结合相位一致性的行人检测

针对行人检测中利用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征进行训练时耗时长,检测速度慢的问题,提出一种改良算法。该算法结合相位一致性(phase congruency,PC),利用局部能量与Log-Gabor滤波器,计算提取行人正样本图像的边缘,以边缘像素点处的局部能量值最大值与对应的相位值做为特征,以HOG滑动块形式生成特征描述子,此文称之为PC-HOG特征,利用AdaBoost级联分类器算法训练学习此特征,并在INRIA数据库中测试此算法分类效果。测试结果表明该算法明显减少了训练时间,提升了行人检测速度,较HOG+SVM速度提升40%以上,较HOG+AdaBoost提高了8%左右,也改善了检测准确性。     

基于改进SIFT特征提取的车标识别

为减少SIFT车标识别算法中检测极值点的冗余以及各种图像变化因素的不利影响,提出了基于边缘约束和全局结构化的改进SIFT算法。利用图像不变矩理论及图像边缘检测算法只对目标图像的边缘区域检测,剔除与车标识别区域无关的极值点;同时将特征点邻域划分为圆形并计算出同心圆内像素点最大曲率来构建全局SIFT组合特征向量,使SIFT描述子具有全局描述特性;并结合SVM模型作为车标图像特征向量的分类器进行特征分类、识别。仿真实验结果表明:改进的SIFT算法可以减少冗余极值点约25%~45%,提高了检测极值点的有效性;使车标平均识别率达到97%以上,改善了识别实时性。改进SIFT的车标识别方法与几种常用的图像特征提取算子相比较具有识别率高、识别速度快的优点。     

基于梯度直方图变换增强红外图像的细节

针对红外图像信噪比低、目标边缘和细节模糊等缺点,提出了一种基于梯度直方图变换增强红外图像细节的方法。通过分析红外图像的梯度直方图,构造出一个高斯函数来扩展梯度直方图,增大图像的梯度值。采用直方图规定化法,实现图像的梯度直方图规定化,得到变换的梯度场。在从变换的梯度场重建增强的图像时,引入全变分(TV)模型来抑制噪声。实验结果表明,提出算法的图像信息熵比灰度直方图均衡化和规定化算法显著提高,明显增强了红外图像的纹理细节,为目标检测、跟踪和识别提供了高质量的图像信息。提出的算法采用有限差分法迭代进行求解和Visiual C++编程,对大小为480pixel×480pixel的图像的处理时间约为40ms,基本达到了工程应用对图像处理的要求。     

窗口融合特征对比度的光学遥感目标检测

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗,计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值,在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后,采用Naive Bayes框架进行特征融合,并训练分类器。在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值,初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征,再根据训练好的分类模型计算各个窗口的后验概率。最后,挑选出局部高分值的候选区域并进行判断合并,得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示:4类特征在单独描述3类目标时表现出的性能各有差异,最高检测准确率为74.21%~80.32%,而融合方案能够综合考虑目标自身特点,准确率提高至80.78~87.30%。与固定数量滑动窗方法相比,准确率从约80%提高到约85%,虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%,测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。     

基于AdaBoost行人检测优化算法的研究

针对车辆辅助安全驾驶系统的道路行人检测和识别问题,对行人检测算法的实时性和检测准确性受光照影响等方面进行了研究。对行人检测识别算法进行了归纳,将在线训练和更新行人分类器技术应用到车辆前方行人检测和识别中。提出了改进的AdaBoost行人检测优化算法,应用该算法行人识别分类器训练时,根据正样本和负样本的错分率,实时调整级联分类器权重系数,在线更新分类器的错误率权重,在保证分类器整体准确率的前提下,降低了分类器的级数,优化了分类器结构,减少了计算的复杂性;采用扩展的类Haar特征,降低了算法对光线的敏感性,提高了环境适应能力。试验结果表明:在相同的检测率下,改进的AdaBoost算法需要的检测时间更少,系统具有更高的鲁棒性,可以满足道路行人识别的要求。     

一种基于多信息融合的模糊边界检测算法

提出了一种有效的模糊边界检测算法.首先,用滤波器组和改进的K-Means算法快速提取了图像的纹理基元特征;然后,采用模糊手段将图像的局部灰度信息、纹理信息和空间信息有机地融合起来,定义了一个边缘检测函数,求出每个像素所对应的模糊梯度值,并由此构成模糊梯度特征向量;最后,结合分类器的学习能力进行边界检测.实验结果表明,对于纹理和灰度边界混合的自然图像的边界检测问题,该算法是一种实用和有效的方法.     

基于HOG和SVM的人体检测技术在静态图像中的研究

本文首先对HOG特征进行描述,包括图像归一化、梯度计算、梯度方向直方图统计、归一化及描述子生成、特征描述块;然后介绍SVM算法,实验中用的SVM核是线性核;然后介绍训练的过程,包括样本图像的个数及大小;最后用实验证明基于HOG特征和SVM算法的人体检测具有比较好的效果。     

基于多尺度多特征视觉显著性的海面舰船检测

为了精确地检测到舰船目标,提出了一种基于多特征、多尺度视觉显著性的海面舰船目标检测方法。该方法首先利用多尺度自适应的顶帽算法抑制云层、油污的干扰,然后提取双颜色空间特征以及边缘特征构成双四元数图像进行舰船显著性检测。由于充分利用了双四元数图像,故可对多个特征尺度进行处理,并保证不同尺度特征之间关联性。该方法还利用人眼对不同用大小的图像关注目标不同的特点对图像进行上下采样以避免漏检和检测重叠。在得到显著图后利用自适应图像分割(OTSU)算法确定舰船所在的区域,并在原图上标定、提取舰船目标。在多种海面情况下进行了实验分析,结果表明:该算法可以排除多种干扰,精确地检测到舰船目标,真正率达97.73%,虚警率低至3.37%,相较于他频域显著性检测算法在舰船检测方面有明显的优势。     

结合多尺度视觉显著性的舰船目标检测

光学遥感图像海面舰船目标检测易受云雾,海岛,海杂波等复杂背景的干扰。本文提出了一种适用于复杂背景的舰船目标检测方法。首先为了克服目标尺度多变问题,利用视觉显著性生成多尺度显著图,然后使用基尼指数自适应选择最优显著图。考虑到全局阈值分割算法带来的漏检测问题,提出一种新的方案来分离目标和背景像素点。利用图像膨胀原理获取显著图的局部极大值点,然后使用k-means算法判断极大值点属于目标像素点还是背景像素点。接着对目标点邻近区域进行精细分割。最后引入基于径向梯度变换的旋转不变特征来进一步剔除虚警。实验结果表明,该算法能够成功检测出不同尺寸和方向的舰船目标,有效克服复杂背景的干扰。算法检测正确率93%,虚警率4%,优于其他舰船检测方法。     

基于相对相位直方图的数字表面模型数据与遥感图像配准

针对数字表面模型（DSM）数据与可见光遥感图像信息融合的实际需求,提出了一种基于一致点漂移算法（CPD）与相对相位直方图（RPH）的两级配准策略来实现上述数据与图像的自动配准。首先,利用Canny算子提取图像边缘,将边缘点作为CPD算法的输入,实现两幅图像的粗匹配,从而得到初始对应点集并估算尺度因子;然后,定义了一种鲁棒且具有旋转、平移不变性的区域变化信息描述子-RPH,其在粗匹配结果的保障下还可以实现尺度不变性;最后,根据尺度因子在两幅图像中分别定义圆环模板,并利用RPH测度完成DSM图像与可见光遥感图像精配准。实验结果显示,使用RPH测度进行精配准后,基于CPD算法的粗匹配结果得到了有效校正,在数据自身存在透视失真情况下,算法配准误差约为2 pixel,能够满足DSM数据与遥感图像信息融合的需求。     

基于视觉显著性的无监督海面舰船检测与识别

在航天航空光学遥感舰船目标检测中,受大气、光照、云雾和海岛等海面不确定条件的影响,传统的舰船检测方法存在检测效率低和可靠性差等问题,因此,本文提出一种无监督海面舰船目标自动检测方法。该方法以视觉显著性为依据,结合多显著性检测模型快速搜索海面目标,生成显著图后对其进行粗分割,对提取的目标切片做标记并进行精细分割,利用改进的Hough变换旋转目标主轴以保证目标对Y轴的对称性;对可能检测到的厚重云层和岛屿等伪目标使用梯度方向特征进行鉴别,通过判定目标在360°范围内8个区间的梯度幅度统计值,确认舰船目标及去除伪目标。实验结果表明,该舰船检测方法能够成功提取海面上大小不同,位置随机分布的舰船目标,准确获取舰船目标的数量和位置信息,在大量真实光学遥感图像上的测试结果显示,本文方法检测准确率高于93%,通过目标鉴别处理,剔除伪目标后,虚警率可低于4%,鲁棒性较强。     

纹理粗糙度在红外图像显著性检测中的应用

提出了基于纹理粗糙度的红外图像显著性检测算法,以解决红外图像对比度低,目标显著性检测难的问题。首先,研究了Tamura的粗糙度原理,对粗糙度进行分析和评价,提出了新的粗糙度计算方法。然后,将图像分解为超级像素集合,并计算超级像素的最大平均强度差;利用最大平均强度差定义超级像素的最佳尺度,作为纹理粗糙度的度量。最后,将超级像素区域均匀外延,利用粗糙度的局部对比度和灰度信息度量红外图像的显著性。通过实验验证了本文算法的有效性,结果表明:在10%的噪声水平下,本文粗糙度保持不变,粗糙度特征图一致性较好,而Tamura的粗糙度特征图中杂点明显增多。与其它显著性检测算法对比,本文算法击中率最高,为0.752。该算法挖掘了红外图像的纹理粗糙度特征,为红外图像显著性检测提供了新的特征选择。     

视觉注意机制下的粒子窗快速目标检测

针对传统滑动窗目标检测方法需要在全图像范围内穷举搜索的缺点,提出了一种基于视觉注意机制的粒子窗检测方法,旨在保持较高检测精度的同时减少计算量。该方法将目标显著性作为先验知识引入搜索过程,采用"图像签名"方法生成显著图,然后通过阈值门限提取出包含有目标真实位置的局部区域。利用蒙特卡洛采样在显著目标对应的图像范围内均匀生成粒子窗,并依据分类器的响应对粒子进行重采样,以凸显真实目标区域、避免滑动窗方法对搜索步长的依赖。建立了Adaboost+类Harr特征(HLF)和支持向量机(SVM)+方向梯度直方图(HOG)的多级分类器结构,前级分类器用于大范围目标的快速筛选,后级分类器用于小范围目标的精确定位。将本文目标检测模型与传统滑动窗法和粒子窗法进行了比较,结果表明本文方法的受试者工作特征曲线(ROC)包含的面积更大,耗时仅为滑动窗法的1/3到1/4,粒子窗法的1/2,在保持较高检测精度的条件下显著提升了检测速度,实现了快速准确的目标检测。     

An infrared small target detection framework based on local contrast method

Small-target detection in infrared imagery used in forward looking infrared is an important task in remote sensing fields. It is important to improve the detection capabilities such as detection rate, false alarm rate and speed. In this letter, a novel approach inspired by human visual system (HVS) is presented. First, block compressed sampling theory was used to compress the image and obtain the modulation map. Then, small abnormal regions in the modulation map were detected by high speed local contrast method and defined as candidate targets. Experimental results show the proposed algorithm pursue good performance in detection rate, false alarm rate and speed simultaneously.     

基于Stixel world及特征融合的双目立体视觉行人检测

针对单目视觉行人检测无法获得深度信息从而导致冗余信息较多、检测效率和准确度存在局限性的问题,首先,在图像的预处理阶段提出了一种利用双目立体视觉产生的视差信息优化分析来简化复杂场景的动态规划棒状像素场景(stixel-world)表达方式;然后,在行人目标检测阶段,对传统HOG特征中block尺度进行分析、降维,采用Fisher准则筛选得到了适用于道路环境下的多尺度HOG(multi-HOG)特征,将Multi-HOG特征与LUV颜色通道特征进行融合,最后采用交叉核支持向量机(hikSVM)分类器对行人目标分类。实验结果表明,采用改进过后的Stixel-world算法用于图像预处理极大地减少了计算时间。缩小了行人检测的候选区域,基于特征融合和hik-SVM的目标检测算法在保证检测准确度的前提下,具有较好的实时性和鲁棒性。     

结合局部特征及全局特征的显著性检测

针对目前大多数显著性检测方法中采用背景种子以及局部区域对比度显著性检测模型的缺点,本文提出了一种综合考虑局部特征以及全局特征的显著性检测算法。在对图像进行分割之后,算法首先融合了采用多特征方式生成的背景显著图与采用前景区域对比度方式生成的前景显著图,之后使用高斯滤波器对融合后的结果进行优化形成局部特征显著图。其次,在局部特征显著图的基础上提取多种特征的样本集合进行训练,从而得到全局特征显著图。算法最后将第一步生成的局部特征显著图与全局特征显著图进行结合生成最终的显著图。实验部分验证了算法各部分的有效性,并且在3个公开数据集上对文章方法与近年来优秀的显著性检测算法进行了对比,实验结果显示,本文算法在CSSD数据集上的准确率、召回率以及F-measure分别达到了0.837 5、0.743 4和0.813 7,在其它数据集上也有良好表现。实验表明,本文算法能够有效抑制背景区域,并且高亮前景区域,更好地检测出显著目标。     

应用颜色聚类图像块的多舰船显著性检测

由于多舰船目标显著性检测过程容易将边界像素作为背景处理,本文提出了应用颜色聚类图像块的多舰船显著性检测方法。该方法首先检测邻域像素是否具有颜色相似性,并将临近的具有相似颜色的像素聚集在一起作为一个图像块。接着,对获得的图像块进行扩展,使图像块包含很多其他图像块的像素以提高图像块内像素间的对比强度;对边缘像素进行背景索引标记,计算图像块中像素的显著性强度,采用阈值分割方法获得目标显著性区域。最后,基于颜色聚类的图像块存在部分重叠的特点,利用权值对存在叠加的显著性图像进行融合,从而获得多舰船目标整幅图像的显著性检测结果。对获得的多舰船目标图像进行了实验测试,并对本文算法结果和当前比较先进的其它显著性检测算法进行了效果对比。结果显示:提出的利用颜色聚类图像块的舰船显著性检测方法的查全率达到78%以上,准确率达到92%以上,综合评价指标Fβ≥0.7;无论考虑单个指标还是整体指标,本文算法均优于其他对比算法。