基于DeepLabV3+的遥感影像道路中心线提取北大核心CSCD

针对目前已有基于遥感影像道路中心线提取算法易受道路旁树木遮挡、建筑物及其阴影覆盖和道路上车辆等因素影响,造成提取出来的道路中心线存在断裂、不完整现象,提出了一种基于深度学习语义分割的道路掩膜,引用细化算法提取道路中心线矢量数据,对矢量道路中心线进行优化的道路中心线提取方法。首先,通过对深度学习语义分割提取出来的道路掩膜进行形态学膨胀处理,减少道路掩膜出现部分断裂、空洞、不完整现象;然后,利用细化算法,对膨胀处理后的道路掩膜提取道路中心线并进行矢量化;最后,结合出现断裂处的道路中心线间几何、空间等约束关系,进行优化处理。实验结果表明:该方法相对于其他道路中心线提取方法,具有较高的精确度、完整度,在不考虑前期深度学习样本制作、模型训练所使用时间的情况下,提取效率也优于其他方法;生成了标准格式的矢量道路中心线数据,可直接用于实际生产。     

一种利用导航轨迹数据的车道信息提取方法

基于轨迹数据提取车道级道路信息的关键在于道路中心线,然而目前已有研究大都基于先验地图或者粗略估算来获取道路中心线,这严重降低了后续车道信息提取与更新的效率和精度。为此,文章提出了一种利用导航GNSS轨迹数据自动提取车道信息的方法。首先,利用自适应K-means聚类方法对导航轨迹进行方向划分并基于轨迹的密度分布实现轨迹数据清洗;其次,根据机动车轨迹在道路上的位置分布进行拟合,实现车行方向道路中心线的提取;最后,基于约束高斯混合模型实现各个路段的车道数量和车道中心线的提取。实验结果表明,该方法可以准确地提取车道信息,其中车道数量精度为79.8%,车道中心线的位置精度接近1 m,车道宽度精度大都优于0.5 m。     

基于L型结构中心线的SAR图像建筑物提取方法

针对在高分辨率SAR图像上具有明显L型结构高亮特征的建筑物目标,提出了一种提取高分辨率SAR图像建筑物L型结构中心线,并进而提取建筑物几何信息的方法.运用基于Gabor纹理特征和模糊C均值的方法对SAR图像进行分割,再结合骨架提取、骨架跟踪、最小外接矩形提取、最小二乘准则等技术实现了L型结构中心线的提取,最后利用中心线获取了建筑物的长度、宽度和方位角信息.基于机载SAR图像的实验表明,利用提出的方法从SAR图像提取的建筑物几何结构和方位信息具有较高的精度.     

结肠中心线快速提取算法研究

中心线的提取速度是提高结肠计算机辅助检测的效率的重要因素.为此提出了一种基于生成树的中心线快速提取算法(FMST).在分析了最大生成树中心线提取算法(MST)存在大量冗余数据特点的基础上,利用边主源辅的搜索策略,保留趋于物体中心的关键点,通过消减冗余数据的方法来提高MST算法的速度.在10套已知中心线金标准的结肠仿真数据和2套结肠CT数据上的实验结果表明,FMST算法加快了MST算法的提取速度并且保持了中心线提取的准确性;在仿真数据上,FMST算法较MST算法的速度提高了80％以上,中心线重合率达到96.98％.     

基于最小代价路径的血管中心线提取

为解决传统最小代价路径算法提取血管中心线时存在偏向血管侧壁的问题,提出一种基于点的中心线校正方法。应用最小代价路径算法初步提取中心线,然后根据血管剖面灰阶值呈高斯分布的特点对每个中心点进行校正,再利用三次B样条将离散的中心点拟合为一条连续的中心线。实验结果表明,该算法提取的中心线更靠近血管的中心处,且对噪声具有鲁棒性。此外,将该算法用于起点、终点位置的校正,则提取的中心线对用户定义点的位置不敏感。     

高分辨率遥感影像上道路中心线的半自动提取

提出一种半自动的基于活动窗口线段特征匹配来提取高分辨率遥感影像上道路中心线的方法.通过用户在道路中心线上输入起始点,采用定义活动模板窗、阈值分割、线段特征匹配和改进的SSDA,实现了道路中心线的自动跟踪.另外,该方法还允许在跟踪过程中加入少量人工干预来处理某些匹配失败的情况,提高了实用性.对0.61m分辨率QuickBird影像和1m分辨率IKONOS影像进行道路提取的实验表明:该方法能够快速、准确地提取出主要道路的中心线,对噪声的干扰具有良好的鲁棒性.     

基于步行GPS轨迹的路网提取方法

准确提取和及时更新路网信息,对于道路规划和车辆导航等方面至关重要。目前,基于GPS轨迹的路网提取方法一般是从浮动车或出租车的GPS轨迹中挖掘城市主干路网。然而,现有方法忽略了小路的自动提取,它对于抗震救灾、小区导航或乡村游览等场合非常重要。因此,本文提出基于步行GPS轨迹的路网提取方法,分为数据预处理、道路中心线生成和路网精度评价3个部分。其中,先后采用轨迹点聚类、聚类点分割和中心线拟合等方法生成道路中心线。通过自行采集的步行GPS数据进行实验,结果表明,本文方法能够准确提取路网,覆盖率可达96.21%,而误检率仅3.26%;并且能够提取小路和更新路网。     

应用于造影图像的血管中心线全自动提取方法

针对传统血管中心线提取方法计算量大、需大量人工介入操作的问题,提出一种全自动的血管中心线跟踪提取方法.首先根据血管尺度设计不同的Frobenius范数对血管进行自适应增强,并基于血管灰度分布构造多尺度微分算子以建立判别函数,从而获得种子点的初始位置和跟踪方向;然后在初始方向局部弧长范围内优化检测新的脊点与跟踪方向,以确保在有较大误差干扰的情况下依然能够获得正确的脊点位置;最后利用血管拓扑结构特征检测方法剔除伪血管中心线.实验结果证明,该方法无需人工介入即可准确地在冠脉造影图像中提取出血管中心线、方向矢量等信息,可被用于临床心血管疾病的计算机辅助诊疗过程.     

基于Hessian矩阵的中心路径提取算法

虚拟内窥镜可用来对人体内部管腔结构进行无损检测,在医疗诊断及手术上有着重要意义.要想快速准确地进行虚拟内窥漫游,一个首要的步骤是要先提取出模型的中心线以指导视点的移动.提出了一种基于Hessian矩阵的中心路径提取算法.在距离变换的基础上,先利用Hessian矩阵的几何意义找出中心线的大致形状作为初始路径;然后进行可视性检测以确定最终的路径点,可视球的半径通过Hessian矩阵的特征值自适应地确定;最后用最短路径生成算法得到模型的中心路径.实验结果表明了该算法的有效性.     

条盒三维视觉检测中结构光光条中心提取方法

为了提高基于结构光的条盒三维视觉检测中尺寸测量的准确度,研究和提出了霍夫变换和最小二乘法相结合的结构光中心线提取方法. 首先,依据图像颜色模型的R、G、B分量差值并结合中值滤波对目标结构光分进行分割提取;其次,分别对绿光与红光区域进行多次迭代细化处理获取骨架;然后,根据霍夫变拟合的直线段对目标点集进行分类;最后,使用最小二乘法分别对不同的点集进行分段拟合,获取结构光中心线. 实验结果表明,该方法能够准确地提取出结构光光条中心,具有良好的稳定性,为条盒三维视觉检测工作提供了准确的数据依据.     

基于线结构光的水下目标扫描定位方法

当海底环境噪声及声学散射影响比较严重时,声呐方法无法实现高精度的海底探测．因此,设计了一种基于线结构光的扫测系统．激光中心线条纹提取及系统参数快速标定是影响线结构光测扫精度的2大关键问题．在激光中心条纹处理方面,多阈值算法通过采用不同的阈值可以有效地滤除背景噪声,基于极值法的高斯拟合法则对部分激光条纹采用高斯函数进行拟合,结合多阈值算法和基于极值法的高斯拟合法提出了一个条纹中心线提取算法．该算法在保留多阈值法快速性的同时,又具备高斯拟合法的准确性．而在系统参数标定方面,提出了一种共线点的快速标定法,设计的平面标定靶只需通过确定3个共线的特征点即可快速实现系统参数的标定和高精度的海底快速测扫．最后,在水池中进行了模型实验,验证了该方法的可行性和有效性．     

基于线结构光的亚像素精度焊缝提取方法研究

对于激光视觉焊缝跟踪系统,基于线性结构光快速、高精度地提取焊缝特征点是系统搭建的关键。现有算法多是采取像素级别的提取特征,现提出改进的亚像素精度算法用以提取焊缝特征点。与以往算法不同的是,算法不需要进行阈值的选取,提取条纹中心线和检测特征点的过程,都采用了先计算出亚像素位置,再对图像进行处理,显著地提高了算法的精度。并且目前图像处理多采用深度学习,但都为对像素的离散点实现,难以做到亚像素精度。实验结果表明,该算法能够满足生产实际要求,能够实时、精确地实现焊缝提取。     

线结构光光条中心提取算法

目的 线结构光视觉测量是一种利用可控光源和数字图像的主动视觉测量方法,光条中心提取是线结构光视觉测量的关键技术,直接影响到线结构光视觉测量的精度。传统灰度重心法只在图像的横向或纵向上计算光条的灰度重心,没有考虑光条的法线方向,精度较低。本文提出一种改进的光条中心提取算法,以期实现光条中心的精确提取。方法 在分析线结构光的光条灰度特性基础上,基于传统的灰度重心法,提出一种改进的两步提取算法。基于图像差分法从原始图像中分离出有效的线结构光光条,采用传统灰度重心法对光条中心进行粗提取;在粗提取的光条中心点处通过自定义的方向模板确定光条的法线方向,以粗提取的光条中心点为中心,沿法线方向采用灰度重心法进行二次提取,获取线结构光光条的中心。结果 本文采用CCD相机、镜头、线激光器及辅助机构搭建线结构光视觉系统,采用提出的算法对线激光器投影产生的直线型光条、非连续光条和弯曲光条的中心进行提取。通过光条中心提取实验获取的光条中心线的走向与光条的走向大致相同,符合预期的光条中心线。本文将Steger法作为评价标准,分别计算本文算法、传统灰度重心法与Steger法提取的光条中心的偏差,通过对比实验可知,本文算法提取的光条中心的偏差更小,并且程序运行时间比Steger法减少了3 s以上。结论 本文研究线结构光的光条中心提取算法,对传统灰度重心法进行改进,能够实现直线型光条、非连续光条和弯曲光条等不同形状光条的亚像素级中心提取,并且在保证较少的程序运行时间的同时,能够提高传统灰度重心法的光条中心提取精度。     

基于深度学习的井下巷道行人视觉定位算法

自主驾驶矿井机车需要实时检测和定位行驶前方的巷道行人，激光雷达等非视觉类方法成本高昂，而传统基于特征提取视觉类方法无法解决井下光照差且光线不均匀的问题。提出一种基于深度学习的井下巷道行人视觉定位算法。首先给出基于深度学习网络的系统整体结构；其次，搭建目标检测多层卷积神经网络（CNN），生成自主驾驶机车前方视野范围内行人的二维坐标及边界框的尺寸；再次，通过多项式拟合计算出图像中行人到机车之间的第三维距离；最后通过真实样本集实施模型训练、验证与测试。实验结果表明，所提算法的检测准确率达94%，速度达每秒25帧，测距误差小于4%，实现了实时高效的巷道行人视觉定位。     

Fast and robust laser stripe extraction for 3D reconstruction in industrial environments

The use of 3D reconstruction based on active laser triangulation techniques is very complex in industrial environments. The main problem is that most of these techniques are based on laser stripe extraction methods which are highly sensitive to noise, which is virtually inevitable in these conditions. In industrial environments, variable luminance, reflections which show up in the images as noise, and uneven surfaces are common. These factors modify the shape of the laser profile. This work proposes a fast, accurate, and robust method to extract laser stripes in industrial environments. Specific procedures are proposed to extract the laser stripe projected on the background, using a boundary linking process, and on the foreground, using an improved Split-and-Merge approach with different approximation functions including linear, quadratic, and Akima splines. Also, a novel procedure to automatically define the region of interest in the image is proposed. The real-time performance of the proposed method is analyzed by measuring the time taken by the tasks involved in their application. Finally, the proposed extraction method is applied to two real applications: 3D reconstruction of steel strips and weld seam tracking.     

基于FPGA的双目高精度宽波段激光告警系统

针对传统二维激光告警系统的光斑中心提取误差大、角度测量精度差和分辨率低的问题,设计了一种基于FPGA和InGaAs焦平面阵列探测器的高精度宽波段激光告警系统,对传统的otsu(最大类间方差法)阈值分割算法进行了推导和优化,同时,基于改进后的算法,通过FPGA实现了光斑中心坐标提取以及方位角、俯仰角等参数的计算,并将结果传输至上位机实时监测;实验结果显示,相较于传统的阈值分割算法,改进后的otsu算法使光斑中心提取精度达到了0.06个像素,改进后的激光告警系统角度测量平均误差为0.03°,角度分辨率达到0.05°;实验表明,双目高精度宽波段激光告警系统达到了实际应用的要求,提高了系统测量的角度分辨率和精度,对光电探测和激光告警领域的工作具有一定的意义。     

基于三通道融合的结构光中心条纹提取算法

实现坝体连接处永久缝的非接触式三维形变测量方法,对保障大坝安全运行具有重要的意义。结构光用来快速获取待测坝体拼接缝部位的表面形貌数据,并利用所获得数据对待测物体表面相貌的三维重构获得缝隙部位形变状态。由于结构光的光条中心提取精度易受噪声干扰,提出了一种三通道特征融合算法来提取条纹中心点。首先,利用方向梯度直方图、局部二值模式和Gabor函数得到三幅光条特征图像。然后,利用图像融合算法确定最终的特征图像。最后,用细化骨架的方法得到中心线。实验结果证明,相较于Steger算法,该方法的最大和平均列坐标差下降至2像素和0.069像素,且测量误差减小至0.114 mm。     

基于深度学习的人体行为识别综述

人体行为识别旨在对视频监控中的人体行为进行检索并识别,是人工智能领域的研究热点。基于传统方法的人体行为识别算法存在对样本数据依赖大、易受环境噪声影响等不足。为解决此问题,许多适用于不同应用场景的基于深度学习的人体行为识别算法被提出。介绍了人体行为识别任务中传统特征提取方法和基于深度学习的特征提取方法;从性能和应用两方面对基于深度学习的人体行为识别算法进行总结,重点分析了基于3D卷积神经网络、混合网络、双流卷积神经网络和少样本学习（few-shot learning,FSL）的人体行为识别方法及其在UCF101和HMDB51数据集上的表现;在深度学习的基础上,归纳了主流模型迁移方法的优缺点及其有效性;总结了现有基于深度学习的人体行为识别算法存在的不足,并讨论了以元学习（meta-learning）和transformer为代表的FSL算法将成为未来模型主流算法的可能性,同时对未来基于深度学习的人体行为识别算法的发展方向进行展望。     

Enhancing deep learning sentiment analysis with ensemble techniques in social applications

Deep learning techniques for Sentiment Analysis have become very popular. They provide automatic feature extraction and both richer representation capabilities and better performance than traditional feature based techniques (i.e., surface methods). Traditional surface approaches are based on complex manually extracted features, and this extraction process is a fundamental question in feature driven methods. These long-established approaches can yield strong baselines, and their predictive capabilities can be used in conjunction with the arising deep learning methods. In this paper we seek to improve the performance of deep learning techniques integrating them with traditional surface approaches based on manually extracted features. The contributions of this paper are sixfold. First, we develop a deep learning based sentiment classifier using a word embeddings model and a linear machine learning algorithm. This classifier serves as a baseline to compare to subsequent results. Second, we propose two ensemble techniques which aggregate our baseline classifier with other surface classifiers widely used in Sentiment Analysis. Third, we also propose two models for combining both surface and deep features to merge information from several sources. Fourth, we introduce a taxonomy for classifying the different models found in the literature, as well as the ones we propose. Fifth, we conduct several experiments to compare the performance of these models with the deep learning baseline. For this, we use seven public datasets that were extracted from the microblogging and movie reviews domain. Finally, as a result, a statistical study confirms that the performance of these proposed models surpasses that of our original baseline on F1-Score.     

基于改进边界距离变换的路径提取算法研究*

针对虚拟内窥镜中心路径提取算法时间效率不高的问题,通过改进边界距离变换,提出了中心路径的快速提取算法。首先建立最小距离场,在边界内推过程,仅扫描并处理与边界点面连接的点并对其设标记属性,每次向里剥离一层体素标记属性随之增加,直到对内部点集都置到边界的最小边界距离值（DFB）;然后找到DFB值不小于其所有面邻接点DFB值的体素点,即3D局部最大值;最后用最短路径相连3D局部最大值,形成中心线。实验结果表明,改进的中心路径提取算法的时间效率较传统距离变换算法有很大提高。