基于特征匹配的微生物弱小目标分割识别方法

针对微生物杆菌在复杂背景下弱小目标识别困难,检测实时性不高等难题,提出基于OpenCV下的弱小目标分割算子,并引入特征匹配,设计二者相融合的自动图像识别机制。该方案通过H-S分割与图像融合,再结合形态学滤波与特征匹配,解决了微生物弱小目标难识别的问题,计算量小。并基于经过汇编优化的OpenCV实现,解决了实时性要求高等难题。实验结果表明,相对于传统方法,该方案应用在自动微生物图像识别上可以达到较好的效果,在工程上应用是可行的。     

机器视觉耦合图案匹配的纳米图像特征自动测量与统计算法研究

针对纳米图像微小、难以测量和统计等难题,提出机器视觉测量算法。根据目标形状特征,引入图案匹配,设计二者相融合的纳米图像特征自动测量与统计算法。根据纳米图像的形态和面积特征,实现基于机器视觉的目标分割;并嵌入图案匹配,分析目标形状,剔除杂质干扰,解决纳米图像难以自动测量和统计的问题。仿真实验表明,该算法在纳米图像特征自动测量与统计上可以达到较好的效果。     

基于加权融合特征与Ostu分割的红外弱小目标检测算法

为提高红外弱小目标在复杂背景干扰与低信噪比条件下的检测精度与效率,基于局部加权融合特征与分类二维Ostu分割,提出红外弱小目标检测算法。利用红外弱小目标与背景的灰度差异,基于Top-Hat算子设计红外背景过滤机制,使弱小目标从背景中凸显出来,使用图像的熵值定义局部加权融合特征,完成弱小目标的粗定位。采用分形理论计算粗定位区域内所有像素的分维值,构建像素分维像模型完成弱小目标的细定位,并通过特征分类二维Ostu分割机制实现红外弱小目标的精确检测。测试结果表明,与现有红外弱小目标检测算法相比,该算法具有更高的检测精度与更短的检测耗时。     

融合超像素3D与Appearance特征的可行驶区域检测

为实现基于计算机视觉的自动驾驶和高级辅助驾驶,需要对车辆前方的可行驶区域进行实时检测。可行驶区域的检测是图像分割问题,而目前主流的基于深度学习模型的Scene Parse方案,在实际应用中不能满足实时性要求。为此,构建一个超像素Appearance与3D特征融合的检测框架,实现从粗分割到细分割的两步分割流程。其中粗分割是基于RANSAC的快速平面估计,细分割则是基于粗分割路面估计概率的条件随机场模型,采用超像素进行加速。实验结果表明,该框架在Cityscape数据集上精确度和召回率超过90%,性能与SegNet,FCN 16 Scene Parsing相当,可满足X86平台和ARM平台的实时应用要求。     

基于梯度分割和特征匹配的印章识别算法研究

印章识别的多目标同时识别特点要求目标识别过程要保证精度不能遗漏目标.而印章作为目标其纹理固定的特点则可以作为不同印章相互区别的依据.同时,考虑到序列图像识别的实时性需求,提出了一种基于梯度分割和特征匹配的二级判别印章识别算法.首先通过图像直方图均衡化拉伸印章灰度与背景灰度差值,再利用灰度梯度边缘骤变原理粗捡出印章边缘,最后通过模板匹配精检出印章边缘,完成识剐.实验结果表明,该方法鲁棒性好,速度快,准确高,在允许范围内满足实用要求.     

基于CUDA加速的实时团块跟踪算法

为有效解决目标稳定实时跟踪问题,提出一种基于团块的目标跟踪方案.该算法利用目标的颜色和空间特征,通过四叉树分割将目标划分为多个区域,每个区域即为一个团块.根据团块的特征,结合模糊聚类的思想构建了团块目标模型,并定义团块间匹配准则,以此进行目标跟踪.同时,使用CUDA提供的强大并行计算能力提高程序执行速度.经过视频序列测试,表明了该设计方案的有效性和实时性.     

基于生物视觉特性的红外与可见光图像融合方法

脉冲耦合神经网络PCNN以其在图像分割、目标识别等领域的独特优势而成为当前的研究热点。本文对其在红外与可见光图像融合领域的应用进行了研究,并针对传统脉冲耦合神经网络参数无法自动设定的难题,提出了基于修正PCNN的参数自动设定方案。针对可见光与红外图像融合的大量实验结果表明,本文方法无论在主观视觉效果还是客观评价参数上均明显优于基于多分辨分析的融合算法,对于拓宽PCNN的应用领域有一定价值。     

针对新学习策略的弱小目标检测方法

基于深度卷积神经网络的目标检测在应用中展现出了良好的性能,然而,将其应用于弱小目标检测上依然性能欠佳。本文提出一种有效的弱小目标检测方法,使用改进的特征提取方法,利用尺度匹配策略选取合适的尺度进行小目标检测。同时在神经网络中设计自适应的融合模块,通过融合特征与接收域以增强目标环境特征。提出的方法在检测速度和精度上都具备良好的性能。有效解决了一般的框策略无法准确获取小目标的问题,新的策略使用自适应参数确定检测框。实验结果表明,提出的方法在视频数据中能够有效检测弱小目标,优于其它先进的目标检测方法。     

基于改进Fast MBD显著性检测和多特征融合匹配的靶纸区域快速检测算法

为了解决基于机器视觉的自动报靶系统快速、准确定位靶纸区域的问题,通过对靶纸图像的颜色和形状特性分析,提出一种基于改进Fast Minimum Barrier Distance显著性和多特征匹配的靶纸区域快速检测算法。该算法在原始Fast Minimum Barrier Distance显著区域提取算法的基础上,引入局部区域对比度先验和形状先验作为显著性区域提取的补充准则。同时,为了判断提取到的区域是否包含靶纸,再引入多特征匹配算法。首先,分别对图像边界连通先验、局部区域对比度先验和形状先验进行量化,形成距离图、对比度图和形状图,再结合三者分割出显著性目标区域,然后提取分割出的各目标区域的多种特征,并将其进行特征融合,最后利用1-范式将得到的目标特征与模板特征进行匹配,把匹配结果小于阈值的目标视为靶纸。在400张包含靶纸图像数据集上的实验结果显示了该算法的有效性。同时,在华为海思平台上,该算法处理速度能达到30帧/秒,足以证明该算法的实时性。     

基于修正PCNN的多传感器图像融合方法

多传感器图像融合技术作为信息融合的重要分支和研究热点,已广泛应用在机器视觉、医疗诊断、军事遥感等领域。为了更好地进行多传感器图像融合,将在图像分割、目标识别等领域具有独特优势的脉冲耦合神经网络(pulse coupled neural network,PCNN)引入到多传感器图像融合领域中来,提出了一种基于修正PCNN的多源图像融合方法,该方法在区域分割的基础上,先提取区域特征,然后由特征指导融合过程;同时,从目标区域相对于背景的显著性出发,提出了一种反映目标区域突出性的新特征,并针对传统PCNN参数无法自动设定的难题,提出了基于修正PCNN的参数自动设定方案。实验结果表明,该方法无论在主观视觉效果,还是客观评价参数上均优于基于多分辨分析的融合算法,且克服了传统像素级融合方法中融合图像模糊、对噪声敏感等不足,尤其适用于图像不能严格配准的应用场合。这对于拓宽PCNN的理论研究和实际应用具有一定价值。     

基于改进区域分割遥感图像的航天器目标自动识别方法

：传统的航天器目标自动识别方法识别精准度差,为了解决这一问题,基于改进区域分割遥感图像研究了一种新的航天器目标自动识别方法,通过人工排查的方式来追踪航天器所提供的位置信息,并建立三角形立体体系,提取出航天器所追踪的目标和航天器之间的位置关系,实现航天器目标检测,分别针对复杂场景和运动场景对目标进行识别,引用击穿识别方法,基于遗传算法以及变换算法,实现了在复杂的自然遥感图像中能够识别多种目标,但是对于残缺和不完整的目标识别性差,因此又在方法中引入了自动学习智能识别算法,解决了在遥感图像中残缺不完整的目标识别效果差的问题。设定对比实验,结果表明,相较于传统方法,基于改进区域分割遥感图像的航天器目标自动识别方法识别准确率提高了15.23%。     

水平集分割方法在合成孔径雷达图像目标识别中的应用

正确分割目标、提取目标的有效特征是合成孔径雷达图像目标识别中的一个关键问题。将水平集图像分割方法应用于合成孔径雷达图像目标识别,将目标图像中的目标区和阴影区从背景杂波中分割出来,其中目标区的形状作为目标的有效特征用于基于模板匹配的目标识别中。用MSTAR数据库中的3类目标的图像数据对该方法进行验证和分析,实验结果表明,在基于模板匹配的目标识别中,该分割方法可提取出有效的目标形状特征,实现目标的正确识别。      

基于几何特征的IC芯片字符分割与识别方法

针对IC芯片字符的分割与识别问题,提出了一种基于字符几何特征的分割方法和一种基于字符最小外接圆的归一化与重定位方法,使用基于像素差分的模板匹配完成识别。首先,对芯片图像进行直方图均衡化处理,并利用辅助圆进行中线定位和图像校正,定位得到ROI区域并进行均值二值化处理。随后,对二值化ROI图像进行字符分割,以字符的几何特征作为判断条件,从而完成了对缺陷字符的正确分割。之后,对单字符图像提取最大轮廓,利用其轮廓的最小外接圆进行字符的归一化与重定位。最后,对归一化的字符进行差分识别。通过采集4种芯片样本进行实验,结果表明,该方法能够实现芯片字符的准确分割,对于缺陷字符的分割准确率达90%;能够快速精准地识别芯片字符,单字符平均识别时间为4.6 ms,识别准确率达到99.4%。     

基于图割和模糊连接度的交互式舰船红外图像分割方法

针对舰船红外图像分割中的低对比度、边缘模糊和目标灰度不均匀问题, 提出了基于图割和模糊连接度的交互式图像分割方法. 交互方式为矩形笔刷, 选择目标和背景种子点. 分割方法为基于图割的图像分割方法, 引入模糊连接度来计算图割的似然能, 给出了模糊连接度权重的自动确定方法, 提出了基于直方图分解的高斯混合模型(Gaussian mixture model, GMM)成分个数和参数估计方法. 仿真结果表明, 新方法可实现各种复杂环境下舰船红外图像目标的有效分割.     

Visual object retrieval via block-based visual-pattern matching

This paper presents an object-based image retrieval using a method based on visual-pattern matching. A visual pattern is obtained by detecting the line edge from a square block using the moment-preserving edge detector. It is desirable and yet remains as a challenge for querying multimedia data by finding an object inside a target image. Given an object model, an added difficulty is that the object might be translated, rotated, and scaled inside a target image. Object segmentation and recognition is the primary step of computer vision for applying to image retrieval of higher-level image analysis. However, automatic segmentation and recognition of objects via object models is a difficult task without a priori knowledge about the shape of objects. Instead of segmentation and detailed object representation, the objective of this research is to develop and apply computer vision methods that explore the structure of an image object by visual-pattern detection to retrieve images from a database. A voting scheme based on generalized Hough transform is proposed to provide object search method, which is invariant to the translation, rotation, scaling of image data, and hence, invariant to orientation and position. Computer simulation results show that the proposed method gives good performance in terms of retrieval accuracy and robustness.     

基于特征匹配的集装箱识别与定位技术研究

集装箱识别与定位是实现港口自动化的关键技术之一。模板匹配是一种较常用的 图像识别方法,但传统的模板匹配算法仅基于像素的灰度信息进行对比匹配,当外部环境稍有 变化时,算法的鲁棒性会大幅下降,且存在匹配效率不高,适应性不强等问题。提出基于目标 颜色模板预定位与变步长图像块匹配分割相结合的算法,将具有形状不变性的特征向量作为集 装箱实时识别与定位的重要依据,实验结果显示该识别方法能有效提高图像分割效率,同时对 目标平移、旋转、尺度变化具有适应性。     

Closed-loop object recognition using reinforcement learning

Current computer vision systems whose basic methodology is open-loop or filter type typically use image segmentation followed by object recognition algorithms. These systems are not robust for most real-world applications. In contrast, the system presented here achieves robust performance by using reinforcement learning to induce a mapping from input images to corresponding segmentation parameters. This is accomplished by using the confidence level of model matching as a reinforcement signal for a team of learning automata to search for segmentation parameters during training. The use of the recognition algorithm as part of the evaluation function for image segmentation gives rise to significant improvement of the system performance by automatic generation of recognition strategies. The system is verified through experiments on sequences of indoor and outdoor color images with varying external conditions     

车牌自动识别方法中的关键技术研究

车辆牌照的自动识别是智能交通系统中一项很重要的技术。针对车牌识别的前期技术，即车牌定位、车牌图像的对比度判断和二值化、字符分割等技术进行了研究并提出了新的处理方法，实验结果表明提出的算法简洁、实时性好、处理正确率高，达到了实用的标准。     

基于改进神经网络的火车票号识别算法研究

为提高火车票识别精度和效率,将图像处理技术和BP神经网络结合,提出了一种基于图像处理和BP神经网络的火车票号识别算法.首先,通过图像预处理、目标区域的定位、二值化、倾斜校正和字符分割,提取火车票的身份证号码特征信息,建立特征信息库;之后,将特征信息库作为BP神经网络的输入,数字和字符类别作为BP神经网络的输出,建立BP神经网络的火车票号识别模型.研究结果表明,与模板匹配和SVM相比,提出的方法可以有效提高火车票号的识别精度和效率,识别精度高达97.7％,从而为火车票号识别提供新的方法.     

复杂背景下的人体热图像分割

复杂背景下,特别是在环境与人体温度相差不大的情况下,红外运动人体目标与背景的灰度值会非常相似,准确的红外人体分割是一个难题。对基于混合高斯模型的背景减除法进行改进,在二值化阶段采用改进型的脉冲耦合神经网络（PCNN）进行精细分割,利用多模态免疫进化算法（MIEA）自动确定PCNN分割参数。仿真实验结果表明,该算法图像分割精度高,实现了快速自动分割,取得了较为理想的图像分割效果。