视觉机器人对于快速道路检测问题的研究

针对复杂环境下视觉机器人道路检测算法的抗干扰性差、速度慢的缺点,为抑制噪声的干扰,提高算法的运行速度,提出了一种基于边缘和区域相结合的道路检测算法。算法先采用Canny算子求出图像的边缘,再根据道路的色彩信息进行自适应的区域分割,然后结合图像边缘信息和区域分割信息确定出道路的边界区域,最后对该区域的边缘图像进行Hough变换检测道路。实验结果表明,边缘提取的检测算法有效地提高了算法的抗噪性能和运行速度,具有更好的道路检测效果。     

一种面向设备系统指示灯的状态识别方法

针对设备系统的远程监控问题,为了减少视频监控数据的网络传输量以及达到智能监控的目的进行了相关技术探索,提出了一种利用计算机视觉来识别圆形指示灯状态以此获取相关监控信息的方法.方法首先对含有圆形指示灯的图像进行图像预处理,提取图像的边缘信息,检测圆形指示灯的数目及各个圆心位置,然后统计各个圆心区域像素点在HSI颜色空间的亮度和色调信息,最后利用统计值来识别指示灯的状态.采用Matlab对方法进行仿真实验,实验结果表明方法能够识别红绿圆形指示灯的状态,具有一定的工程应用价值.     

基于灰度形态学的烟叶图像边缘检测

烟叶图像的边缘提取是利用计算机进行烟叶检测与分级的关键步骤。为了能够在提取边缘的同时保留图像的边缘细节信息,该文针对CCD获取的烟叶原始图像,利用灰度形态学的算法,构造了全方位的结构元素进行边缘的提取。实验证明,基于灰度形态学腐蚀变换的边缘检测算法是有效的。     

基于似物性的快速视觉目标识别算法

针对视觉目标识别算法实时性较差的问题,基于似物性提出一种面向视觉目标识别的可变部件模型改进算法。该算法首先对图像进行二进制归一化的似物性检测,并利用检测结果形成视觉目标候选框;然后使用目标识别算法对候选区域进行似然判决,比滑动窗口法缩短了搜索时间;最后通过一个快速扩大-缩小算法对检测目标进行尺度修正,提高目标框的准确度。在PASCAL 图像库上的识别结果表明:该识别方法在准确率上优于当前主流的检测模型,计算耗时较级联DPM算法减少约50%。     

基于视觉动态模型的道路检测算法研究

道路的检测与识别是自主导航车辆视觉感知研究的重要问题之一。在阴影、光照不均匀、边缘信息模糊等情况下,道路的识别与环境的理解变得尤为困难。为了提高道路识别中抗干扰和鲁棒性能力,提出了一种基于视觉动态模型的道路检测算法。该算法利用计算机视觉方法对摄像机观测系统进行建模,引入了直线变形模型描述道路环境的几何结构。基于道路图像的连续性建立对车辆运动状态的动态预测模型,并利用粒子滤波算法对状态模型参数进行预测,以达到对道路边缘的跟踪。同时,引入了似然概率作为评价道路图像与结构模型的匹配程度。通过对大量实际路面的检测,证明了该方法的有效性和实用性。     

基于目标检测的铁路货车承载鞍错位故障识别

为精准识别铁路货车承载鞍错位状态，避免重大安全事故发生，提出一种基于目标检测的铁路货车承载鞍错位故障识别方法。采用基于掩模区域神经网络的小目标分割算法，分割铁路货车待检测图像，并提取目标感兴趣区域，经灰度化预处理感兴趣区域图像后，利用改进边缘检测算法提取承载鞍区域边缘轮廓信息，通过直线段检测算法提取承载鞍边缘直线特征，依据边缘直线斜率及中心线的相对位置判定承载鞍错位情况。实验结果证明，所提方法能够精准分割出承载鞍区域，分割准确率高达97.5%；错位识别相似系数高，识别假阳性、假阴性率表现均衡且较小，故障识别结果与标准结果最接近。     

基于模糊边缘检测算法的车牌定位

车牌定位是自动车牌识别系统的一个关键步骤,车牌定位结果直接影响对车牌的最终识别效果。因此为了保证实际应用中车牌的识别准确率,文中提出了一种新的车牌定位算法,该算法利用一种改进的快速模糊边缘检测算法来进行车牌图像的边缘检测,得到整个原车牌图像的边缘图像,然后基于边缘图像的丰富的边缘信息设计一个高效、准确的车牌区域定位算法,检测出车牌区域。实验结果表明:算法定位速度较快、准确度较高,具有良好的应用前景。     

综合颜色和形状的圆形交通标志检测方法

快速、可靠的交通标志检测是对其进行准确识别的前提,以颜色分割为基础,提出了一种基于曲线拟合的圆形交通标志检测算法。首先利用交通标志的颜色特征预分割出潜在的交通标志区域,然后针对圆形交通标志轮廓具有圆形这一关键特征,通过边缘检测并采用非线性最小二乘技术准确的确定出图像中的圆形交通标志区域。实验结果表明了算法的有效性。     

基于空间复杂度掩盖的边缘检测算法

通常边缘检测算法仅仅考虑到图像本身信息,而未考虑人眼对规则图像的感知能力比对非规则图像更强。结合人眼的视觉特性,本文提出了一种基于空间复杂度掩盖的边缘检测算法。给出了一种空间复杂度的测度以及双门限机制,利用图像空间复杂度来体现图像的规则程度,并根据图像的纹理信息矫正图像的梯度方向,确定边缘宽度,准确定位空间复杂度的计算区域。实验结果表明,本文提出的算法可以有效地检测规则图像的边缘,抑制复杂纹理区域的边缘。因此,该算法更符合人眼的视觉特性,有利于复杂情况中信息的提取。     

基于模糊边缘检测算法的车牌定位

车牌定位是自动车牌识别系统的一个关键步骤，车牌定位结果直接影响对车牌的最终识别效果。因此为了保证实际应用中车牌的识别准确率，文中提出了一种新的车牌定位算法，该算法利用一种改进的快速模糊边缘检测算法来进行车牌图像的边缘检测，得到整个原车牌图像的边缘图像，然后基于边缘图像的丰富的边缘信息设计一个高效、准确的车牌区域定位算法，检测出车牌区域。实验结果表明：算法定位速度较快、准确度较高，具有良好的应用前景。     

图像边缘检测综述

边缘检测的任务是将亮度变化明显的像素点识别为目标边缘,是计算机视觉低层级问题,并且边缘检测在对象识别和检测、对象提议生成、图像分割有着重要应用。如今,边缘检测已经产生了多类方法,如基于梯度的传统检测方法、基于深度学习的边缘检测算法,还有结合新兴技术的检测方法等。对这些方法进行更精细的分类,让研究者更清楚地了解边缘检测的发展趋势。对传统边缘检测的理论依据及实现方法做出介绍;详细介绍近年来主要的深度学习边缘检测方法,根据使用的方法进行分类,并对其中所使用的创新技术进行说明,如分支结构、特征融合和损失函数。衡量算法性能采用评估指标：单图最佳阈值（ODS）和帧数（FPS）,在基础数据集（BSDS500）上进行对比。对边缘检测的研究现状进行分析和总结,对未来可能的研究方向进行展望。     

机器学习图像分类程序的蜕变测试框架

机器学习在计算机视觉、语音识别和自然语言处理等实际应用中已经取得了显著的成功。图像分类作为计算机视觉的一个主要分支。不久的将来,许多的图像分类程序会以机器学习的方式呈现。然而,由于机器学习图像分类程序的测试面临着测试预言难题,这使得在测试的过程中将需要大量的人力及物力。为了缓解测试预言难题,使用了蜕变测试技术。为了规范测试流程、提高测试效率,提出了一种适用于机器学习图像分类程序的蜕变测试框架。并且通过测试基于SVM和VGGNet图像分类程序,验证了该测试框架的合理性和有效性。     

融合STN和DenseNet的深度学习网络及其应用

图像识别是计算机视觉的重要分支之一，具有重要的理论和实践意义。近年来，以深度卷积神经网络为代表的图像分类方法被成功地应用到各个领域。针对神经网络对输入数据敏感、训练时间长等问题，结合空间映射网络（Spatial Transform Network，STN）和密集神经网络（Dense Neural Network，DenseNet）两者的特性，提出一种新型网络结构ST-DenseNet。该网络能够对输入图片作不变性归一化处理，解决数据敏感问题的同时提高图像识别效果。在树种叶片公开数据集Leafsnap上实现了90.43%的识别准确率、87.75%的召回率和89.07%的F-Measure的实验结果，模型ST-DenseNet明显优于其他网络模型。     

自适应Gabor卷积核编码网络的表情识别方法

人脸表情识别是计算机视觉领域研究的热点之一。针对传统Gabor网络提取表情图像高维特征识别率不高、泛化性不强的问题,结合卷积神经网络学习局部特征的优点,提出多通道、图像分块、优化Gabor卷积核参数的方法实现表情图像卷积,对提取的表情自适应特征进行分析,首先进行通道内降维,然后采用自动编码器理论解决高维特征降维和多通道特征融合的问题。因为传统支持向量机（Support Vector Machine,SVM）对多分类问题不敏感,所以采用遗传算法优化出最大间隔分类面,进而得到适应度较高的分类器参数。对设计的GaAeS-net（Gabor Autoencoder Support Vector Machine Convolution Network）网络分别在CK+、JAFFE、FER2013、CHD2018等数据库上进行实验,并与现有模型进行对比,最高识别率可达到99.34%,从而证明GaAeS-net模型具备良好的识别率和泛化性。     

基于肤色和类Harr特征的人脸图像的人眼检测

人眼检测在表情识别和计算机视觉领域得到了广泛的关注和研究,但是在多数的人眼检测方法中,对于背景较复杂的图像,识别率急速下降,误检率急剧上升。经过研究,使用椭圆肤色模型预处理图像,分割出肤色区域和非肤色区域,检测算法只对肤色区域进行人眼检测,有效降低了复杂背景造成的高误检率。同时特征选取是决定检测算法识别率和误检率等性能标准的关键因素,选取类Harr特征训练Adaboost级联分类器,实验表明了类Harr特征的有效性。     

一种基于视频流的快速人脸检测算法

人脸检测广泛用于计算机视觉和模式识别领域。结合肤色检测和镶嵌图方法,提出一种对视频流中人脸进行快速检测的算法。该方法首先根据肤色信息和人脸的几何规则初步得到可能的人脸区,然后在候选区中利用改进的镶嵌图方法准确定位人脸。实验表明,该方法能快速而且准确地在视频流中进行人脸检测。     

基于Xception网络的弱监督细粒度图像分类

随着深度学习的快速发展,计算机视觉领域对图像的分类研究不仅仅局限于识别出物体的类别,更需要在传统图像分类任务的基础上进行更细致的类别划分.通过对现有细粒度图像分类算法和模型的分析研究,提出一种基于Xception模型与WSDAN(weakly supervised data augmentation network)弱...     

SIFT和改进的RANSAC算法在图像配准中的应用

在机器人视觉系统中运用SIFT描述子对现实世界中的目标进行识别,这一研究已经取得了很大的进步。运用SIFT生成的图像特征向量的性能十分稳定,对旋转、缩放、平移是保持不变性的,对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法,在标准的RANSAC算法基础上加入了假设评价,改进为R-RANSAC（The Randomized RANSAC）算法。对这两个方面进行论述,运用SIFT（尺度不变特征变换）算法对双目机器人的两幅视觉图像进行匹配,采用带SPRT的R-RANSAC改进算法对匹配过程进行优化,尽可能在短的时间里完成匹配矫正,进而加速整个配准的时间。     

干旱区植物叶片识别研究

现有植物叶片识别方法都是基于扁平状叶片，而干旱区植物叶片多呈针叶，因此不适合干旱区植物叶片的识别，使得对于干旱区植物研究主要依靠专家识别，不利于对干旱区植物叶片的进一步研究。提出使用差异性值监督局部线性嵌入算法D-LLE，充分挖掘样本之间的类别信息，提高干旱区植物叶片的识别效率。首先利用金字塔梯度方向直方图（PHOG）的方法提取叶片图像特征，再使用PCA、LLE、WLLE、D-LLE等主流的降维算法，对提取的PHOG特征进行降维，最后建立支持向量机（SVM）的分类模型对植物叶片图像分类。经过这四种降维算法后的平均识别率分别为76.3%、85.3%、89.1%、95.5% ；骆驼刺、苦豆子和沙枣的叶片正确识别率，相对其他植物叶片较低。通过实验证明了PHOG特征在植物叶片特征提取的可行性，使用D-LLE算法相比传统特征降维的算法具有更高的效率，且较适合于干旱区植物叶片的自动识别分类。     

基于PCA和SVM算法的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主成分分析（PCA）是人脸图像特征提取的一个重要算法。而支持向量机（SVM）有适合处理小样本问题、高维数及泛化性能强等多方面的优点。文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别。通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义。