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。     

基于视觉显著性的太阳能电池片表面缺陷检测

现有基于机器视觉的太阳能电池片表面缺陷检测算法均是采用各种类型的数学模型来进行算法设计,为进一步提高检测准确率,从人眼仿生学角度出发,首次将人眼的视觉注意机制引入到太阳能电池片表面缺陷检测中,提出了一种基于视觉显著性的太阳能电池片表面缺陷检测算法。首先,对输入的太阳能电池片表面图像进行预处理,去除对检测有影响的噪声和栅线;其次,提出一种基于自学习特征的视觉显著性检测算法来大致定位缺陷区域;随后,提出一种视觉显著性和超像素分割相结合的算法来进一步精确定位缺陷区域;最后,通过形态学后处理得到最终检测结果。在包含多种缺陷类型的测试图像库上的主观和客观实验评估表明,该算法具有较高的检测准确率。     

基于RPCA的轴承表面缺陷视觉显著性检测

针对轴承缺陷图像存在的光照不均匀、整体对比度低、缺陷细节模糊等问题,结合鲁棒主成分分析和视觉显著性,提出一种新的轴承表面缺陷检测算法。首先,在鲁棒主成分的基础上,采用广朗日乘子算法计算稀疏矩阵,并根据稀疏矩阵计算缺陷区域的视觉显著值,生成凸显缺陷区域的显著图,然后,利用Otsu法对显著图进行缺陷分割,得到缺陷检测结果。并进行对比实验研究,结果表明,该检测方法能够显著突出轴承表面缺陷区域,实现对轴承表面各类缺陷的有效检测,与其他几种显著性检测方法相比,具有较好的查准率和召回率。     

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。     

基于计算机视觉的车道线检测与识别

该文基于计算机视觉基础,设计了一种车道线的检测与识别技术,通过汽车搭载的前置摄像头获取道路前方包含车道线等信息的实时画面,并对画面进行预处理、形态学运算、Canny边缘检测、累计概率Hough变换等一系列转换,得到正确的车道线信息。实验结果表明,该方法可以有效快速地检测和识别出正确车道线,满足了汽车无人驾驶系统的响应时间需求,在汽车无人驾驶的开发过程中有一定的现实研究意义。     

基于谱残差视觉显著性的带钢表面缺陷检测

针对带钢表面缺陷检测实时性要求高,采集的图像易受光照环境影响且缺陷特征弱等因素影响,提出一种基于谱残差视觉注意模型的带钢表面缺陷在线检测算法。首先,提出改进同态滤波方法对图像预处理,去除光照不均匀的影响,改善后续的分割结果。然后,构建谱残差视觉注意模型,通过对数频谱曲线差分得到缺陷显著图像。最后,提出加权马氏距离方法对显著图像阈值化增强,并利用连通区域标记法,标记出原带钢图像的缺陷位置。对提出的算法进行了实验验证,结果显示:该算法检测速度快,单幅图像平均检测耗时仅37.6ms,满足带钢在线实时检测要求。在同一缺陷数据库与灰度投影法,多尺度Gabor边缘检测法和隐马尔可夫树模型法进行了性能对比,结果表明:本文算法对带钢常见8类缺陷类型,平均检测率达到了95.3%,且漏检率和误检率较低,有效性高于对比算法。     

基于视觉显著性的红外与可见光图像融合

多波段图像融合可以有效综合各个波段图像中包含的特征信息。针对可见光和红外图像,提出了一种结合红外图像视觉显著性提取的双波段图像融合方法,一方面旨在凸显红外图像的目标信息,另一方面又尽可能的保留了可见光图像的丰富细节信息。首先,在局部窗口内实现红外图像的显著性图提取,并通过窗口尺寸的变化形成多尺度的显著性图,并对这些显著性图进行最大值的优选叠加,以获取能反映整幅红外图像各个尺寸目标的显著性图;其次,通过结合显著性图与红外图实现显著性图的加权增强;最后,利用增强的红外显著性图进行双波段图像的融合。通过两组对比实验,数据表明该方法给出的融合图像视觉效果好,运算速度快,客观评价值优于对比的7种融合方法。     

基于视觉显著性的可见红外图像融合

多波段图像融合可以有效综合各个波段图像中包含的特征信息。针对可见光-红外图像,本文提出了一种结合红外图像视觉显著性提取的双波段图像融合方法,一方面旨在凸显红外图像的目标信息,同时又能尽可能的保留可见光图像的丰富细节信息。首先,在局部窗口内实现红外图像的显著性图提取,并通过窗口尺寸的变化形成多尺度的显著性图,并对这些显著性图进行最大值的优选叠加,以获取能反映整幅红外图像各个尺寸目标的显著性图;其次,通过结合显著性图与红外图实现显著性图的加权增强;最后,利用增强的红外显著性图进行双波段图像的融合。通过两组对比实验,数据表明该方法给出的融合图像视觉效果好,运算速度快,客观评价值优于对比的7种融合方法。     

基于计算机视觉的机械零件平面曲线检测和识别研究

采用CCD对实际的机械零件的一段曲线摄像,并通过图像处理技术,使该图像转变为计算机可以进行数值化处理的单像素图像,最后得到该图像的拟合曲线和代数多项式数学表达式,实现了对平面曲线的检测和识别。     

Vehicle detection based on visual saliency and deep sparse convolution hierarchical model

Traditional vehicle detection algorithms use traverse search based vehicle candidate generation and hand crafted based classifier training for vehicle candidate verification. These types of methods generally have high processing times and low vehicle detection performance. To address this issue, a visual saliency and deep sparse convolution hierarchical model based vehicle detection algorithm is proposed. A visual saliency calculation is firstly used to generate a small vehicle candidate area. The vehicle candidate sub images are then loaded into a sparse deep convolution hierarchical model with an SVM-based classifier to perform the final detection. The experimental results demonstrate that the proposed method is with 94.81% correct rate and 0.78% false detection rate on the existing datasets and the real road pictures captured by our group, which outperforms the existing state-of-the-art algorithms. More importantly, high discriminative multi-scale features are generated by deep sparse convolution network which has broad application prospects in target recognition in the field of intelligent vehicle.     

采用视觉特征整合的红外弱小目标检测

针对红外光学系统在复杂背景下的弱小目标检测问题,建立了基于特征整合的信息处理模型,提出了采用视觉特征整合的弱小目标检测方法。该方法首先利用视网膜神经节细胞感受野的数学模型DOG(Different-of-Gaussian)对红外图像进行初级信息处理,初步检测出弱小目标。而后,分为空域和频域两个通道进行特征提取。在空域通道,利用图像信息构造二阶微分Hessian矩阵,通过计算其直迹与行列式进行局部极值的判定,提取出含有弱小目标的结构分量特征;在频域通道,利用小波对图像频域进行二级分解,提取出含有弱小目标的高频分量特征。最后,将空域通道与频域通道的分量特征整合,提取出复杂背景下的弱小目标。实验结果表明:当虚警率为10-3时,该方法对弱小目标的平均检测概率为95.17%。基本满足红外弱小目标检测方法的稳定可靠、精度高等要求。     

基于注意力机制的曲轴瓦盖上料机器人视觉定位和检测方法

为了解决曲轴瓦盖人工上料效率低下、易出错的难题,研究了基于注意力机制的曲轴瓦盖上料机器人视觉定位和检测方法,实现自动上料.针对图像特征不明显,在Faster R-CNN的特征提取网络引入注意力机制,将曲轴瓦盖图像不同位置的权重映射到特征通道,使深度学习模型能够更多地关注曲轴瓦盖的边缘和中心语义信息.为进一步提高定位精度...     

基于深度学习的视觉同时定位与建图研究进展

随着机器视觉的不断发展,视觉传感器其小巧轻便、价格低廉等优势,使得视觉同时定位与建图(VSLAM)越来越受人们关注,深度学习为处理VSLAM问题提供了新的方法与思路。本文综述了近年来基于深度学习的VSLAM方法。首先回顾了VSLAM的发展历程,系统阐释了VSLAM的基本原理与组成结构。然后从视觉里程计(VO)、回环检测与建图3个方面分析各类基于深度学习的方法,从特征提取与特征匹配、深度估计与位姿估计及关键帧选择等3个部分阐述了深度学习在VO中的应用;基于场景表达方式的不同,总结了几何建图、语义建图及广义建图中的深度学习方法。接着介绍了目前VSLAM常用的各种数据集以及性能评估指标。最后指出了目前VSLAM面临的难题与挑战,展望未来深度学习与VSLAM结合的研究趋势与发展方向。     

智能视觉检测平台的控制系统研究与开发

产品质量检测是工业自动化生产线上的重要环节,基于机器视觉的智能检测的是产品质量检测的重要方法.文中介绍了多功能、通用型的智能视觉检测平台的控制系统策略,提出了一种PC＋运动控制卡＋数据I/O卡的控制方式,分析了各控制单元的软硬件结构和基本工作原理.并以VC＋ ＋为工具,开发了具有良好的通用性、移植性和可扩展性的控制系统软件.     

基于机器视觉的重轨表面缺陷检测系统的研究

针对目前几种常用的重轨缺陷检测方法检测速度慢、精度低等问题,提出一种基于机器视觉的重轨表面缺陷检测系统的设计方法.针对重轨表面常见缺陷种类,根据实验情况对该检测系统的硬件系统进行详细设计.并分别对重轨表面字符和缺陷采用信息定位和模式识别实现图像识别,使重轨缺陷和重轨号等字符信息的相应关系达到自动判别,从而实现缺陷检测的目的.