基于统计模型和GVF-Snake的彩色目标检测与跟踪

为了能使传统监视系统具备目标自动检测与跟踪能力,提出了一种基于统计模型和GVF（gradient vectorflow）-Snake的彩色目标检测与跟踪算法.该算法可用于解决在静态背景下通过彩色视频信息来对运动目标进行自动检测与跟踪的问题,同时可直接给出目标轮廓的数学表示,并可简化后续目标识别算法的设计.该算法首先采用归一化RGB空间与灰度空间相结合的模型取代单一灰度模型来消除阴影对目标检测的影响;接着在此模型的基础上对差分图像进行GMM（Gaussian mixture model）建模,并构造运动边界图像,然后将静态图像轮廓提取算法GVF-Snake引入运动图像中,并通过修改能量项,使其能够跟踪运动目标的轮廓,最后针对Snake初始轮廓需要手工设定的问题,提出一种根据目标区域自动初始化轮廓的方法,为加快GVF-Snake的收敛速度,还采用一阶差分算法来预测下一时刻目标轮廓的位置.实验结果证明,该算法对刚性和非刚性两类目标都有较好的跟踪效果,可应用于智能监视和交通监控等领域.     

缺陷检测的稀疏表示模型及应用

基于缺陷检测应用中图像的稀疏特性,提出了缺陷图像的稀疏表示模型以及基于稀疏性的缺陷分解算法.在该模型中,缺陷图像表示为图像背景、缺陷目标和噪声3种成分的叠加,并且图像背景和缺陷目标可以分别由对应的冗余字典稀疏表示;然后借鉴盲源分离原理和块协调松弛方法,实现缺陷目标成分的有效分解;最后,在钢轨表面擦伤检测应用中验证了该算法的性能.     

自适应融合局部和全局稀疏表示的图像显著性检测

针对基于局部或全局稀疏表示的图像显著性检测方法频繁出现提取对象不完整、边界不光滑及噪声消除不干净等问题,提出自适应融合局部和全局稀疏表示的图像显著性检测方法。首先,对原始图像进行分块处理,利用图像块代替像素操作,降低算法复杂度;其次,对分块后的图像进行局部稀疏表示,即：针对每一个图像块,选取其周围的若干图像块生成过完备字典,基于该字典对图像块进行稀疏重构,得到原始图像的初始局部显著图,该显著图能够有效提取显著性目标的边缘信息;接着,对分块后的图像进行全局稀疏表示,与局部稀疏表示过程类似,不同的是针对每一个图像块所生成的字典来源于图像四周边界处的图像块,这样可以得到能有效检测出显著性目标内部区域的初始全局显著图;最后,将初始局部和全局显著图进行自适应融合,生成最终显著图。实验结果表明,提出算法在查准率（precision）、查全率（recall）及F-measure等指标上优于几种经典的图像显著性检测方法。     

基于结构相似保真的图像稀疏表示模型

过完备图像稀疏表示是一种最新的图像表示模型,采用过完备字典中原子的线性组合形式实现图像的稀疏表示.传统的过完备图像稀疏表示模型采用重建误差的平方和作为保真项.该保真项没有充分考虑到人眼对图像的感知特性,无法度量图像中边缘、轮廓、纹理等局部几何结构的变化.本文基于过完备稀疏表示理论思想,建立了新的稀疏性正则化的图像稀疏表示模型.模型中的正则项约束图像表示系数的稀疏性,保真项采用更符合视觉感知的结构相似性度量.基于正交匹配追踪算法,提出了基于结构相似度的正交匹配追踪算法.实验结果表示,新的模型能够更好地重构图像的结构信息,获得更好的重建视觉效果.     

基于局部特征和稀疏表示的图像目标检测算法

传统的基于局部特征的图像目标检测算法具有对遮挡和旋转敏感、检测精度不高以及运算速度慢的特点,为了改进该算法的性能,提出了一种将图像局部特征应用于稀疏表示理论的图像目标检测算法。该算法利用随机树的方式有监督地学习样本图像的局部特征形成字典,通过学习好的字典和测试图像的子块来预测图像中目标的中心位置,以此寻求待检测图像稀疏的表示,从而实现对图像中感兴趣目标的检测。实验结果表明,该算法对目标的遮挡、旋转和复杂背景有很好的鲁棒性,而且检测精度和运算速度相对于同类经典算法均有提高。     

基于稀疏表示的可变形部件模型目标检测

基于可变形部件模型DPM的目标检测算法采用方向梯度直方图HOG进行特征表示,由于HOG无法处理模糊的边界而且忽略了平滑的特征区域,从而影响了DPM算法的性能。为了提高DPM的性能,提出了一种基于稀疏表示的可变形部件模型目标检测的方法。该方法利用稀疏编码构建一种新的特征描述子来取代原可变形部件所使用的方向梯度直方图,新的特征描述子能够描述物体更多的信息,对图像中的噪声不敏感。实验结果表明,该方法在PASCAL VOC 2012数据集上提高了原可变形部件模型算法的精度。     

Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法

目的 红外弱小目标检测是红外图像处理领域中难度大且实际意义相当重要的一项研究热点问题,其在侦察预警系统、飞行器跟踪系统与导弹制导系统中都扮演了十分重要的角色。自然背景下的红外图像一般具有较低信噪比,其中背景占据着绝大部分面积,而目标尺寸很小且不具有明显形状和纹理信息,这为红外图像中弱小目标的检测增加了难度。本文提出一种将Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法。方法 首先利用Facet模型提取原红外图像在0°、90°、45°和-45° 4个方向上的一阶导数特征,然后通过稀疏表示方法,在方向导数信息基础上对图像进行分块逐一处理,利用求解出的稀疏系数和导数图像块的重建残差构建检测数值图,最后分割出小目标所在具体位置。结果 通过对4组不同红外图像序列进行实验验证,绘制了检测率与虚警率ROC曲线图。从结果可以看出,本文算法相较于对比算法在小目标检测中具有较高检测率。结论 本文算法将Facet方向导数特征与稀疏表示相结合,在红外弱小目标检测上具有较高检测精度和较强抗噪声干扰能力,相比于传统检测算法具有一定优势,同时可根据不同检测背景训练出相应背景字典,从而得到较好检测效果,在实际工程应用中具有良好针对性。     

王 升1，谢 立1*，刘 军2

针对传统Snake模型在图像目标检测和分割时不能处理拓扑变化以及不能反映出演化曲线的内在几何特性,提出了一种改进模型——基于水平集的测地主动轮廓模型。该模型采用测地主动轮廓模型,并结合水平集方法,即用水平集函数表示测地主动轮廓模型的曲线演化方程,来模拟初始曲线沿能量下降最快的方向演化的过程。对该模型进行研究,将其应用于细胞图像的目标检测和分割实验中,实验结果表明,所提出的新方法具有良好的检测效果,对多目标进行了有效分割,并且能清晰反映出演化曲线的内在几何特性以及具有良好的拓扑处理能力,这些特性是传统Snake模型所不具有的。     

融合目标增强与稀疏重构的显著性检测

目的 为了解决图像显著性检测中存在的边界模糊,检测准确度不够的问题,提出一种基于目标增强引导和稀疏重构的显著检测算法（OESR）。方法 基于超像素,首先从前景角度计算超像素的中心加权颜色空间分布图,作为前景显著图;由图像边界的超像素构建背景模板并对模板进行预处理,以优化后的背景模板作为稀疏表示的字典,计算稀疏重构误差,并利用误差传播方式进行重构误差的校正,得到背景差异图;最后,利用快速目标检测方法获取一定数量的建议窗口,由窗口的对象性得分计算目标增强系数,以此来引导两种显著图的融合,得到最终显著检测结果。结果 实验在公开数据集上与其他12种流行算法进行比较,所提算法对具有不同背景复杂度的图像能够较准确的检测出显著区域,对显著对象的提取也较为完整,并且在评价指标检测上与其他算法相比,在MSRA10k数据集上平均召回率提高4.1%,在VOC2007数据集上,平均召回率和F检验分别提高18.5%和3.1%。结论 本文提出一种新的显著检测方法,分别利用颜色分布与对比度方法构建显著图,并且在显著图融合时采用一种目标增强系数,提高了显著图的准确性。实验结果表明,本文算法能够检测出更符合视觉特性的显著区域,显著区域更加准确,适用于自然图像的显著性目标检测、目标分割或基于显著性分析的图像标注。     

基于欧氏距离图的图像边缘检测

图像边缘检测技术直接影响以目标识别为目的的后续图像处理操作,有效地提取出图像中所携带的目标信息是图像边缘检测的主要目的.为了实现目标轮廓的有效提取,提出一种基于欧氏距离图的图像边缘检测算法.该方法计算图像内像素点之间的欧氏距离,得到图像的距离图,距离图很好地描述了图中景物的外部轮廓;对距离图进行改进的Canny算子边缘检测,可以有效地得到图中物体的轮廓.与一般的边缘检测算法相比,本文算法能够抑制过于细小和琐碎的细节,并能够准确地提取目标的整体轮廓信息,为后续目标识别奠定了良好基础.     

一种鲁棒高效的视频运动目标检测与跟踪算法

提出了一种视频运动目标的快速检测和稳定跟踪算法. 目标检测使用减背景法, 用均值法构造背景图像, 提出一种基于熵能和广义高斯分布的局部自适应阈值选取算法, 可有效克服噪声的影响. 采用基于特征匹配的目标跟踪方法, 提出一种LICS (Logarithm illuminance contrast statistic)特征, 该特征能够更加充分有效地表征目标, 可在光照和目标姿态变化的情况下实现刚体目标的稳定跟踪. 使用Kalman滤波限制搜索匹配范围以减小计算量. 用目标子区域匹配的方法解决目标相互遮挡时的跟踪问题. 实验结果表明, 该算法在运动目标检测效果、跟踪稳定性和运行时间方面都有良好的性能.     

跨模态交互融合与全局感知的RGB-D显著性目标检测

近年来, RGB-D显著性检测方法凭借深度图中丰富的几何结构和空间位置信息, 取得了比RGB显著性检测模型更好的性能, 受到学术界的高度关注. 然而, 现有的RGB-D检测模型仍面临着持续提升检测性能的需求. 最近兴起的Transformer擅长建模全局信息, 而卷积神经网络(CNN)擅长提取局部细节. 因此, 如何有效结合CNN和Transformer两者的优势, 挖掘全局和局部信息, 将有助于提升显著性目标检测的精度. 为此, 提出一种基于跨模态交互融合与全局感知的RGB-D显著性目标检测方法, 通过将Transformer网络嵌入U-Net中, 从而将全局注意力机制与局部卷积结合在一起, 能够更好地对特征进行提取. 首先借助U-Net编码-解码结构, 高效地提取多层次互补特征并逐级解码生成显著特征图. 然后, 使用Transformer模块学习高级特征间的全局依赖关系增强特征表示, 并针对输入采用渐进上采样融合策略以减少噪声信息的引入. 其次, 为了减轻低质量深度图带来的负面影响, 设计一个跨模态交互融合模块以实现跨模态特征融合. 最后, 5个基准数据集上的实验结果表明, 所提算法与其他最新的算法相比具有显著优势.     

Real-time tracking of multiple objects in space-variant vision based on magnocellular visual pathway

In this paper, we propose a space-variant image representation model based on properties of magnocellular visual pathway, which perform motion analysis, in human retina. Then, we present an algorithm for the tracking of multiple objects in the proposed space-variant model. The proposed space-variant model has two effective image representations for object recognition and motion analysis, respectively. Each image representation is based on properties of two types of ganglion cell, which are the beginning of two basic visual pathways; one is parvocellular and the other is magnocellular. Through this model, we can get the efficient data reduction capability with no great loss of important information. And, the proposed multiple objects tracking method is restricted in space-variant image. Typically, an object-tracking algorithm consists of several processes such as detection, prediction, matching, and updating. In particular, the matching process plays an important role in multiple objects tracking. In traditional vision, the matching process is simple when the target objects are rigid. In space-variant vision, however, it is very complicated although the target is rigid, because there may be deformation of an object region in the space-variant coordinate system when the target moves to another position. Therefore, we propose a deformation formula in order to solve the matching problem in space-variant vision. By solving this problem, we can efficiently implement multiple objects tracking in space-variant vision.     

基于视觉注意机制的目标跟踪方法

提出一种基于视觉注意机制的运动目标跟踪方法。该方法借鉴人类的视觉注意机制的研究成果,建立视觉注意机制的计算模型,计算视频中各部分内容的视觉显著性。结合视觉显著性计算结果,提取视频图像中的显著性目标。利用颜色分布模型作为目标的特征表示模型,与视频中各显著目标进行特征匹配,实现目标的跟踪。在多个视频序列中进行实验,并给出相应的实验结果及分析。实验结果表明,提出的目标检测与跟踪算法是正确有效的。     

Learning to detect objects in images via a sparse, part-based representation

We study the problem of detecting objects in still, gray-scale images. Our primary focus is the development of a learning-based approach to the problem that makes use of a sparse, part-based representation. A vocabulary of distinctive object parts is automatically constructed from a set of sample images of the object class of interest; images are then represented using parts from this vocabulary, together with spatial relations observed among the parts. Based on this representation, a learning algorithm is used to automatically learn to detect instances of the object class in new images. The approach can be applied to any object with distinguishable parts in a relatively fixed spatial configuration; it is evaluated here on difficult sets of real-world images containing side views of cars, and is seen to successfully detect objects in varying conditions amidst background clutter and mild occlusion. In evaluating object detection approaches, several important methodological issues arise that have not been satisfactorily addressed in the previous work. A secondary focus of this paper is to highlight these issues, and to develop rigorous evaluation standards for the object detection problem. A critical evaluation of our approach under the proposed standards is presented.     

显著性物体检测研究综述

人类的视觉系统能够迅速地、有选择地从视觉场景中检测出感兴趣的目标或者具有显著特征的物体,并根据更高层次的视觉任务目的对它们进行处理和理解,从而实现相应的行为或决策.将人类这种选择性视觉注意机制引入到计算机视觉的信息处理中,可以有效地减少视觉计算所需处理的数据量、加速整个处理过程,并进一步方便更高层次视觉任务的处理,因而...     

基于盲稀疏度匹配追踪的协同频谱检测

针对认知用户接收的未知稀疏度信号,提出一种基于盲稀疏度匹配追踪的协同频谱检测算法。该算法自动调节候选集原子的数量后,在迭代过程中采用阶段转换得到稀疏度,并利用回退机制获得全局最优支撑集,同时通过SNR估计选择最优协作用户进行联合检测,从而实现频谱的快速检测。实验结果表明,在相同条件下,该算法的检测效果优于同类算法,检测率比无选择对象的协作检测方法提高 约25%。