盲道识别率低,处理方式单一,且容易受光照、阴影的影响等问题,提出一种改进的盲道识别算法。该方法针对盲道颜色、纹理特性,分别利用颜色直方图特征的阈值分割结合改进的区域生长分割,灰度共生矩阵特征的模糊C均值聚类分割,结合Canny边缘检测和Hough变换算法,使得盲道区域与周围人行区域分开,确定出盲道的偏移方向。实验结果表明,该算法能够更加精准地分割多种类型盲道,检测出盲道区域的边界与行进方向,而且解决了部分光照和阴影问题,能够自适应选择速度最快而且高效的分割方法,可以应用在电子导盲等多种设备中。     

基于人脸检测和颜色分析的红眼自动消除

用闪光灯进行人物摄影时由于眼底血管的反光会产生红眼现象,小型照相机的闪光灯和镜头距离很近,这一问题更为突出。为了自动消除用闪光灯进行人物摄影时产生的红眼现象,在对基于颜色空间的常用红眼检测技术进行研究的基础上,对现有较为复杂的检测方法进行了修正,提出了一种基于人脸检测的红眼自动消除方法,并在分析的基础上得出一组先验参数用于识别和处理,从而大大降低了人眼定位的复杂度。实验表明,该方法能快速有效地消除普通数字照片中的红眼现象。     

基于视觉显著性的无人车图像检测及分割方法

障碍物检测与分割是地面无人车辆环境感知领域中一项重要的任务。针对传统障碍物检测与分割算法的计算量大、分割精度较差等问题,提出了一种基于显著性分析的障碍物检测、分割优化算法。首先,利用基于频率调谐的方法生成场景图像的显著图;然后,通过单目摄像机与激光雷达的联合标定将雷达反射点映射到显著图上;最后,结合单目摄像机和激光雷达两种传感器信息,通过改进的图像区域分割算法,实现障碍物的检测与分割。为了验证所提出算法有效性,采集多幅包含障碍物的典型越野场景图像,对该算法进行实验与仿真验证,结果证明了该算法的有效性。     

An object-oriented daytime land-fog-detection approach based on the mean-shift and full lambda-schedule algorithms using EOS/MODIS data

A new algorithm is presented for land-fog detection using daytime imagery from the Earth Observing System (EOS) Moderate Resolution Imaging Spectroradiometer (MODIS) data. MODIS images constitute an ideal data source for fog detection due to their outstanding spatial and spectral resolution. In this article, a parameter named the Normalized Difference Fog Index (NDFI) is proposed, based on analysing the spectral character of fog and cloud by utilizing the Streamer radiative-transfer model and MODIS data. A mean-shift segmentation method is used to preliminary segment the NDFI image, and a full lambda-schedule algorithm is then iteratively applied to merge adjacent segments based on the combination of spectral and spatial information. Then, some properties (e.g. mean value of brightness temperature) are calculated for each segment, and each object is identified as either fog or not. The algorithm's performance is evaluated against ground-based measurements over China in winter, and the algorithm is proved to be effective in detecting fog accurately based on three cases.     

雾天条件下的多尺度Retinex图像增强算法

在雾天条件下拍摄图像时,由于受到大气散射作用的影响,图像的颜色和对比度会出现退化现象。为了提高雾天图像的质量,提出一种改进的多尺度Retine雾天图像增强算法。首先采用幂次变换压缩图像动态范围;然后采用非线性变换对图像的高光区域进行抑制;最后采用反锐化掩模滤波消除图像模糊,增强雾天图像细节信息,并采用多幅雾天图像对算法性能进行仿真测试。仿真结果表明,改进多尺度Rctinc的雾天图像增强算法较好地解决了传统Retine算法存在的不足,加快了雾天图像增强的运行速度,使得雾天图像更加清晰化,获得了更优的视觉效果。     

基于帧差和小波包分析算法的运动目标检测

提出了一种在镜头不动的情况下基于累积帧差分割和小波包分析融合技术的运动目标检测方法。这种方法可分为四步:使用改进的累积帧差算法和阈值分割算法完成目标区域的分割,并获得初始运动模板;利用小波包分析算法提取出单帧图像的边缘信息并获得细化的目标区域边缘图;根据初始运动模板和空域边缘图像的融合得到更精确的运动目标模板;最后结合原序列图像检测出完整的运动目标。实验结果表明:这种方法可以有效地从对比度较小和噪声较大的视频序列中较精确地检测出完整的运动目标。     

基于帧差和小波包分析算法的运动目标检测

提出了一种在镜头不动的情况下基于累积帧差分割和小波包分析融合技术的运动目标检测方法.这种方法可分为四步:使用改进的累积帧差算法和阈值分割算法完成目标区域的分割,并获得初始运动模板;利用小波包分析算法提取出单帧图像的边缘信息并获得细化的目标区域边缘图;根据初始运动模板和空域边缘图像的融合得到更精确的运动目标模板;最后结合原序列图像检测出完整的运动目标.实验结果表明:这种方法可以有效地从对比度较小和噪声较大的视频序列中较精确地检测出完整的运动目标.     

基于改进D-LinkNet模型的高分遥感影像道路提取研究

针对高分影像中的道路信息易受植被阴影、高楼建筑物、河流等非道路信息干扰的问题,提出一种高分遥感影像道路提取模型。在中心区域引入channel-spatial双注意力机制捕获道路信息的全局特征依赖,并基于原始模型DICE+BCE损失函数,构建新型的超参数权重损失来优化网络模型中参数迭代的误差,改善道路分割的精度。按照1：1、2：1、3：1、4：1、5：1这5种比值设定超参数权重比,通过调节超参数权值比获取模型最佳的道路分割性能。实验结果表明,与FCN-8s、U-Net等模型相比,改进D-LinkNet模型道路分割效果明显提升,能有效地规避因非道路因素对道路提取干扰而导致的“虚检”“漏检”“误检”的现象。     

改进U-Net型网络的遥感图像道路提取

目的 遥感图像道路提取在城市规划、交通管理、车辆导航和地图更新等领域中发挥了重要作用,但遥感图像受光照、噪声和遮挡等因素以及识别过程中大量相似的非道路目标干扰,导致提取高质量的遥感图像道路有很大难度。为此,提出一种结合上下文信息和注意力机制的U-Net型道路分割网络。方法 使用Resnet-34预训练网络作为编码器实现特征提取,通过上下文信息提取模块对图像的上下文信息进行整合,确保对道路的几何拓扑结构特征的提取;使用注意力机制对跳跃连接传递的特征进行权重调整,提升网络对于道路边缘区域的分割效果。结果 在公共数据集Deep Globe道路提取数据集上对模型进行测试,召回率和交并比指标分别达到0.847 2和0.691 5。与主流方法U-Net和CE-Net（context encoder network）等进行比较,实验结果表明本文方法在性能上表现良好,能有效提高道路分割的精确度。结论 本文针对遥感图像道路提取中道路结构不完整和道路边缘区域不清晰问题,提出一种结合上下文信息和注意力机制的遥感道路提取模型。实验结果表明该网络在遥感图像道路提取上达到良好效果,具有较高的研究和应用价值。     

一种高分辨率遥感影像道路信息提取方法

道路在国民经济建设和国防建设中发挥着重大的作用,是非常重要的基础地理信息,一直以来研究道路的自动或半自动提取都被视为热点和难点,提出的理论和方法层出不穷,但没有一种方法能推广应用。针对道路难以从高分辨率遥感影像中提取的问题,提出了一种道路提取方法,首先影像将RGB颜色空间转换成HSV颜色空间,运用改进的区域分隔算法,实现道路区域的分隔。然后利用数学形态学腐蚀、膨胀等基本运算,结合区域的形态特征(如面积、紧凑度等)实现道路与非道路信息的分离。对多幅复杂道路图像进行试验,结果表明本方法能够很好地实现从复杂环境中提取道路信息。     

Fabric defect detection using local contrast deviations

Defect inspection is a vital step for quality assurance in fabric production. The development of a fully automated fabric defect detection system requires robust and efficient fabric defect detection algorithms. The inspection of real fabric defects is particularly challenging due to delicate features of defects complicated by variations in weave textures and changes in environmental factors (e.g., illumination, noise, etc.). Based on characteristics of fabric structure, an approach of using local contrast deviation (LCD) is proposed for fabric defect detection in this paper. LCD is a parameter used to describe features of the contrast difference in four directions between the analyzed image and a defect-free image of the same fabric, and is used with a bilevel threshold function for defect segmentation. The validation tests on the developed algorithms were performed with fabric images from TILDA’s Textile Texture Database and captured by a line-scan camera on an inspection machine. The experimental results show that the proposed method has robustness and simplicity as opposed to the approach of using modified local binary patterns (LBP).     

基于遗传算法和简化PCNN神经网络的裂缝检测方法*

为能够在复杂背景下检测裂缝、分析裂缝图像特征,由脉冲耦合神经网络(pulse coupled neural networks, PCNN)的运行特征和神经元的状态变化分析简化PCNN模型,将简化PCNN模型用于裂缝图像的目标检测。针对PCNN无法确定裂缝图像的最优检测以及脉冲门限具有非线性因子的问题,提出了一种基于遗传算法(genetic algorithm, GA)和简化PCNN的裂缝图像检测方法。该方法采用最小误差准则作为遗传算法的适应度函数,并且根据遗传算法具有全局最优解的特点确定简化PCNN中各因子的值,实现了简化PCNN的裂缝图像自动分割。将本文方法与不同的分割方法对实际裂缝图像的处理结果进行比较,通过区域对比度、准确率和召回率等客观指标进行定量分析,表明了该方法对裂缝图像检测的有效性与通用性。     

基于图像分析的后视镜失真率自动检测方法

传统的机动车后视镜失真率检测方法采用模拟相机拍照、照片冲洗、人工测量等步骤,效率低下且人为因素对测量结果影响较大。本文使用数字相机成像,针对数字图像,设计并实现了基于图像分析的失真率自动检测算法,通过圆心检测、图像分割、直线与圆交点检测等几个步骤,完成了自动检测功能。该方法高效、准确,达到了实用水平。     

多蚁群动态协作优化的道路图像分割算法

2维图像的道路检测是移动机器人视觉导航中的难点问题。基于图像分割问题的能量最小化函数,推导出一种适用于群集优化迭代求解的视觉能量最小化模型,并提出一种基于多蚁群动态协作的优化策略,实现道路图像检测的优化算法。该方法根据"分而治之"的原则,先由各蚁群独立优化各自子问题,然后针对约束条件动态变化的特点采用一种新的动态自适应信息交换策略,实现一种近似全局最优的2维道路图像检测。与基于GraphCut的道路图像检测算法相比,动态多蚁群协作优化算法不仅具有更好的检测性能,并且可实现任意类数的检测,适用于包含多种类型的复杂道路场景。