基于梯度双面互补特性的级联快速目标检测

针对目标检测中精度和速度难以兼顾的问题,借助视觉注意理论中的目标感知与识别机制,分析目标描述中梯度幅值与梯度方向信息之间具有的互补性,提出了基于两层级联梯度特征的快速目标检测模型,可有效描述类无关和类相关检测器.一方面,采用梯度幅值特征,从滑动窗口采样中获得候选目标提议,大幅降低了验证窗口的数量,确保检测速度,另一方面,利用级联方式学习训练多个子检测器,可更好实现不同尺度变化下的目标检测精度.PASCAL数据集上的实验结果,解释了级联梯度特征对目标结构描述的有效性,表明了该文方法在与现有先进方法的检测精度相当的前提下,可极大提升检测速度.     

基于视觉里程计的单目红外视频三维重建

针对红外视频的特点,提出了一种基于直接法和稀疏法视觉里程计的单目红外视频三维重建方法。该方法首先通过对红外热像仪标定获得热像仪内参,然后构建直接法和稀疏法视觉里程计模型,视觉里程计前端执行帧管理和点管理的任务,利用滑动窗口并借助高斯-牛顿迭代对总光度误差进行优化,计算出直接法和稀疏法视觉里程计模型所依赖的所有变量,完成定位热像仪和建图的任务。通过实验证明了该方法能够实时实现对单目红外视频进行三维重建。     

基于生物视觉特征的SVM目标分类算法

鉴于生物视觉模型性能的优越性,提出了一种基于生物视觉特征的支持向量机(SVM)目标分类算法。生物视觉模型以Gabor滤波为基础,所得特征具有很好的表征能力,但却具有很高的维度,选择选择训练速度快、分类精度高的线性SVM来完成高维度生物视觉特征的分类取得了很好的效果。利用生物视觉模型提取具有位置和尺度不变性的目标特征,针对生物视觉特征高维度的特点选择线性支持向量机完成目标分类的任务,利用自抽样法验证算法的有效性。     

基于生物视觉标准模型特征的无参考型图像质量评价方法

鉴于生物视觉特征对于图像的良好表征能力,提出了一种基于生物视觉特征的无参考型图像质量评价方法。对生物视觉ST模型进行了研究和分析,完成了对图像的稀疏化表示;利用最小二乘支持向量机回归方法训练生物视觉特征到图像质量的映射关系,获得能够预测图像质量的回归器;通过学习的回归器完成了对图像质量的评价。基于LIVE图像库的实验结果表明,该方法对于特定失真和交叉失真的预测误差分别为2%和5%左右,并且与目前技术条件下的质量评价方法相比具有很好的精确性和单调性。     

基于稀疏约束的SAR目标特征提取方法研究

特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。     

一种多视角SAR图像目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别问题,提出了一种联合多视角的方法。基于图像相关准则对多视角SAR图像进行聚类分析,获得若干视角集。分别对每个多视角子集采用多重集典型相关（Multiset Canonical Correlations Analysis,MCCA）进行特征融合,获得特征矢量。采用联合稀疏表示对各个视角集的特征矢量进行表征分类,获得决策结果。在样本丰富的MSTAR数据集上开展实验与分析,结果表明,所提方法对10类目标样本在标准操作条件、噪声干扰以及遮挡情形下均可以取得优势性能,验证了其有效性。     

基于稀疏系数特征的压缩感知信号检测算法

基于压缩感知理论我们可以直接处理少量的压缩采样数据从而完成感兴趣目标信号的检测任务。目前经典的压缩感知信号检测算法中,作为判决依据的特征值仅利用稀疏系数的幅值信息,而且这种算法的阈值选择通常需要消耗大量的时间。针对这个问题,提出一种基于稀疏系数特征信息的检测算法,算法充分利用稀疏系数的幅值信息和位置信息,根据部分重构得到的稀疏系数特征信息相关性完成目标信号的检测。实验结果表明,与原算法相比,该算法在保证检测性能的同时大大缩减了检测时间。     

基于高分辨率类激活映射算法的弱监督目标实时检测

受益于深度学习的发展,目标检测技术在各类视觉任务中得到广泛关注。然而,获取目标的边框标注需要高昂的时间和人工成本,阻碍了目标检测技术在实际场景中的应用。为此,该文在仅使用图像类别标签的基础上,提出一种基于高分辨率类激活映射算法的弱监督目标实时检测方法,降低网络对目标实例标注的依赖。该方法将目标检测细划分为弱监督目标定位和目标实时检测两个子任务。在弱监督定位任务中,该文利用对比层级相关性传播理论设计了一种新颖的高分辨率类激活映射算法(HR-CAM),用于获取高质量目标类激活图,生成目标伪检测标注框。在实时检测任务中,该文选取单镜头多盒检测器(SSD)作为目标检测网络,并基于类激活图设计目标感知损失函数(OA-Loss),与目标伪检测标注框共同监督SSD网络的训练过程,提高网络对目标的检测性能。实验结果表明,该文方法在CUB200和TJAB52数据集上实现了对目标准确高效的检测,验证了该文方法的有效性和优越性。     

L2范数正则化鲁棒编码视觉跟踪

针对基于稀疏表示的视觉跟踪计算效率低和易于产生模型漂移的不足,该文提出一种基于L2范数正则化鲁棒编码的视觉跟踪方法。该方法利用L2范数正则化鲁棒编码求解候选目标的编码系数,以粒子滤波为框架,利用候选目标的加权重建误差建立似然模型跟踪目标。为了适应目标的变化并克服模型漂移问题,利用L2范数正则化鲁棒编码估计当前目标的加权矩阵用于遮挡检测,根据遮挡检测结果实现模型更新。对提出的跟踪方法进行实验的结果表明:与现有跟踪方法相比,该方法具有较优的跟踪性能。     

稀疏贝叶斯字典学习空时机动目标参数估计算法

针对基于稀疏恢复的空时自适应处理(STAP)目标参数估计方法中字典失配导致估计性能下降的问题,该文提出一种基于稀疏贝叶斯字典学习的高精度目标参数估计方法。该方法首先通过目标方位信息补偿多个阵元数据构建联合稀疏恢复数据,然后对补偿后的每个阵元数据利用双线性变换进行加速度和速度项分离。最后构建速度参数和加速度参数的泰勒级数动态字典,对机动目标参数进行高精度贝叶斯字典学习稀疏恢复。仿真实验证明,该方法能有效提高字典失配情况下目标参数估计精度,估计性能优于已有字典固定离散化的稀疏恢复空时目标参数估计方法。     

基于复合感受野的轮廓检测算法

自然场景自动检测目标轮廓是非常困难的。该文提出了一种基于复合感受野的图像轮廓检测仿生模型。在传统的基于抑制模型的基础上引入去抑制机制,在减少背景纹理干扰的同时,保护较弱的轮廓,从而尽量保持轮廓的完整性。实验结果表明,这种仿生模型可以有效地抑制纹理边缘,减少对轮廓的破坏,提高了自然背景中轮廓检测的性能。     

Orientation contrast model for boundary detection

The boundary detection task has been extensively studied in the field of computer vision and pattern recognition. Recently, researchers have formulated this task as supervised or unsupervised learning problems to leverage machine learning methods to improve detection accuracy. However, texture suppression, which is important for boundary detection, is not incorporated in this framework. To address this limitation, and also motivated by psychophysical and neurophysiological findings, we propose an orientation contrast model for boundary detection, which combines machine learning technique and texture suppression in a unified framework. Thus, the model is especially suited for detecting object boundaries surrounded by natural textures. Extensive experiments on several benchmarks demonstrate the improved boundary detection performance of the model. Specifically, its detection accuracy was improved by 10% on the Rug dataset compared with state-of-the-art unsupervised boundary detection algorithm, and its performance is also better or at least comparable with previous supervised boundary detection algorithms.     

用于高阶MPPSK 信号检测的SVM新算法

为了降低支持向量机(SVM)算法在高阶多元位置相移键控（M-ary Position Phase Shift Keying,MPPSK）系统的信号检测复杂度,在分析常用SVM多分类算法的基础上,提出了一种新的具有更低复杂度的类二分法SVM。为了进一步提高高阶MPPSK信号检测性能,提出一种新的SVM特征向量提取方法,调制矩阵法,并将两种方法结合起来,用于高阶MPPSK系统的信号检测。仿真结果表明:类二分法SVM能显著降低多分类SVM的算法复杂度,调制矩阵选取特征向量法能够显著提高高阶MPPSK系统的检测性能,两种方法结合用于高阶MPPSK系统,可以在有效降低复杂度的前提下保证期望的检测性能。      

基于Harris-SIFT算法的双目立体视觉定位

针对基于尺度空间对图象保持不变性的SIFT算法在双目立体视觉应用时实时性差、误匹配等问题,提出一种运用Harris-SIFT算法进行双目立体视觉定位方法.通过介绍双目立体视觉的模型原理,利用Harris-SIFT算法从左右摄像机分别获取的图像中检测目标,并获取匹配目标的特征点,对两幅图像中目标物体的坐标标定,通过计算可得到目标物体的深度距离,还原其三维信息.实验证明,运用Harris-SIFT算法使该系统的实时性能和距离精度得到提高.     

面向目标检测的稀疏表示方法研究进展

目标检测作为图像理解的一个基础而重要的课题深受国内外学者的重视,在军事和民用中具有广泛应用.应用背景的多样性和复杂性使得传统目标检测算法难以克服复杂背景、噪声干扰、光照变化以及非刚体形变、遮挡、弱特征、尺度、视角和姿态变化等因素的影响.近些年来发展起来的稀疏表示方法为图像处理及目标检测研究提供了新的思路,本文概述了稀疏表示基本概念和理论研究进展,综述了稀疏表示方法在目标特征学习、目标分类器和滤波器设计以及多源信息融合目标检测等目标检测领域中的国内外重要研究进展,并展望了稀疏表示方法在目标检测领域的发展方向.     

Optimizing Case-based detection performance in a multiview CAD system for mammography

When reading mammograms, radiologists combine information from multiple views to detect abnormalities. Most computer-aided detection (CAD) systems, however, use primitive methods for inclusion of multiview context or analyze each view independently. In previous research it was found that in mammography lesion-based detection performance of CAD systems can be improved when correspondences between MLO and CC views are taken into account. However, detection at case level detection did not improve. In this paper, we propose a new learning method for multiview CAD systems, which is aimed at optimizing case-based detection performance. The method builds on a single-view lesion detection system and a correspondence classifier. The latter provides class probabilities for the various types of region pairs and correspondence features. The correspondence classifier output is used to bias the selection of training patterns for a multiview CAD system. In this way training can be forced to focus on optimization of case-based detection performance. The method is applied to the problem of detecting malignant masses and architectural distortions. Experiments involve 454 mammograms consisting of four views with a malignant region visible in at least one of the views. To evaluate performance, five-fold cross validation and FROC analysis was performed. Bootstrapping was used for statistical analysis. A significant increase of case-based detection performance was found when the proposed method was used. Mean sensitivity increased by 4.7% in the range of 0.01-0.5 false positives per image.     

RLP-AGMC: Robust label propagation for saliency detection based on an adaptive graph with multiview connections

There have been remarkable improvements in the salient object detection in the recent years. During the past few years, graph-based saliency detection algorithms have been proposed and made advances. Nevertheless, most of the state-of-the-art graph-based approaches are usually designed with low-level features, misleading assumption, fixed predefined graph structure and weak affinity matrix, which determine that they are not robust enough to handle images with complex or cluttered background.In this paper, we propose a robust label propagation-based mechanism for salient object detection throughout an adaptive graph to tackle above issues. Low-level features as well as deep features are integrated into the proposed framework to measure the similarity between different nodes. In addition, a robust mechanism is presented to calculate seeds based on the distribution of salient regions, which can achieve desirable results even if the object is in contact with the image boundary and the image scene is complex. Then, an adaptive graph with multiview connections is constructed based on different cues to learn the graph affinity matrix, which can better capture the characteristics between spatially adjacent and distant regions. Finally, a novel RLP-AGMC model, i.e. robust label propagation throughout an adaptive graph with multiview connections, is put forward to calculate saliency maps in combination with the obtained seed vectors. Comprehensive experiments on six public datasets demonstrate the proposed method outperforms fourteen existing state-of-the-art methods in terms of various evaluation metrics.     

基于体素化图卷积网络的三维点云目标检测方法

针对激光雷达点云的稀疏性和空间离散分布的特点,通过结合体素划分和图表示方法设计了新的图卷积特征提取模块,提出一种基于体素化图卷积神经网络的激光雷达三维点云目标检测算法。该方法通过消除传统3D卷积神经网络的计算冗余性,不仅提升了网络的目标检测能力,并且提高了点云拓扑信息的分析能力。文中设计的方法在KITTI公开数据集的车辆、行人、骑行者的3D目标检测和鸟瞰图目标检测任务的检测性能相比基准网络均有了有效提升,尤其在车辆3D目标检测任务上最高提升了13.75%。实验表明:该方法采用图卷积特征提取模块有效提高了网络整体检测性能和数据拓扑关系的学习能力,为三维点云目标检测任务提供了新的方法。     

基于异质局部特征的图像稀疏表示

为了有效描述图像的多角度视觉内容,提出一种将图像异质局部特征集通过稀疏学习映射为图像全局稀疏表示的新方法.该方法从不同的训练特征集中学习超完备视觉词典,经过局部稀疏编码、最大值合并、加权联接及归一化等一系列处理步骤融合多种局部特征的互补信息,最终形成一个高维稀疏向量来描述图像的多角度视觉内容.将其应用于基于内容的图像检索(CBIR)任务中,实验结果表明,这种基于异质局部特征学习而来的图像全局稀疏表示解决了单一局部特征集描述图像的局限性和高维局部特征集相似性度量时空复杂度高的问题.     

基于光场结构特性与多视点匹配的深度估计

针对现有光场图像深度估计技术无法均衡地对主要对象和背景进行深度估计的问题,提出了一种基于光场结构特性与多视点匹配的深度估计方法。该方法在光场结构特性引导的深度估计的基础上,为了实现光场图像深度变化区域的平滑过渡,同时又考虑光场图像具有多视点子孔径图像阵列的特点,采用多视点匹配优化光场图像深度估计。在马尔可夫随机域中,基于光场结构特性构建深度估计平滑项,同时联合多视点匹配构建深度估计数据项,并进行全局深度迭代优化,从而有效平衡对象深度边界和背景深度估计,提高光场图像深度估计的性能。实验结果表明,所提出的方法能够得到更加清晰的深度边界,同时可以修正背景中不准确的深度值,获得高质量的深度估计结果。