一种基于特征的动态目标检测与跟踪算法

为解决图像处理特征目标物易受环境影响的问题,采用图像处理和颜色匹配的方法,提出一种基于特征的动态目标的检测和跟踪算法．首先对图像进行灰度化处理并获取图像梯度,确定目标物的弱可疑区。利用非完全特征匹配确定强可疑区,再进行完全特征检测确定目标物的位置,并根据运动物体两次移动位置计算出跟踪摄像器件的旋转方向和角度,最终实现对动态目标物的检测与跟踪．实验证明,该算法能够较好地完成动态目标物的检测与跟踪．     

应用TBD的多波束声呐图像序列SIFT特征追踪

针对声呐图像目标探测中面临的分割阈值选择和单幅图像信息缺失问题,提出了一种基于检测前跟踪(track-before-detect,TBD)的声呐图像序列尺度不变特征变换(scale-invariant feature transform,SIFT)特征追踪方法。这种方法不在单帧图像中判断目标的有无,而依据图形序列中特征轨迹的连续性和一致性进行决策,通过动态亮度分配和中值滤波对图像进行预处理,提取SIFT特征进行帧间匹配并标出潜在目标,在图像序列中展开特征追踪,从潜在目标中筛选出真实目标。真实数据试验的结果表明,预处理改善了图像质量;对比SURF特征和Harris特征,SIFT特征包含更多的帧内信息,具有更好的帧间匹配效果。SIFT特征追踪能够从多波束声呐图像序列中探测到动态小目标和静态目标,并得到动态小目标的运动轨迹。     

基于助老机器人的行人检测与跟踪算法研究

行人检测与跟踪是助老机器人的基本功能之一。针对行人检测中目标需人工标定图像初始帧、目标检测准确性差、行人丢失较难重新跟踪的问题,提出一种基于行人检测和核相关滤波器(KCF)的跟踪算法。通过Kinect2摄像头获取环境视觉信息,采用方向梯度直方图(HOG)提取行人特征,使用支持向量机(SVM)的方法训练模型实现自动检测,应用KCF跟踪算法跟踪行人,并结合深度数据,计算其世界坐标,驱动机器人实现行人稳定跟踪。在Ubuntu16.04系统和ROS平台下搭建软件系统,并在实验Turtlebot移动平台进行实验测试。结果表明,该算法可自动检测行人并在复杂环境中对行人进行稳定跟踪,有效提高了助老机器人的移动、感知性能。     

多特征检测人形识别安防摄像机设计

针对高准确率和快速跟踪摄像功能的需求,基于机器视觉设计了人形识别安防摄像机。首先,确定了整体工作方案;其次,提出一种多特征组合人形识别方法,通过训练3个分类器,分别识别人形正身、侧身和背身,并采用haar特征+adaboost算法实现人形识别和定位功能,再利用PID算法控制步进电机和舵机实现人形跟踪;最后,开发了安卓手机端APP。测试结果表明:多特征组合识别方法能够快速识别人形目标,帧率不低于20Hz;与单特征人形识别方法相比,识别准确率提高27.3%;人形目标追踪时间不超过1.7s;摄像机能够流畅实现WiFi控制、无线监视和录像下载等功能。     

基于Kalman 滤波器的二维运动目标跟踪

利用kalman 滤波器结合递归最小二乘法(RLS)建立了一个基于模型的鲁棒跟踪器, 该模型能够有效 分割图像域内的目标, 提取目标特征并在给定区域内实现连续跟踪。采用动态kalman 滤波器自适应的更新目标模 型的特征, 实时的增加新的、稳定的图像特征, 同时减少无效或影响较小的图像特征, 随后由RLS 来完成对既定特征 目标的匹配搜寻。通过在FIRA Miro so t 集控式足球机器人平台上的应用, 该方法能够在规定区域内, 有效的跟踪小 球, 且鲁棒性较强。     

基于SIFT特征匹配算法的目标跟踪及视频采集与传输研究

为了有效解决复杂背景情况下运动物体的跟踪问题,提出了一种基于SIFT特征匹配算法的目标跟踪方法。通过构建Do G尺度空间、FIFT特征点检测、特殊点描述子算法、特征点匹配将参考图像和待匹配图形进行SIFT特征点匹配,实现目标跟踪;并通过视频采集模块和无线传输模块将采集的目标图像进行无线传输。实验结果表明:SIFT特征匹配算法可对复杂环境中的目标信息进行有效跟踪。     

应用于番茄病虫害检测的HOG特征与LBP特征的结合

植物病虫害是农业部门面临的主要挑战,准确和快速地检测植物病虫害有助于发现早期治疗方法,同时大幅减少经济损失. 基于机器学习的目标检测方法能够很大程度地提高物体检测和识别系统的准确性. 提出了一种基于机器学习的番茄病虫害检测方法,通过提取有病虫害和无病虫害的番茄样本的HOG特征和LBP特征,然后结合SVM分类器训练样本得到检测模型. HOG特征能够较好地描述番茄叶的边缘特征,LBP特征能够较好地描述番茄叶的纹理特征,两个特征在一定程度上互补. 实验结果表明,基于HOG与LBP特征结合检测有病虫害的番茄叶取得了较好的效果,该方法在全球AI挑战赛中农作物病害的番茄数据集取得了99.49%的检测率.     

基于局部图像描述的目标跟踪方法

针对视频目标跟踪问题,介绍了一种基于局部图像描述的目标跟踪方法.以高斯差值函数图像金字塔中的空间极值点作为图像关键点,在关键点邻接域中,以基于局部二进制模式(LBP)的纹理统计和色彩分布作为特征量,应用特征量在视频序列中的匹配实现目标跟踪.当视频序列中存在目标全局运动、有限度的尺度变化、旋转等复杂因素时,采用纹理和色彩分布得到的局部图像描述具备一定的稳定性,运用权值调整算法寻找稳定特征量集合,能够进一步自适应跟踪目标的外观变化.测试了不同条件下的视频序列,该方法具备良好的跟踪效果和一定的稳定性.     

基于统计模型和活动轮廓的运动目标检测与跟踪

提出了一种静止背景视频序列中运动目标的检测与跟踪方法.对连续两帧图像序列作差分计算,对差分图像的灰度分布建立混和高斯模型(GMM),采用期望最大化(EM)算法估计模型参数,并引入基于GMM模型的边界检测算子,进而构造运动边界图像.改进静态图像轮廓提取算法GVF-Snake,利用运动边界图像修改GVF-Snake的能量项,使其能够提取视频序列中运动目标的轮廓.采用一种根据目标区域自动初始化轮廓的方法解决Snake初始轮廓需要手工设定的问题,采用一阶差分预测算法加快轮廓收敛速度.利用改进的GVF-Snake算法对运动目标进行检测与跟踪,结果表明,该算法对刚性和非刚性两类目标都具有较好的检测与跟踪效果.     

基于贝叶斯分类器的图像分类技术

分类的目的就是根据现有的图像特征建立一个分类器,能够对未知的图像类型进行预测.在现有众多分类算法中,贝叶斯分类器由于其坚实的数学理论基础并能综合先验信息和数据样本信息,成为当前机器学习和数据挖掘的研究热点之一.本文论述了内容图像检索中基于贝叶斯分类器的图像分类技术.介绍了贝叶斯分类器.叙述了利用贝叶斯分类器进行图像分类的方法,以及图像特征的分布假定.最后通过时分类器的探讨,总结了贝叶斯估计分类的不足.     

基于Haar特征级联强分类器和肤色模型的人脸检测

提出了基于Haar特征级联强分类器和肤色模型校验的快速人脸检测算法。利用基于人脸Haar特 征的级联强分类器快速检测人脸,得到待判人脸区域,其中可能含有非人脸误检区域;利用肤色聚类模型对待判人 脸区域进行筛选,过滤误检的非人脸区域。实验结果表明,该算法误检率低,检测速度快,在实际应用中有一定的价 值。     

基于HOG特征和滑动窗口的乳腺病理图像细胞检测

提出一种基于方向梯度直方图(histograms of oriented gradient, HOG) 特征和滑动窗口的细胞检测方法,能快速、高效、准确地检测高分辨率病理组织图像中的细胞。该检测算法首先对训练集中的细胞样本块和非细胞样本块提取HOG特征,然后运用HOG特征训练分类器。训练好的分类器用于在整幅病理图像中自动检测细胞。先运用滑动窗的方法在整幅高分辨率病理图像中选取相同尺寸的所有可能的细胞块,被滑动窗选定的图像块提取HOG特征后,送到训练好的分类器中判断是否是细胞块。为了验证提出方法的有效性,将此方法运用于17名乳腺患者的共37张H&E(hematoxylin & eosin)染色高分辨率穿刺切片病理图像上自动检测细胞, 通过与softmax(SM)分类器、稀疏自编码器+SM、局部二值模式+SM、支持向量机(support vector machine, SVM)、HOG+SVM、以及 HOG+SVM 多个模型对细胞检测的准确率、召回率以及综合评价指标的对比表明,本研究提出的方法分别为71.5%,82.3%和76.5%,具有更高的准确率。     

一种改进的行人检测方法

针对AdaBoost（Adaptive Boosting）算法耗时长,检测精度低的问题,提出一种将支持向量机（Support Vector Machine,SVM）与AdaBoost算法相结合的方法,采用多尺度（Histogram of Oriented Gradient,HOG）特征描述行人不同尺寸区域的特点,在样本权重更新过程中引入非行人样本的误检率,训练了一个级联结构的行人分类器.结果表明：选择特征数目为5个时,改进后的AdaBoost算法检测率和计算时间分别为99.8%和577.66s.在INRIA行人数据库上训练了一个六层结构级联分类器,使用特征数目为46个时,检测率达到96.74%,而误检率仅有3.26‰.     

基于颜色特征和SVM的交通标志检测

为提高道路交通标志识别系统的实时性和准确度,提出一种改进的RGB空间颜色检测和SVM相结合的交通标志检测算法。首先使用直方图均衡化和Gabor滤波相结合的方法进行图像增强,突出目标颜色;然后使用改进的RGB空间颜色检测方法初步提取并切割出候选标志区域;最后使用HOG特征训练SVM分类器,对候选标志进行精确检测并判断其形状。在检测精度和检测用时2方面进行对比试验,其结果表明,本文算法的检测用时较短,误检率和错检率都较低。该算法能对亮度较低的图像进行有效处理,对旋转、部分遮挡等多种情况也有较优的稳定性和准确性,适用于复杂背景下的标志检测。     

基于HOG和颜色特征的行人检测

基于梯度方向直方图(HOG)特征的行人检测是目前检测精度较高的主流方法。针对基于梯度直方图特征的行人检测存在检测精度还有待提高、向量维数大的问题,提出使用梯度直方图统计特征加颜色频率和肤色特征描述行人,选取一些分类能力较强的block作为最后的特征,使用线性SVM分类。在INRIA库上的实验证明,该方法能有效地提高检测精度。     

乳腺图像微钙化簇主动学习检测新方法

提出一种基于主动学习的微钙化簇区域检测新算法,利用方向差分滤波器组对微钙化区域进行增强和特征提取,同时抑制高亮血管和导管等复杂区域的干扰; 利用基于Bootstrap的主动学习样本方法进行样本选择和分类器训练; 采用训练后的分类器实现乳腺X-线图像中钙化簇区域检测．实验结果表明,相对于被动学习的分类器检测效果,新算法在保持检出率的同时使假阳性率降低了约4.7％,取得了较好的检测效果．     

复杂背景的人脸检测方法

由于原始的Adaboost方法在复杂图片上检测人脸效果不够理想,所以提出了一种能够处理复杂背景图片的人脸检测方法,即基于肤色的Adaboost检测方法。该方法具有肤色分割的检测率高、适应性强和AdaBoost算法检测速度快等优点。首先,通过人脸肤色的统计特征对图像进行肤色分割,得到候选人脸区域;然后使用经过训练的AdaBoost算法级联分类器对候选人脸区域进行检测,最终得到精确定位的人脸。经过实丐令证明,基于肤色分割的Adaboost人脸检测方法比原始的Adaboost方法在鲁棒性上有了很大提高。     

低照度下运动车辆的检测方法

针对一般车辆检测系统在夜间等低照度情况下检测能力急剧下降的问题,提出一种低照度下有效的基于Adaboost算法的检测方法.该方法通过提取训练样本的梯度方向直方图（HOG）特征,训练一个可用于分类的二类分类器,并采用Gamma校正法对当前帧作图像亮度处理,来降低低照度对特征提取的影响;再通过载入分类器在校正后的当前帧内作多尺度检测,最后用矩形框标识出检测出来的目标,统计车辆数目.实验表明,该方法对交通路口的车辆有较好的实时检测效果,在夜间、雾天及其他能见度低的天气等低照度状况下,也能保持较高的检测率.     

基于小波变换的人脸检测

提出了一种基于二维离散小波变换的人脸检测算法。该算法采用Haar小波计算小波脸,导出了提取人脸特征向量的相应公式,利用感知准则训练线性分类器进行分类判决。在4个不同的人脸数据集上与特征脸方法进行了比较。结果表明,该算法的计算效率和检测精度均优于特征脸方法。     

一种多变量制造过程中的关键变量检测算法

提出了一种基于机器学习的多变量制造过程中的关键变量检测算法.该算法利用机器学习分类器对多变量制造过程进行数学建模,以随机打乱过程变量后分类器的性能变化作为评价指标,检测导致产品质量相对异常的关键变量.设计并生成了多变量制造过程的仿真数据集,在仿真数据集和基于中国某工厂的2个实际生产案例数据集上对算法的检测性能进行了性能验证,2次验证结果均表明算法检测性能良好.