基于SIFT特征和ISM的X射线图像危险品检测方法

针对行李安检时X射线图像中的危险品检测问题,提出一种基于尺度不变特征变换(SIFT)和隐式形状模型(ISM)的检测方法。首先,采集不同姿态的危险品X射线图像,并标注目标位置,构建训练数据集。然后,通过SIFT算法提取目标关键点,并以此构建目标的ISM模型。在检测过程中,将提取的目标SIFT描述符与ISM模型中的视觉描述符进行匹配,通过投票机制来判断目标是否为危险品。通过手枪和酒瓶的检测实验表明,该方法能够从X射线图像中准确检测出危险品,且对目标姿态变化具有鲁棒性。     

基于矩阵分解的海洋SAR图像舰船检测

针对海洋原始图像与低秩和稀疏矩阵分解模型数据结构不一致的问题,本文提出一种新的基于矩阵分解的海洋SAR图像舰船检测方法。首先该方法需对结构化相似的海洋SAR图像进行重组;然后根据重组矩阵特性适应性设计一个分解精度更高、分解速度更快的新矩阵分解模型,并利用增广拉格朗日乘子法求解模型,在不依赖任何杂波模型和检测统计量的前提下,实现代表舰船目标的稀疏成分的提取;最后利用形态学处理进行优化,实现海洋SAR图像舰船目标的检测。基于高分三号SAR卫星数据的实验结果表明,相比已有的基于鲁棒主成分分析的舰船检测方法,本文方法在处理复杂海况时,能更快速度地以较好的形状从海杂波中准确提取舰船目标,具有更好的鲁棒性。     

基于时空分布的混合高斯背景建模改进方法

针对传统的混合高斯模型对动态背景敏感、缓变目标检测不准确等问题,提出了一种基于时空分布的混合高斯建模改进方法。该方法的基本思想是混合高斯背景基于时间分布信息建模的同时,通过随机数生成方法对邻域进行采样,完成像素空间分布的背景建模;同时利用像素历史统计信息和决策融合机制的前景检测方法,实现对静止目标判定以及前景运动目标更精确的提取。最后,将此算法与其他前景检测方法进行对比实验,表明了该算法对动态背景鲁棒性强、缓变目标检测准确的结论。     

高分辨率遥感图像中机场目标的并行快速提取

针对高分辨遥感图像机场目标检测存在漏检和误检,鲁棒性低,且处理多幅图片速度慢的特点,提出一种基于批量化并行处理模式的遥感图像机场目标提取方法。利用模糊增强方法对图像进行预处理,利用基于像素梯度和方差信息的模糊边缘检测算法对图像进行边缘检测,从中筛选出长直线,利用Hough变换提取其中平行的直线作为机场跑道特征。在得到的特征点中选取种子点进行区域生长,从而提取出完整的机场目标。利用MPI多进程并行处理的编程方法来实现对多幅图片中机场目标的批量化并行快速提取。实验结果表明该算法具有很好的鲁棒性,能准确地检测并提取出完整的机场目标,能够大幅度提高程序处理多幅图片的速度。     

基于概率分布图的运动目标轮廓快速提取方法

以对图像分析起重要作用的目标轮廓提取技术为重点,研究并提出一种基于概率分布图的目标轮廓快速提取方法,该方法先从视频中检测到前景目标并建立目标概率模型,再根据建立的模型计算目标概率分布图,用该分布图提取出目标轮廓。对2330幅包含运动目标的视频帧进行测试,结果表明,该方法简单有效,处理速度快,提取的轮廓准确、清晰,对目标形变具有很好的鲁棒性。     

基于显著语义模型的机场与油库目标的识别方法

采用与传统的利用特征匹配方法进行地物目标识别不同的思路,提出一种基于显著语义模型的机场与油库目标的识别方法.该方法在低层特征空间利用视觉关注模型将航拍图像分解成若干个视觉显著性子图,提取出目标可能存在的候选区域;对训练图像集构建基于SIFT局部特征的特征袋语义模型,并利用模型中的特征字典提取出显著性子图所包含的显著语义特征,以实现对机场和油库目标的快速检测识别.利用Google Earth构建了多种不同成像条件下的典型目标数据库,对文中方法的有效性进行验证.实验的结果表明,该方法比传统的特征匹配方法具有更好的识别性能和更高的运算效率,同时对于光照、视点和尺度变化等干扰具有较强的鲁棒性.     

一种多模型协同的目标提取方法

固定摄像机目标提取多以高斯混合模型为背景模型,在检测运动缓慢、间歇停滞的目标时会出现前景目标空洞的问题。为此,提出一种能够适应目标间歇停滞的多模型协同目标提取方法。采用高斯混合模型进行背景学习,通过光线检测模型和场景状态检测模型协同控制背景适时更新,利用阴影检测模型剔除阴影。实验结果表明,与KaewTraKulPong P方法相比,该方法能较完整地提取到目标轮廓,且单帧处理时间较少。     

融合显著性特征的自适应主动轮廓模型

主动轮廓模型存在演化速度慢、对初始轮廓和噪声敏感、弱边缘泄漏及目标过分割等问题。对以上问题进行了研究,提出了融合显著性特征的自适应主动轮廓模型。提出基于去雾算法的显著性映射作为正则项提升模型对初始轮廓位置的鲁棒性,防止轮廓演化过程过早陷入局部最优解,同时缩短轮廓演化时间。为了防止模型在演化过程中出现弱边界泄漏,模型中引入边缘检测函数作为能量泛函的权重。该模型利用最大面积稀疏约束,提出自适应目标提取方法来消除目标过分割影响。与多种主动轮廓模型在数据集MRSA500(500张)上进行实验对比,表明了提出的模型对初始轮廓和噪声的鲁棒性,而且提出模型的平均分割效率提升约5.6倍,平均Jaccard相似度系数提升约22%。     

电路板红外图像多目标提取算法

电路板红外图像芯片提取是电路板红外图像故障检测系统中的重要环节,传统的芯片发热区域提取方法或多或少需要人工干预,在芯片较多和热辐射情况复杂电路板中人工参与效果不是很理想．基于电路板红外图像特征提出了一种自适应多目标区域增长算法,将该多目标区域增长算法与GVF—Snake模型相结合用于电路板红外图像芯片提取．利用多目标区域增长算法将每一块芯片的发热区域和辐射区域一并提取,再利用区域增长确定GVF-Snake模型初始轮廓,利用GVF模型进行芯片发热区域提取．实验表明,这种算法能够无人工干预的准确提取电路板红外图像所有芯片发热区域,具有一定的实用性和鲁棒性．     

基于改进高斯混合模型的运动目标检测方法

传统高斯混合模型(GMM)对于光照突变十分敏感,且收敛速度较慢。为此,提出一种基于改进GMM的运动目标检测方法。利用不匹配像素消除光照影响,使用改进的GMM提取背景图像。通过差分当前帧与背景图像获得二值差分图像,从该差分图像中获取运动目标。实验结果表明,该方法能适应光照变化,提高检测的准确性和鲁棒性。     

基于深度学习的抓取目标姿态检测与定位

机器人对抓取目标进行高准确的姿态检测与定位依然是一个开放性的难题.本文提出了一种基于卷积神经网络对抓取目标快速姿态检测与精确定位的方法.该方法采用Faster R-CNN Inception-V2网络模型,在网络中将抓取目标的姿态角度采用分类标签方式输出,位置坐标采用回归方法,对Cornell公开数据集重新标注并训练端到端模型.模型在实例检测和对象检测测试集上分别取得96.18%和96.32%的准确率,对于每一幅图像的处理时间小于0.06 s.实验结果表明模型能够实时地对图像中单个或多个抓取目标进行快速地姿态检测与定位,准确度高并具有很强的鲁棒性和稳定性.     

基于Cauchy模型的行人轮廓提取及目标检测

为了提高行人目标轮廓参量的提取精准度数值,实现对待监测目标的实时稳定跟踪,提出基于Cauchy模型的行人轮廓提取及目标检测算法;基于Cauchy分布原理,估计行人轮廓目标的最大似然值,再结合计算第二类统计量方法,完成基于Cauchy模型的行人目标统计建模;在此基础上,建立卷积神经网络,利用卷积化与反卷积参量,提取Gabor行人轮廓特征;在目标图像分割理论的作用下,识别既定区域内的所有行人目标,持续标记各类已存在的行人目标,实时检测行人轮廓目标,实现基于Cauchy模型行人轮廓提取及目标检测;实验结果表明,与Kinect型检测算法相比,应用Cauchy型算法后,行人目标轮廓的检测精度值提高至93%,而PTR实测指标降低至3.97,可有效实现待监测行人轮廓目标的实时稳定跟踪。     

基于线段融合的空间非合作目标稳健特征提取算法

相对位姿测量是空间非合作目标态势感知的主要内容,在位姿测量中,需要先对目标图像进行特征提取,而特征提取的精度和鲁棒性直接影响位姿测量性能。为了提高空间非合作目标特征提取的鲁棒性,本文给出一种基于线段融合的特征提取算法。该算法首先采用基于梯度的滤波器来消除空间目标图像的背景干扰,然后采用LSD直线检测算法、Hough Lines直线检测算法和Shi-Tomasi角点检测算法提取三组特征点,再用K-D空间划分树以及K最近邻搜索算法融合这三组特征点,保留包含显著特征的较少数量特征点,进一步组合成线段结构,并对线段进行融合,以此来提取反映目标整体几何框架的信息,从而提升稳健性。仿真实验和半物理仿真实验测试结果表明,本文提出的基于线段融合的特征提取方法在空间目标特征提取中具有更好的稳健性。     

基于计算机视觉的客机舱门识别与定位技术研究

登机桥是机场将航站楼与飞机连接的活动通道,登机桥与客机舱门对接系统的智能化变得尤为重要;对于基于计算机视觉的客机舱门识别与定位系统,其关键组成部分是目标检测系统;传统的目标检测算法通过提取传统手工特征进行学习,不能达到鲁棒性好、速度快、准确性高的检测要求;基于迁移学习在深度学习上的应用,利用SSD(Single Shot Multibox Detector)算法,以轻量化的MobileNet作为特征提取网络,实现了鲁棒性好、准确度高的目标检测模型,完成对客机舱门的识别与定位,对不同样式的舱门、部分遮挡、背景变化、光照变化、运动模糊具有鲁棒性,能准确完成识别功能,完成对舱门在当前视觉图像中的相对位置的解算。     

基于区域特征分析的层级有序码书目标检测算法

针对原码书算法在检测中码字匹配效率低以及在复杂背景下检测精确度差的问题, 提出了一种基于区域特征分析的层级有序码书目标检测新算法。首先, 利用一种新颖的“码书—码章—码字”三级结构用以精确划分码书, 在优化了码字参数之后, 将码字按访问频度进行排序并组织成定长列表。实验数据表明, 该优化策略显著地提高了算法的实时性。其次, 提出一种基于局部方向模式的运动边缘标记法, 较好地克服了噪声的影响, 并准确而完整地获取了运动物体的边缘信息。最后, 将运动边缘轮廓区域与码书区域融合, 得到了准确的运动目标。算法在时间域和空间域构建了一个能精确反映运动目标本质属性的立体模型, 经实验验证, 本算法在有随机噪声及光照变化影响的场景中, 仍有较高的识别率和较好的鲁棒性。     

一种基于纹理测度的小波域数字水印模型

在图像数字水印技术中,采用JND阈值对水印的嵌入位置与强度进行控制,并在盲检测中作为搜索水印嵌入位置的依据,能够得到较理想的效果。JND阈值的鲁棒性对理想的盲检测结果至关重要。通过对数字水印系统的研究,提出了基于图像低频小波系数的定量纹理测度的JND阈值计算模型。该模型明显地提高了JND门限值的鲁棒性,即使在图像受到较大幅度改动的情况下,仍能很好地定位嵌入水印,从而有效地改善了盲检测的效果。同时给出了一种基于随机统计特征的匹配检测算法,该算法有效地提高了响应值,同时考虑响应值对应的虚警概率,从而使检测结果具有较强的说服力。     

快速交通标志检测预处理方法

为简化场景图处理的计算量,针对场景图复杂的颜色信息,提出了一种快速的交通标志检测预处理方法——颜色标准化。将颜色信息复杂的场景图映射成简单的由8种标准颜色组成的图像,并提取5种与交通标志相关的感兴趣颜色,滤除冗余区域后得到标准颜色的交通标志。该方法大幅度简化了场景图颜色信息的复杂性,节省了RGB-HSI模型转换的计算时间。实验表明,该预处理方法具有很好的鲁棒性,快速准确地实现了交通标志检测。     

YOLOv5目标检测的轻量化研究

现有目标检测算法通常存在体积较大、结构复杂等问题,致使室内机器人作业过程中识别速率与精度较差。针对这一问题,以室内目标检测为基础,提出了一种改进的YOLOv5s轻量化检测方法。该方法主要是在YOLOv5s网络的基础上引入ShuffleNet v2特征提取机制来实现网络的轻量化,同时采用加权双向特征金字塔BiFPN和边框回归损失EIOU获取特征信息更为丰富的特征图,来提升目标检测精度,从而得到一种新的室内目标检测模型。研究结果表明,改进后的模型参数量明显减少,模型复杂度减少了46%,平均精确率均值mAP提升到63.9%,实现了轻量化和检测准确率的平衡,该研究为目标轻量化研究提供了参考。     

基于深度学习的道路车辆目标检测系统设计

针对现有道路车辆目标检测系统由于计算量过大,且在复杂背景下容易出现误检的问题,设计了一种基于深度学习的道路车辆目标检测系统;系统硬件主要由信号输入模块、控制模块、中央处理模块和输出通道模块四部分组成;引入XCV50E芯片构建控制模块,通过高速随机存取存储器(RAM)快速分配信号;利用TMS320C6202芯片设置中央处理模块,将PCI9054作为信号输出模块的核心设备;软件设计中,完成用户登录、数据采集及处理、模型训练等设计;引入深度学习策略,先采用直方图均衡法处理环境光线干扰的问题,然后建立改进YOLOv4模型,处理噪声等干扰信息,最后基于注意力机制完成图像特征提取优化,进而更精准地完成道路车辆目标检测;实验结果表明,所提系统具有很好的鲁棒性,能够很好地减少计算量,提高检测准确率。