亮度特征自相关和GMM相结合的目标检测

基于混合高斯模型(GMM)的背景建模算法被广泛运用于运动目标检测,但在一些发生快速光照变化的视频序列中,不能正确地检测出运动目标。此外在对GMM参数进行初始化时,若初始化图像中存在运动目标,则目标检测的结果会出现初始化图像中的运动目标,从而导致误检测。针对上述问题,提出一种基于亮度特征自相关的GMM算法,该算法根据亮度特征自相关参数判断初始化图像中是否存在运动目标,利用亮度特征自相关参数的拟合值判断当前帧是否发生快速光照变化,运用GMM和亮度差值相结合进行目标检测。对实际摄取的视频进行仿真实验,结果证明,该算法在GMM初始化图像存在运动目标的干扰条件下,能够较好地从发生快速光照变化的视频序列中提取出运动目标,满足准确性和实时性的要求。     

基于多特征融合的复杂光照人脸识别

提取人脸图像光照不变量是提高不完备训练样本人脸识别光照鲁棒性的一个有效途径。以往算法分别从不同角度提取人脸图像的高频特征作为光照不变量不能提取完整的人脸本征,具有一定的局限性。从特征级和决策级融合的角度提出了一种基于多特征融合的复杂光照人脸识别方法。所提算法能发挥不同光照不变量的自身优势,明显提高复杂光照人脸识别的光照鲁棒性。Yale B+和非控光照人脸库的实验结果表明所提算法的有效性。     

一种新的基于颜色恒常性的肤色分割算法

为了解决不同光照条件下的肤色分割问题,提出了一种新颖并且行之有效的解决方法。该方法先应用颜色恒常性算法对图像光照进行估计,根据光照估计的结果,在YCbCr颜色空间采用不同分布的高斯肤色模型,并利用动态阈值对图像进行分割。试验结果证明了算法的可行性和优越性。     

基于有效光照估计的复杂光照人脸识别

基于光照估计的光照不变量提取是提高复杂光照人脸识别性能的一种有效方法。以往算法仅考虑光照缓慢变化特性从人脸图像中估计光照,无法获取准确的光照和光照不变量。综合考虑图像的成像原理、光照缓慢变化特性和复杂照明环境,结合图像融合和平滑滤波,提出一种有效的人脸图像光照估计、光照不变量提取方法。所提算法能较好地处理阴影边缘问题,提取含有丰富面部细节特征、更接近于人脸本征的光照不变量。复杂光照Yale B+和CAS-PEAL-R1人脸库上的实验结果表明所提算法具有高效性。     

Gabor相位特征的人脸光照不变量提取

为了消除光照变化对人脸识别的影响,提出一种基于Gabor相位特征的光照不变量提取算法。该算法首先对图像进行光照归一化,一定程度上减弱了不同光照条件的影响;然后利用一组不同方向的2维实Gabor小波对图像进行变换,在兼顾频谱与相位信息的情况下组合变换后的Gabor系数,提取其相位特征,得到光照不变量。在Yale B和CMU PIE人脸库上的实验结果表明,该算法能够有效消除光照变化对人脸识别的影响,提取的光照不变量具有一定的鲁棒性。     

基于先验知识的快速人脸光照迁移算法

针对利用单幅参考图像进行人脸光照迁移时存在光照与人脸细节特征分离不彻底、效率低等问题,提出一种快速的人脸光照迁移算法.该算法充分利用人脸的结构特征和阴影检测的先验知识,引导目标图像与参考图像进行大尺度层与细节层的分离;然后将目标细节层与参考图像大尺度层进行合成以获得光照迁移后的亮度图像.实验结果表明,该算法可实现光照效果的快速迁移,并且能较好地保持目标图像的人脸细节特征.     

基于本征图像分解的人脸光照迁移算法

提出了一种基于本征图像分解的人脸光照迁移算法.首先,针对本征图像分解效果不彻底的情况,提出了一种改进的本征图像分解方法.在此基础上,为了保持人脸细节特征,提出了一种基于边缘保留的光照滤波算法,对参照人脸进行光照迁移至目标人脸,最后融合目标材质图像与滤波后光照图像进行人脸重光照.实验结果表明,与已有算法相比,该算法能够很好地保留迁移后的人脸肤色,并且所生成的重光照效果更准确、自然.     

基于梯度相关图的光照不变图像检索算法

针对现有图像光照不变特征提取算法存在特征矢量尺寸较大,且对于场景的尺度、平移及视角等变化鲁棒性较差的缺点,提出将相关图算法与光照不变导m1m2m3相结合的基于梯度相关图的特征提取算法。算法首先计算图像的光照不变导,去除光照对图像的影响,然后提取光照不变导梯度图像的相关图特征作为特征索引。实验结果表明该梯度相关图算法在存在光照影响时对图像的检索性能优于以往常用算法,且对于场景的尺度、平移、视角等变化具有很好的鲁棒性。     

基于小波变换和去噪模型的光照不变人脸识别

针对正面光照人脸识别的难点,提出了一种应用小波变换和去噪模型的光照不变人脸识别算法。利用对图像的高频小波系数进行处理并运用去噪模型,提取光照人脸图像中的光照不变量,同时增强图像边缘特征,这有利于提取的光照不变量保持更多的人脸识别信息。在Yale B和CMU PIE人脸库上的实验结果表明,所提算法可以显著提高光照人脸图像的识别率。     

多重光照色差下图像平滑美化处理算法

夜间多重光照下采集的图像存在色差,采用白平衡偏差补偿方法实现夜间多重光照下图像的平滑美化处理,以提高图像的成像质量。传统的图像平滑算法采用循环跟踪像素点特征提取算法,出现白平衡偏差时图像的色差补偿效果不好。提出一种基于白平衡偏差补偿的夜间多重光照下的色差图像平滑算法。首先进行图像特征采集和自适应均衡预处理,对夜间多重光照下的色差图像进行白平衡偏差补偿,然后采用图像盲去卷积算法进行图像平滑,通过目标特征模型在空间上的相似度函数来确定图像光照色差的特征权值,沿梯度方向求得图像边缘信息,再通过特征聚类对夜间多重光照色差图像自动划分目标空间,最大程度地对夜间多重光照下的色差图像的细节特征进行平滑美化。仿真结果表明,采用该算法进行白平衡偏差补偿的夜间多重光照色差下的图像平滑美化处理方法具有较好的图像平滑性能,计算开销较小,图像的细节特征平滑效果最佳,其优于传统算法。     

光照变化环境下的SIFT改进算法

为了解决SIFT算法在光照不均环境下匹配效果差的问题,提出了一种融合差分同态滤波算法的SIFT匹配算法（MSHFHS+SIFT算法）。该方法对同态滤波算法进行扩展,推广到多尺度空间,以构建同态滤波金字塔,与SIFT进行融合,利用SIFT算法的特征点提取、描述子生成方法,根据distance-radio准则进行匹配。在各种光照变化环境下的实验证明,该算法较之传统的方法具有更好的鲁棒性。     

基于图像增强的温室图像特征点提取

针对温室环境中,由于相机拍摄图像噪声大,光照不均匀,对比度较低等会导致ORB特征点较难提取或者提取较少,从而影响匹配效果的问题,提出了一种能够减少图像噪声,增强图像对比度的ORB特征点提取算法。首先,对温室图像进行高斯滤波去除图像噪声,然后使用对比度受限的自适应直方图增强图像对比度,增加ORB特征点提取数量。经过实验表明,提出的改进ORB算法对温室中ORB特征点的提取和匹配效果有较大提升。     

混合特征下最优阈值预测的图像匹配

针对单一特征条件下图像匹配率较低,以及SIFT算法由于固定对比度阈值造成特征点数目提取不均的问题,提出一种混合特征下最优阈值预测的图像匹配算法。该算法首先采用SIFT算法提取图像特征点,然后利用纹理参数二阶矩自适应法得到最优阈值,并用描述性较强的纹理特征向量对SIFT匹配过程进行约束实现图像的匹配。实验结果表明,提出的算法根据图像灰度分布自适应选取对比度阈值,能够增强图像细节信息且使提取的特征点数量稳定,在匹配过程中引入纹理向量作为约束准则,避免了相似区域的误匹配,对光照和模糊图像有较好的鲁棒性。     

SIFT错配改进的二阶高斯分析

SIFT算子由于其良好的尺度、旋转、光照等不变性而被广泛应用于计算机视觉、目标识别、医学图像处理等领域。但无论采用何种算法,错配难以避免。针对错配点消除的问题,在对SIFT算法及RANSAC算法进行研究的基础上,提出二阶高斯算法。该算法根据特征点间的欧式距离,利用高斯函数为匹配点加权,筛除权值不在阈值范围内的匹配点。实验表明,与RANSAC算法相比,该算法的特征点正确匹配率明显提高,对错配点消除有较强的鲁棒性。     

电力巡线无人机航拍图像匹配算法研究

基于局部特征的图像匹配算法是电力巡线无人机航拍图像匹配算法中最为实用的一种方法。针对传统匹配算法构建尺度空间会致使图像边缘信息丢失或者效率较低等问题,提出一种基于高斯曲率尺度空间的航拍图像匹配算法。借助高斯曲率滤波器构建一阶尺度空间,利用FAST算法提取特征点并选择特征采样区域,再以对特征采样区域建立二阶尺度空间并提取二阶尺度空间层内LIOP描述符,随后二阶尺度空间两两层LIOP描述符做差值并二值化处理,累加二值化值得到ASV-LIOP描述符完成匹配。在航拍图像上,使用SIFT、ORB、KAZE、AKAZE、改进KAZE等算法与所提对比实验,实验表明,所提算法正确匹配率平均提高5%左右,匹配效率约降低50%,可应用对稳定性要求较高且实时性较低的场景。     

基于Kinect三维重构的特征点提取改进

针对机器人在复杂的室内环境中,因提取特征点低效率、高失真造成性价比较低的问题,提出一种改进的SIFT特征点提取与匹配算法,并在此基础上构建基于Kinect的SLAM系统。SLAM系统前端对SIFT特征点提取法进行改进,使用高斯分离模糊函数,提高SIFT算法提取特征点的速度,并且使用RANSAC筛选不稳定特征点。本文所提出的改进型SIFT特征点提取法的SLAM系统可以对复杂与空旷的室内环境高效率、低失真的重构。     

一种基于特征点匹配的图像拼接方法研究

针对图像间因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法;在特征点提取阶段,尺度不变的特征变换方法 (SIFT)具有对图像尺度缩放、旋转、放射变换以及亮度变化保持不变的优点,文章采用了改进的SIFT特征点提取算法;在特征点匹配阶段,采用改进的RANSAC算法对特征点匹配对提纯;最后用加权平均法实现拼接图像的融合;实验证明,该算法有效提高了图像拼接的效率和准确性,拼接精度可以达到亚像素级。     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于特征点的全自动无缝图像拼接方法

提出了一种基于特征点的全自动无缝图像拼接方法.该方法采用对于尺度具有鲁棒性的SIFT算法进行特征点的提取与匹配,并通过引导互匹配及投票过滤的方法提高特征点的匹配精确度,使用稳健的RANSAC算法求出图像间变换矩阵H的初值并使用LM非线性迭代算法精炼H,最终使用加权平滑算法完成了图像的无缝拼接.整个处理过程完全自动地实现了对一组图像的无缝拼接,克服了传统图像拼接方法在尺度和光照变化条件下的局限性.实验结果验证了方法的有效性.     

基于CenSurE-star和LDB的被测目标图像匹配算法

针对传统点特征匹配方法计算量大、匹配速度慢的问题,给出了一种基于CenSurE-star和LDB的图像匹配算法,以用于在视觉检测中对被测目标图像进行快速匹配;该算法首先通过调整滤波器尺寸从而快速检测被测目标图像中不同尺度的CenSurE-star特征点,然后采用LDB方法对特征点结合其邻域进行描述,以描述符汉明距离为标准衡量图像特征点间的相似度并进行对应筛选,最终结合RANSAC剔除剩余的误匹配点对,实现了图像间准确匹配;实验研究表明,在关于光照、噪声和模糊变化的三组被测目标图像匹配中相较SIFT、SURF等常见算法,该算法不仅显著提升匹配速度,而且保证了较高的匹配准确率。