基于优化候选区域的战场目标检测研究

针对Faster R-CNN算法对战场小型目标和遮挡目标的检测存在耗时且检测精度低的问题,提出基于优化候选区域的Faster R-CNN算法.算法使用改进的区域提取网络(Region Proposal Networks,RPN)提取候选区域并通过误差比较的方法优化候选区域,同时,引入排斥损失来优化遮挡目标的候选区域.优化后的候选区域和特征图进入检测网络,完成目标的分类和位置回归.在坦克装甲目标数据集上进行实验,结果表明:与传统检测算法相比,所提算法在检测速率和平均精度方面的性能更优.     

基于霍夫圆检测的标志物多图像特征定位方法

针对霍夫圆变换对圆检测的不稳定、正确率低、准确度不高的缺点,提出一种基于霍夫圆检测的标志物多图像特征精确定位方法,实现对标志物空间位置地精确获取.用霍夫圆变换对图像初步检测,获取包含标志物的候选区域;利用颜色特征对候选区域筛选,去除虚假霍夫圆区域;再利用圆的自相似性和对称性,计算轮廓形心获取标志物中心位置;最后通过深度图像与彩色图像匹配的方法获取标志物的空间坐标.实验结果表明,上述方法不仅提高了获取标志物位置的精度,还降低了标志物倾斜变形对位置提取的影响.获取的标志物空间坐标可用于控制执行机构运动,为之后功能扩展奠定了基础.     

基于距离约束的改进FCOS遥感图像检测方法

基于深度学习的遥感图像目标检测方法通常难以排除复杂场景下的背景干扰，从而导致检测精度低。为解决该问题，设计了一种基于尺度分层的特征金字塔结构，并提出了一种基于距离约束的中心回归（distance-constraints centerness,DCCN），从而形成了基于距离约束的改进FCOS遥感图像检测方法。基于尺度分层的特征金字塔结构包括高层语义信息激活模块和低层有效特征感知模块，其中高层语义信息模块重构了特征融合阶段对高层特征图的处理方式，提升了特征金字塔顶部区域的语义感知能力，低层有效特征感知模块通过引入通道注意力机制，增强了通道间的信息交互能力。DCCN能够利用预测样本框与真实样本框之间的距离因素作为回归评估条件，提升了预测框的回归效果。在NWPU VHR-10数据集的实验中，该方法的精度达到92.6%，相比于原FCOS方法提升了4.9个百分点，有效改善了遥感图像检测的精度。     

一种多深度特征连接的红外弱小目标检测方法

针对红外弱小目标像元数量少、图像背景复杂、检测精度低且耗时较长的问题，文中提出了一种多深度特征连接的红外弱小目标检测模型(MFCNet)。首先，提出了多深度交叉连接主干形式以增加不同层间的特征传递，增强特征提取能力；其次，设计了注意力引导的金字塔结构对深层特征进行目标增强，分离背景与目标；提出非对称融合解码结构加强解码中纹理信息与位置信息保留；最后，引入点回归损失得到中心坐标。所提网络模型在SIRST公开数据集与自建长波红外弱小目标数据集上进行训练并测试，实验结果表明，与现有数据驱动和模型驱动算法相比，所提算法在复杂场景下具有更高的检测精度及更快的速度，模型的平均精度相比次优模型提升了5.41%,检测速度达到100.8 FPS。     

复杂背景中基于纹理和颜色的车牌定位研究

提出一种将车牌纹理和颜色相结合的车牌定位方法,即基于纹理粗定位得到车牌候选区域后,运用改进的自主确定聚类数和聚类中心的RGB空间k-means聚类算法,而不是定义颜色范围来分割车牌。该方法的优越性在于首先利用纹理排除了颜色干扰区域,其次利用颜色聚类去除了纹理干扰区域,又克服了量化定义颜色适应性不强、稳定性差的缺点。实验表明,该方法可以准确定位复杂背景中任意方向和不同光照下的车牌,具有很强的稳定性和鲁棒性。     

全局图像特征分析与实时层次化消失点检测

为了使道路场景的消失点检测能够适应不同的道路条件,提出基于全局图像特征的层次化消失点检测方法。通过全局图像特征提取全局道路特征,将道路分为4类并粗粒度定位道路区域。根据分类选择提取道路标识或边缘特征进行尺度变换的线段检测或区域分割并投票消失点集,再选择使用逆透视仿射变换或色彩纹理信息验证获得有效消失点。通过图像预处理移除道路车辆及阴影干扰,进一步提高检测精度。实验证明道路特征分类有效,在光照阴影、色彩纹理及遮挡等条件各异的场景中,层次化消失点检测方法均获得实时鲁棒的检测结果,比现有在复杂场景平均误差较小的基于本征直线方向与色彩纹理的检测方法精度与效率分别提高37.5%和20%。     

基于Faster R-CNN模型的传送带药盒与空位检测方法

制药企业为了判断传送带药盒的拥堵情况,需要对传送带上的药盒和空位进行定位,但人工方式效率低下,实时性差。在此背景下,结合Faster R-CNN模型,提出传送带目标检测方法。基于传送带图像构建模型训练集和测试集,将训练集通过ZFNet卷积神经网络计算卷积特征,并利用RPN(Region Proposal Network)生成精准的候选区域,在此基础上基于Faster R-CNN模型在候选区域上进行分类和回归,计算得到药盒与空位矩形框。通过使用测试集测试模型进行目标标注并计算出概率,结果表明,本方法对传送带目标的检测准确率良好。     

基于Gabor滤波器和HOG特征的织物疵点检测

针对织物疵点检测问题,提出了一种基于Gabor滤波器和方向梯度直方图（HOG）特征的织物疵点检测算法。首先使用3个尺度、4个方向的Gabor滤波器组对织物图像进行滤波,并做融合处理,增强织物图像疵点区域和背景纹理之间的对比度;然后使用双边滤波减弱图像背景纹理和噪声的影响;最后将图像划分成均匀子块,提取每个子图像块的HOG特征,利用图像疵点区域和背景纹理的HOG特征差异进行阈值分割实现织物疵点的检测。实验选取5种常见织物疵点进行验证,并与传统的Gabor滤波算法进行了实验对比,结果表明该算法可以较好的抑制织物背景纹理的干扰,更加准确的检测出织物疵点。     

基于改进区域候选网络的场景文本检测

自然场景中的文本图像具有十分复杂多变的特征，使用区域候选网络(Region Proposal Network, RPN)提取文本矩形位置候选框是不可或缺的一个步骤，能够极大地提升文本检测的精度。然而最近的研究表明，通过最小化平滑的L₁损失函数来回归矩形候选框中心点、宽和高的方式容易产生边界信息缺失、回归不准确等问题。针对这一问题，提出了一种基于改进区域候选网络的场景文本检测模型。首先，使用残差网络和特征金字塔网络组成的骨干网络生成共享特征图。然后，使用改进的回归取点方式和基于顶点的VIOU损失函数(Vertex-IOU)在共享特征图上生成系列文本矩形候选框。接着，使用ROI Align将这些候选框转化为固定大小的特征图在全连接层进行边界框预测。最后，在ICDAR2015数据集上进行对比实验，结果表明，与其他模型相比，所提模型可以提升检测精度，证明了所提模型的有效性。     

基于二维Gabor滤波器的胶带撕裂检测

现有的基于机器视觉技术的胶带撕裂检测方法处理背景纹理复杂的图像时易将撕裂痕迹相对背景纹理不明显的缺陷区域误判为无缺陷,且检测结果噪点较多,不易识别。针对上述问题,提出了一种基于二维Gabor滤波器的胶带撕裂检测方法。该方法采用Gabor滤波对胶带图像进行处理,得到多幅Gabor滤波处理图;通过Gabor优化选择方法,以变异系数为基础构建新的代价函数,选取最优滤波通道,突出撕裂区域纹理特征;利用Sobel算子分别提取水平和垂直方向的撕裂区域纹理特征,得到2个方向的梯度图,对所得梯度图进行自乘归一化操作,增强纹理信息,采用像素加权平均法融合2幅图像;将得到的融合图像通过自适应阈值二值化的方法进行阈值分割,并利用形态学技术对待检测图像进行胶带撕裂检测。检测结果表明,改进后的Gabor优化选择方法比原Gabor优化选择方法和基于Sobel算子的纵向撕裂检测方法漏检率更低,可以检测出背景纹理复杂的胶带缺陷图像中的所有缺陷,并且检测结果清晰,撕裂区域轮廓特征保留较为完好。     

基于纹理边缘周期性与局部方向性的织物疵点检测

根据织物纹理图像自身的特点,提出一种基于纹理边缘周期性与局部方向性的织物疵点检测新方法。通过正常纹理边缘的周期性与方向性特征剔除同类有疵点纹理图像的背景纹理信息,突出疵点信息,进而快速有效地检测出无特定方向的织物疵点。经过对大量常见织物疵点图像的检测实验,表明该方法对于纹理边缘清晰、方向一致性较好的织物疵点图像具有较好的检测效果。     

基于随机森林的层次行人检测算法

针对视频和图像中快速、准确的行人检测问题,提出了一种分层次的、全局信息和局部信息相结合的行人检测算法.该方法以随机森林分类器为基础,利用图像金字塔模型融合行人的多层信息.首先,在低尺度空间利用主方向模板(DOT)特征和随机森林算法训练行人的全局分类器,第一层检测在低尺度空间中进行,找到行人的候选区域;然后,在高尺度空间提取图像块集合,基于部件随机森林训练行人的局部外观和几何约束模型;最后,基于上层的候选区域,在高尺度空间利用霍夫投票进行第二层精确检测.实验结果表明,该方法有更低的时间复杂度,并提升了行人检测的准确率,全局信息和局部信息的层次融合,能有效解决快速、准确的行人检测问题.     

基于多模态背景模型和霍夫森林的红外目标跟踪

针对红外目标跟踪过程中目标和背景耦合性强和目标形变带来的表观特征变化的问题,提出了基于多模态背景模型和霍夫森林的红外目标跟踪算法,将目标和背景的特征信息整体融入跟踪框架,并引入霍夫森林对目标部件表征信息进行训练更新;通过特征描述和模式列表建立多模态背景模型,在观测序列中记录匹配的背景模式列表,根据匹配结果进行权重和模态参数更新;以背景建模获得的区域信息为采样基础,将前景区域和背景区域分别作为正负样本集代入决策树进行训练;根据叶节点存储的图像块信息对目标位置进行投票决策,从图像特征空间映射到霍夫参数空间,生成目标区域概率分布图,获取高置信度区作为目标跟踪区。在红外公开测试集上实验结果表明,在背景杂波和目标形变对跟踪造成干扰的情况下,所提算法仍能保持跟踪的稳定性。     

基于直线生成的卷积霍夫线段检测

直线检测作为计算机视觉的上游任务,为下游包括工业视觉、遥感图像分析等任务提供支撑。直线检测的一大方向是霍夫直线检测,但现有霍夫检测基于近似原理设计计票器,直线检测准确度不高。为提高霍夫变换线段检测的准确度,利用卷积改进霍夫直线检测的计票器并提出基于直线生成的卷积霍夫线段检测方法。利用中值滤波对原始图像中的复杂纹理平滑处理后检测图像中的边界;通过按位异或卷积去除边界检测结果中的噪点并保留候选的线段端点;将候选的线段端点两两组合并使用布雷森汉姆算法进行线段生成,由利用卷积改进的计票器判断生成的线段是否存在于边界上;确认端点所构成线段位于边界后求取端点对之间的参数并合并参数相似的加检测结果,得到最终线段检测结果。对比实验中该方法的F1指标为0.762 6,优于对比方法中最高的0.652 3,证明该方法保留了霍夫变换较高鲁棒性的同时提高了检测结果的准确性。     

综合像素级和特征级的建筑物变化检测方法

针对单独使用像素级变化检测或特征级变化检测对于高层建筑物检测精度低的问题,提出了一种结合像素级和特征级的建筑物变化检测方法。首先对多个时相的遥感图像进行基于比值法的像素级变化检测,得到包含建筑物变化的候选区域,在候选区域上再进行基于建筑物特征的变化检测。该方法首先利用基于Delaunay三角网约束的快速配准算法配准两个不同时相的多光谱图像,利用建筑物的变化会导致建筑物所在局部区域的纹理分布和色调发生变化的特点,提取对辐射差异和配准误差鲁棒的纹理和色调特征进行变化检测。实验结果表明,该方法可以有效提高建筑物变化检测正确率,降低虚检率。     

基于聚类与边缘检测的自然场景文本提取方法

为了解决复杂自然场景、光照不均匀及背景纹理丰富图像中文本的有效提取,提出一种基于K-means聚类与边缘检测结合的自然场景文本提取方法.该方法通过改进K-means聚类算法,实现文本区域的分割;然后对分割后的图像进行二值子图分解,将分解后的各子图像的连通区域进行标记与分析,得到候选的字符区域;最后利用文本区域的边缘特征对候选字符区域过滤,实现文本字符的提取.实验结果表明,该方法能有效提取出复杂背景、光照影响及背景纹理丰富图像中的文本字符区域.     

基于视觉显著度的皮革表面瑕疵检测

针对汽车内饰皮革的瑕疵检测易受皮革自身纹理干扰、检测难度较大的问题,发现瑕疵存在于均匀变化图像中局部变化明显的区域,符合人眼注意机制,故提出了基于视觉显著模型的皮革瑕疵检测方法。首先提取皮革图像的颜色和亮度特征,然后利用中心周围差算子分别计算特征显著图,再融合成最终显著图,最后在此基础上利用区域生长方法对瑕疵区域进行分割,以实现瑕疵的准确定位。实验结果表明,与FCM聚类分割法、阈值分割法及SVM分类法相比,本文提出的方法具有较高的检测精度及较快的检测速度,解决了皮革瑕疵检测过程中受纹理干扰严重等问题,能有效应用于皮革瑕疵的机器自动检测中。     

煤岩显微图像划痕检测与去除方法

煤岩显微图像预处理主要包括煤岩划痕检测与去除。针对基于霍夫变换算法的煤岩划痕检测难以准确提取空间形状特征和有效细化边缘信息,容易出现漏检和误检的问题,提出了基于语义分割的煤岩划痕检测方法。该方法引入残差结构改进空间注意力模型,将该模型嵌入以VGG卷积层作为图像特征编码器的U-Net中,实现对煤岩划痕的语义分割。针对基于快速行进的图像修复算法使得煤岩划痕去除区域和周围区域存在纹理差异和视觉伪影的问题,提出了采用基于改进区域匹配的图像修复算法去除煤岩划痕。通过采用k个最近邻图像块查找、跨尺度及旋转角度搜索策略和基于欧氏距离的图像块偏移距离度量,实现煤岩划痕的有效去除。实验结果表明,基于语义分割的煤岩划痕检测方法能准确反映煤岩划痕的边缘细节,具有较好的空间特征解析性能,提高了煤岩划痕检测准确性;采用基于改进区域匹配的图像修复算法去除煤岩划痕能使煤岩划痕去除区域与周围区域的纹理特征更具有一致性,提升图像整体视觉效果。     

一种无人机图像的铁塔上鸟巢检测方法

由于鸟巢造成的输电线路跳闸事件频频发生,已严重威胁到国家电网的安全运行,为了降低复杂背景的影响,提出了一种自动检测铁塔上鸟巢的方法,首先识别巡检图像上铁塔所在区域,考虑到铁塔是由不同方向的线材构成的空间图像,将巡检图像分块并分析不同方向的线段密度,判决是否属于铁塔区域,将检测的分块铁塔区域聚类,进而识别铁塔区域。在铁塔区域内,搜索符合鸟巢样本的HSV颜色特征量的连通区域,作为候选的鸟巢区域,分析候选鸟巢区域的形状特征参数,描述鸟巢粗糙度的灰度方差特征量,描述鸟巢纹理的惯性矩特征量,通过对无人机巡检采集的输电线路图像的测试,验证了这种方法能有效排除背景的干扰,有效检测出铁塔上的鸟巢。     

无锚点的遥感图像任意角度密集目标检测方法

针对基于深度学习的遥感图像目标检测方法密集目标漏检率高、分类不准确的问题,建立了一种基于深度学习的无锚点的遥感图像任意角度的密集目标检测方法。首先采用CenterNet作为基线模型,经过主干网络提取特征,并改造原有检测器结构,即加入角度回归分支进行目标角度回归;然后提出一种基于非对称卷积的特征增强模块,并将主干网络提取到的特征图输入特征增强模块,从而增强目标的旋转不变性特征,消除由于目标的旋转、翻转带来的影响,进一步提升目标中心点、尺寸信息的回归精度。采用HourGlass-101作为主干网络时,该方法在DOTA数据集上的平均精度均值（mAP）比旋转区域候选网络（RRPN）提升了7.80个百分点,每秒处理帧数（FPS）提升了7.5;在自建数据集Ship3上,该方法的mAP比RRPN提升了8.68个百分点,FPS提升了6.5。结果表明,所提方法能获得检测精度和速度的平衡。