基于ISM形状模型的目标检测算法

提出一种能适应不同方向目标检测,可以有效减小训练样本集数量的目标检测算法。算法包含两部分:ISM(Implicit Shape Model)形状模型生成和目标检测。ISM形状模型中包含目标描述表和ISM形状模型两部分。目标检测时将图像中的局部特征与目标描述表进行匹配,同时结合ISM形状模型生成投票空间。通过在投票空间中搜索局部极大值,并采用自顶向下的分割和MDL算法来剔除虚假目标,获取图像中的目标检测结果。编程实现了该算法,并用汽车、摩托车、行人等典型目标进行了目标检测试验。试验结果证明该算法对复杂背景下目标检测有较好的性能。用含不同角度目标的图像与原算法进行了对比实验,实验结果表明提高了算法对目标角度变化的适应能力。     

基于轮廓几何稀疏表示的刚性目标模型及其分级检测算法

刚性目标轮廓具有明显几何特性且不易受光照、纹理和颜色等因素影响.结合上述特性和图像稀疏表示原理,提出一种适用于刚性目标的分级检测算法.在基于部件模型(Part-based model, PBM)的框架下,采用匹配追踪算法将目标轮廓自适应地稀疏表示为几何部件的组合,根据部件与目标轮廓的匹配度,构建描述部件空间关系的有序链式结构.利用该链式结构的有序特性逐级缩小待检测范围,以匹配度为权值对各级部件显著图进行加权融合生成目标显著图. PASCAL图像库上的检测结果表明,该检测方法对具有显著轮廓特征的刚性目标有较好的检测结果,检测时耗较现有算法减少约60%~90%.     

改进的活动形状模型肺部轮廓提取算法

在医学临床实践和研究中经常需要对胸部DR图像的肺部解剖结构进行识别和精确定位,以获取有用的信息.本文采用一种形变模型分割技术--活动形状模型(Active Shape Motlel.ASM).对胸部DR图像进行肺部轮廓提取.为了提高ASM算法的性能,提出了一种改进的ASM算法.首先,精确定位肺尖和肋角的位置用作平均形状模型的初始化,并采用以轮廓点为中心的矩形区域的平均灰度信息进行轮廓匹配,其次,采用Gaussian金字塔多分辨率搜索策略,提高了定位速度.实验结果表明,与传统的ASM算法相比,该算法在肺部轮廓提取的速度与准确性均有显著地提高.     

基于轮廓的形状射线描述模型

提出一种新的基于轮廓的形状描述和匹配方法。提取物体的轮廓并在轮廓上进行等间隔采样,利用参考点到采样点的距离、采样点处的轮廓方向及采样点间的空间关系来直观地表达目标的形状特征;通过在不同尺度、方向和位置进行最大表决来获得形状匹配的尺度、旋转和平移不变性;提出了结合局部和整体特征的相似度评分机制来实现目标的匹配和检测。实验表明,形状的射线描述模型不仅能对具有清晰轮廓的目标进行有效的检索和匹配,也可在复杂的图像背景中检测目标。     

活动轮廓模型目标跟踪算法综述

目标跟踪是当前计算机视觉领域最活跃的研究主题。首先对基本的跟踪类型进行了介绍;然后讨论了基于活动轮廓模型的图像分割,重点分析了参数活动轮廓模型的梯度矢量流模型（Gradient Vector Flow,GVF）,以及几何活动轮廓模型中的模型;并讨论了基于粒子滤波的目标跟踪算法的研究现状,最后展望了这一领域未来研究的热点。     

自适应不规则形状扩展目标跟踪算法

针对具有不规则形状的扩展目标跟踪问题,在目标先验形状未知和运动过程中目标形状发生突变的情况下,提出基于星凸形随机超曲面模型的自适应轮廓扩展目标跟踪算法.首先,研究星凸形扩展目标形状的径向函数傅里叶系数自适应设定问题,基于中心轮廓距离提出不规则形状的自适应方法.其次,针对扩展目标在运动过程中可能发生的形状突变问题,结合滑动窗口构造检测统计量对目标形变进行实时检测,并提出自适应轮廓快速逼近算法对形状突变的扩展目标进行实时跟踪.然后,提出一种拟Jaccard距离作为形状估计质量的评价指标.最后,仿真实验验证了本文所提算法的有效性.     

采用测地线活动轮廓模型检测与跟踪运动目标

水平集几何活动轮廓模型能较好地适应曲线的拓扑变化.为了跟踪和获取刚体和非刚体运动目标的轮廓信息,提出了一种基于改进测地线活动轮廓(GAC)模型和Kalman滤波相结合的算法以检测和跟踪运动目标.该算法首先采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内采用引入距离规则化项的GAC模型进行曲线演化,使改进GAC模型在运动目标的真实轮廓处收敛;然后通过结合Kalman滤波预测目标下一帧的位置,实现对目标轮廓跟踪.实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测和跟踪效果.     

改进主动形状模型彩色图像目标定位研究

研究彩色图像目标定位精度问题。对目前常见的图形图像中目标定位算法进行研究总结,分析了目标定位抽象流程,阐述了基于改进灰度模型的目标定位算法,提出了一种主动形状模型和HSV颜色模型,以求取优化定位效果、降低算法的时间和空间复杂度为目标,设计了相关改进思路。将基于改进主动形状模型的彩色图像中目标定位算法应用到彩色视频图像中,针对处理结果进行科学评价。通过实际的应用,再次验证了提出算法的可行性和高效性。     

结合先验形状和Mumford-Shah模型的活动轮廓分割

基于先验形状和Mumford-Shah模型的活动轮廓分割是一种抗噪声干扰、稳定的图像分割方法。该模型采用水平集方法,并结合活动轮廓模型、先验形状和Mumford-Shah模型来控制曲线演化。特定目标的先验知识可以有效地指导目标准确分割,经过主成分分析（PCA）法可以得到感兴趣对象形状的主要信息。通过对不同图片分割实验表明,针对特定的形状,该方法对杂乱背景、部分遮挡、缺失和强噪声的图片依然能得到满意的结果。     

YOLO-K模型多目标检测算法研究

针对图像中目标过多、相似以及有遮挡的情况,提出了一种改进传统YOLO v3算法的新算法.首先,为了使改进的算法可以更准确的检测小尺度目标,在原算法的网络中增加浅层特征提取层,然后,为了提高大尺度目标的检测精度,在大尺度特征提取层上增加输出层,得到改进的YOLO-K模型,并通过数据集进行测试验证.实验结果表明,YOLO-...     

一种利用形状片段的物体检测方法

针对物体检测中传统方法计算量大, 对复杂背景敏感, 且大部分物体检测方法只能得到物体所在区域而不能精确定位物体边缘等问题, 本文提出一种基于形状片段特征的物体检测方法. 该方法首先根据训练集得到具有多尺度特性的物体形状片段模型; 对测试图像按照和模型中边缘片段提取一致方法, 根据形状片段间的相似度, 选取出候选形状片段; 然后根据候选形状片段估计出模型中的片段与测试图像中片段之间的旋转角; 最后结合具有全局约束的概率Hough变换, 将物体检测问题转换为Hough空间概率问题; 根据Hough空间求解出的物体中心位置, 对候选形状片段验证, 得到实际物体轮廓片段. 理论分析和实验结果表明, 本文提出的算法具有较好的效果.     

基于先验形状的人工目标识别与轮廓恢复

以具有典型形状特征的操场为例,探讨了形状特征在人工目标自动识别中的应用。基于形状特征的人工目标识别,一般首先将图像分割为多个基元,然后依据人工目标有较规则形状的特点,以形状特征作为指标进行识别。由于高分辨率遥感图像细节信息丰富,这种方法所提取的目标轮廓往往不完整。本文提出了"图像-基元-目标-轮廓恢复"的识别模式,在目标识别后采用加入形状先验知识的主动轮廓模型对目标进行轮廓恢复。实验结果表明,这种方法可以有效地修正目标提取结果中的轮廓缺失。     

基于形状保持主动轮廓模型长直条的检测

通过形状约束方程(组)与一般主动轮廓模型结合,将目标形状与主动轮廓模型融合到统一能量泛函模型中,提出一种形状保持主动轮廓模型.模型通过参数化水平集函数的零水平集表示某一类特定形状,不仅达到了分割即目标的目的,而且能够给出特定目标的定量描述.根据形状保持主动轮廓模型,建立一个用于长直条状目标检测的统一能量泛函模型,导出相应的Euler-Lagrange常微分方程并用水平集方法实现了长直条状区域的检测.此形状保持模型的一种特殊情况可以用于直线状地平(海天)线提取.实验结果表明,该模型不仅能够准确地检测出给定图像中的长直条状区域而且有很强的抗噪、抗变形及遮挡性能.     

用于形状识别的目标轮廓无序点集描述与匹配

将目标形状的轮廓看成一个无序的点集,从中抽取形状特征,用于快速而有效的目标识别是形状分析任务中的挑战性问题.针对该问题,提出了一种基于复杂网络模型的形状描述和识别方法.该方法提出用一种自组织的网络动态演化模型构成一个分层的描述框架,在网络动态演化的每一个时刻,对网络分别进行局部测量和全局测量,抽取网络的无权特征和加权特征.在形状匹配阶段,用获得的局部描述子和全局描述子分别进行局部匹配（基于Hausdorff距离）和全局匹配（基于L₁距离）,组合两种匹配的距离值构成对形状的差异度度量.用标准的测试集对所提出的方法进行性能测试,实验结果表明,所提出的算法能够快速而又鲁棒地完成较高精度的形状识别任务.     

基于SVM的遥感影像目标检测中的样本选取

在基于支持向量机的遥感影像目标检测中,因为有限的目标样本和相对复杂的背景,造成检测结果的虚警率偏高。论文提出了自举算法用于样本的选取,试验表明该方法可使检测的虚警率成倍降低。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

基于稀疏Transformer的雷达点云三维目标检测

随着计算机视觉技术的发展,基于点云的三维目标检测算法被广泛应用于自动驾驶、机器人控制等领域。针对点云稀疏条件下基于点云三维目标检测算法鲁棒性较差、检测精度低的问题,提出基于稀疏Transformer的三维目标检测算法。在注意力矩阵生成阶段,通过稀疏Transformer模块显式选择Top-t个权重元素,以保留有利于特征提取的权重元素,在降低环境噪点对鲁棒性影响的同时加快Transformer模块的运行速度。在回归阶段,将基于空间特征粗回归模块生成的边界框作为检测头模块的初始锚框,用于后续边界框的精细回归操作。设计基于体素的三维目标检测算法的损失函数,以精确地衡量类别损失、位置回归损失和方向损失。在KITTI数据集上的实验结果表明,相比PointPillars算法,该算法的平均精度均值提高3.46%,能有效提高点云三维目标的检测精度且具有较优的鲁棒性。相比原始Transformer模块,所提稀疏Transformer模块在点云图像上的平均运行速度加快了约0.54 frame/s。     

基于改进混合高斯模型的运动目标检测方法

针对传统高斯模型易将背景显露区域检测为前景问题与对复杂场景下噪音处理效果差的缺陷,提出了一种混合了三帧差算法的改进混合高斯模型算法. 利用三帧差算法快速确定背景显露区域与前景的优势,提高了算法对背景显露区域的适应性;提出一种背景模式邻域更新法,提高了对复杂背景噪音的抗干扰性. 通过实验证明,该算法与传统方法相比,在复杂背景下减少了大量噪音,学习周期短,提高了对天气、摄像头震动等干扰的抗性,优化了背景显露引起的“影子”噪音问题.     

基于SACON模型和五帧差分法的目标检测算法

在充分研究现有运动目标检测算法的基础上,针对当前常用运动目标检测算法易受光照和噪声的影响,不易提取完整运动目标,提出了一种新的结合SACON背景模型与五帧差分法的运动目标检测算法.对传统的SACON算法进行改进得到运动区域,与五帧差分算法提取的运动目标相结合,采用动态阈值以适应光线突变,通过孔洞填充等后处理,综合得到运动前景图像.该算法有效地处理了孔洞和噪声问题,具有很好的实时性以及抗干扰能力,能够精确地检测出运动目标.