基于数学形态学的图像边缘处理

提出了一种基于数学形态学的边缘提取方法。该方法先对图像进行颜色预处理,再利用数学形态学对图象进行形态学梯度变换,最后通过基于统计学的边缘提取方法进行边缘提取。该方法消除了由于照明而引起的目标物体的阴影边缘,并且直接提取出目标物体的边缘轮廓,对背景噪声有很好的抑制作用。与常用的边缘检测算子相比,该方法能更有效、准确、完整地提取出目标物体的边缘,明显优于传统的边缘检测算子。     

基于边缘几何不变性的特征提取算法研究

针对异源图像中可见光与红外图像特征提取算法进行研究,提出了一种基于边缘几何不变性特征的提取算法。采用空域滤波及灰度处理的方法对背景噪声进行处理,使用C anny算子提取目标的边缘,利用二值形态学中腐蚀与膨胀两种基本运算对边缘细化填充。利用圆形模板匹配的方法提取边缘特征点,通过对有效特征点的筛选与组合形成不同的三角形区域特征,并计算这些三角形区域的几何特性。仿真实验结果表明,该方法可以有效提取异源图像的共有特征。     

一种视频序列图像中运动目标的分割算法

提出了一种新的用于检测视频序列图像中运动目标的算法。该算法通过对差帧图像进行模板检测及形态学滤波,并结合Canny算子边缘检测获得运动目标的分割掩模,提取出运动目标。实验结果表明,该方法能够有效分割运动物体,具有较强的鲁棒性。     

序列图像的目标识别算法改进

提出一种改进的动态模板匹配算法,将仿射不变矩作为提取目标时的不变特征,同时采用一种改进的canny算法对目标进行边缘检测,以去除伪边缘,利用长方形模板代替方形模板,提高算法的实时性。实验结果表明,该算法的识别率高于传统动态模板匹配算法,同时可以有效降低计算量。     

序列图像的目标识别算法改进

提出一种改进的动态模板匹配算法,将仿射不变矩作为提取目标时的不变特征,同时采用一种改进的canny算法对目标进行边缘检测,以去除伪边缘,利用长方形模板代替方形模板,提高算法的实时性。实验结果表明,该算法的识别率高于传统动态模板匹配算法,同时可以有效降低计算量。     

复合型数学形态学医学图像边缘提取

医学图像边缘提取是医学图像处理中一项非常重要的工作和预处理步骤,边缘提取的质量决定了图像的最终处理结果。一般说来,人们习惯于用基于梯度和基于模板的算子提取边缘,但这类算子都不能很好地滤除噪声,因而给噪声图像边缘提取带来了困难。论文在阐述了数学形态学一般原理与方法的基础上,提出了一种新的复合型数学形态学医学图像边缘提取算法。实验结果表明该算法对噪声医学图像边缘的提取效果好,它不仅能成功地提取目标图像边缘,而且能很好地滤除噪声。     

基于动态结构元的药柱表面图像边缘检测

以某产品药柱表面图像边缘检测为例,提出了一种基于动态形态学结构元和SUSAN算子相结合的图像边缘检测算法.该算法采用动态形态学结构元得到梯度图像,根据梯度图像利用SUSAN算子进行边缘检测.采用动态形态学结构元得到的梯度图像服从统一分布,有利于边缘提取,克服了采用固定形态学结构元不能适应不同的梯度图像的不足.通过与so.bel和固定形态学结构元的边缘检测算子进行对比实验,实验结果表明,该方法具有较好的边缘提取能力,抗噪性能好,对药柱表面图像处理具有很好的实际应用价值.     

结合无下采样Shearlet变换和改进尺度积的边缘提取

为了解决遥感图像边缘提取中的伪边缘现象,提出了一种基于无下采样Shearlet变换模极大值和改进数学形态学的边缘提取算法。首先,通过无下采样Shearlet变换对目标遥感图像提取高频分量和低频分量;针对小尺度边缘系数受噪声影响过大,对相邻2个尺度较大的高频系数进行改进,得到尺度多方向的高频系数。然后,采用非模极大值抑制方法对高频系数进行处理,提取高频分量的目标边缘;采用改进的数学形态学方法对低频分量进行处理提取低频目标边缘。最后,将高低频边缘提取结果加权融合,并使用区域连通法去除孤立噪声点,得到最终边缘提取结果。实验表明,与Canny算法、基于NSCT模极大值+Canny算法、基于NSCT模极大值+数字形态学3种算法相比,该算法提取的目标边缘轮廓不仅完整清晰,连续性好,还具有较强的抗噪性。     

改进的数学形态学图像边缘提取算法研究

研究图像边缘优化提取问题。由于图像在进行边缘提取过程中,容易受到外界信息的干扰,特别是当受到噪声等因素影响时,造成图像边缘提取困难。为此提出了一种新的采用两层数学形态学增强操作提取图像边缘的技术。首先将利用形态学对灰度图像进行增强,并以为基础利用形态学的膨胀操作单独对边缘进行增强,然后将图像切分成小块,针对不同的小块来区分边缘与非边缘;最终经过模板滤波,获得清晰的边缘结果图像。仿真结果表明,改进的算法快速有效,在提取完整的边缘的同时,能够有效的抑制噪声和背景因素对边缘的干扰,并优于其他传统边缘提取方法。     

动态权重层次卷积特征自适应目标追踪算法

为改进追踪算法在目标快速运动或被遮挡等情况下的性能,对目标追踪中普遍采用的相关滤波算法框架进行了研究,基于核相关滤波器(KCF)提出一种层次化提取卷积神经网络特征并自适应赋予动态权重的目标追踪算法.通过提取不同层次卷积神经网络特征,分别经过相关滤波器学习得到不同的KCF模板,结合特征层次和各滤波器稳定度、准确度赋予动态权重,以融合3个模板确定最终目标位置.实验采用OTB标准数据库,测试了新算法在遮挡、运动模糊、快速运动等干扰项下的整体性能,结果表明所提算法在整体上提高了追踪的性能及精度,可以灵活适应不同特征的场景,并且相较于经典KCF平均精确度提高了35.4%,平均成功率提高了33.6%.     

基于深度特征与局部约束掩膜的相关滤波跟踪算法

为提升相关滤波算法在目标遮挡、快速运动以及背景杂乱等情况下跟踪结果的精确度和鲁棒性,提出了一种基于深度特征与局部约束掩膜(Local constrained mask, LCM)的相关滤波跟踪算法。在鉴别性相关滤波跟踪算法的基础上,利用学习得到的二值矩阵作为LCM对滤波器的能量分布进行裁剪,对模板边缘与测试图像之间产生的响应值进行抑制,实现扩大目标搜索区域的同时降低边界效应对跟踪结果的影响;将深度特征引入到特征提取过程中,通过对目标样本进行旋转、翻折和高斯模糊等处理,扩充训练样本数量,使模板学习到更为丰富的目标信息。与主流算法进行对比实验,验证了本文算法在处理目标遮挡、背景嘈杂以及光照变化等干扰时的鲁棒性。     

基于二值掩码图像的粒子滤波目标跟踪快速算法

粒子滤波算法是进行运动目标跟踪的一种重要方法。针对传统粒子滤波算法在进行目标跟踪时存在的计算量大、实时性不足的问题,提出一种基于二值掩码图像的粒子滤波目标跟踪快速算法。该算法在传统粒子滤波算法的每个帧处理阶段产生二值掩码图像,再结合权重选择方法移除背景中权重较小的粒子,保留权重较大的重要粒子。提出的算法可以有效减少参与计算的粒子数目,节约算法的计算成本,从而提高目标跟踪的实时性。与传统粒子滤波算法进行比较,实验结果表明,提出的算法不仅能够有效地提高跟踪速度,而且跟踪结果的准确性和鲁棒性也有所增强。     

短程线主动轮廓跟踪算法的研究--在复杂背景和非刚性运动目标跟踪中的应用

在复杂背景下对多个非刚性目标进行跟踪是计算机视觉中的一个难点。在短程线主动轮廓模型的基础上，利用力场正则化方法，并加入运动边缘信息，提出了一种在复杂背景下多个非刚性目标进行跟踪的方法。该方法由运动检测和跟踪两部分组成：运动检测利用运动边缘信息对运动目标的运动做出检测，让轮廓曲线运动到目标轮廓附近；跟踪利用当前帧中的静态边缘信息对运动检测的结果加以修正，而跟踪这一步引入的偏差将在下一帧的运动检测中得到修正。实验表明该方法能够有效地在复杂背景中对多个非刚性运动目标进行跟踪。     

视频序列中面向人的多目标跟踪算法

针对视频序列中人的跟踪问题,提出一种基于运动检测的多目标跟踪算法．跟踪系统由运动目标检测、关联矩阵建立、特殊情况判断及处理以及轨迹关联4部分构成．提出一种基于改进的c-均值聚类的自适应运动分割方法;不同情况下建立不同的关联矩阵,以准确判断实际场景状况;对遮挡问题作出处理,在两个目标遮挡不严重的情况下,分别采用均值漂移算法对其进行跟踪．实验结果表明,该算法具有较强的鲁棒性,能有效实现复杂场景下多目标跟踪．     

利用区域变形和背景更新实现运动对象跟踪

从时域统计的角度出发,提出了一种结合自适应混合背景更新模型的区域变形跟踪算法．该算法以模型更新得到的前景／背景二值分割掩膜作为区域特征,将跟踪问题抽象为一个水平集(Level Set)偏微分方程的数值求解问题,并分析了算法的自适应性．为了进一步提高算法的实现效率,引入了窄带跟踪方案．实验表明,该算法可以对视频序列中的指定运动对象进行快速精确的跟踪。     

采用多边形位置校正的时空正则化相关滤波跟踪

针对时空正则化相关滤波跟踪算法在背景混乱、光照变化等挑战场景下跟踪结果与正确目标位置总是存在偏离的问题,提出了采用多边形位置校正的时空正则化相关滤波跟踪算法,以提高跟踪结果的准确性和鲁棒性.该算法采用峰值噪声比对当前跟踪结果的置信度进行判别,对置信度判别结果为不可信的情况采用多边形位置校正方法对当前跟踪结果进行修正.实验表明,该算法在成功率曲线下面积和精度两种评价标准下都有较大的提升,尤其是在背景混乱和光照变化场景下都具有更好的跟踪效果,具有一定的应用价值.     

基于局部模型匹配的目标轮廓跟踪

在复杂背景下,传统轮廓跟踪方法会发生漂移,甚至丢失目标。针对上述问题,提出一种基于局部模型匹配（LMM）的目标轮廓跟踪算法。利用超像素技术结合EMD相似性度量构建局部特征模型,从而进行局部模型匹配。结合粒子滤波的Snake模型作提取目标轮廓,实现目标轮廓精确跟踪。实验结果表明,该算法在目标形变、部分遮挡、复杂背景等条件下均具有较高的跟踪成功率。与多种目标轮廓跟踪算法进行对比,该算法具有较高的准确性和鲁棒性。     

基于OpenCV的视频运动目标检测与跟踪

针对视频文件中运动目标检测与跟踪这一问题,提出一种先检测后跟踪的方法.首先利用平均背景法完成对背景模型的更新,从而检测出运动目标,在此基础上利用投影法来投影出运动目标的大小,最后再利用MeanShift算法对运动目标进行跟踪.在跟踪过程中,通过OpenCV编写程序实现对运动目标的检测与跟踪.实验验证,该方法在实现运动目标的精确检测与跟踪的基础上,减少了运算量,提高了跟踪的速度.     

空-频域联合投票的交通视频阴影去除方法

交通场景中的静止或运动阴影往往会降低车辆目标跟踪的精度,因此有效地去除阴影是交通监控视频处理的重要环节之一。然而,目前尚无一种能够同时发掘阴影的空间域和频率域特性且抵抗静止和运动阴影干扰的阴影去除方法。为此,提出了一种基于空-频域联合投票策略的交通视频阴影去除方法。首先,将视频帧从RGB颜色空间转换到HSV颜色空间,再进行非下采样剪切波变换;其次,假设变换系数服从高斯分布,采用变换系数的均值和标准差计算每个尺度的加权掩码;然后,根据多尺度变换系数的零树分布特性,利用粗尺度的加权掩码校正细尺度的加权掩码,将各个尺度、各个颜色通道的加权掩码进行线性组合后得到一个公共掩码,再采用基于最小二乘法拟合的最大熵方法计算自适应分割阈值,对公共掩码进行二值化;最后,联合频率域加权掩码、S通道和V通道的掩码进行投票,进而确定去除阴影后的运动车辆区域。实验结果表明,该算法可有效去除交通监控视频中的静态/运动阴影,抑制阴影的干扰,将传统Meanshift算法的输出车辆轨迹与真实轨迹间的平均欧氏距离缩小95%,且未出现目标丢失的现象,增强了智能分析算法的鲁棒性。研究结果说明,该算法有效联合交通监控视频的空间域和频率域表示,充分发掘了运动车辆区域与阴影区域之间的纹理特性和颜色特性差异,有利于获得更精确的阴影去除结果,进而提高车辆目标跟踪的精度。