基于视觉仿生机理的铜带表面缺陷检测

受神经解剖学和心理学中有关视觉系统研究成果的启发,提出一种基于生物视觉仿生机理的铜带表面缺陷检测模型。该模型首先使用Gaussian金字塔分解和Gabor滤波器提取缺陷图像特征,合成特征显著图,然后模拟自底向上注意机制,分析视网膜中央凹的内容以获取what信息;再根据扫视仿真中访问点的时间顺序序列,即扫描路径,组成where信息流;最后利用离散的可观测马尔可夫模型,根据what信息和where信息调整相应类的单个马尔可夫链的概率,最大化训练样本的似然值,从而实现缺陷的正确分类。实验结果表明,本文算法在表面缺陷检测系统中的可行性及有效性,在多类缺陷分类中达到94.40%的总准确率。     

基于协同感知的视觉选择注意计算模型

鉴于在任务相关的视觉注意中,需要建立基于任务的视觉注意显著图来引导视觉注意,为此利用与人认知过程相接近的协同感知理论来研究基于任务的视觉注意计算模型,即首先利用协同识别理论研究二义及多义模式的视觉感知,得到协同视觉感知理论;然后将协同视觉感知中的模式与从视觉注意模型中提取的底层视觉特征相对应,利用偏置矩阵的性质计算底层视觉特征间受任务影响而产生的偏置,再由此偏置和底层视觉特征生成基于任务的视觉注意显著图;最后提出了基于协同感知理论的视觉选择注意计算模型。该算法用于基于任务的视觉搜索的实验结果表明,该算法是有效的,在认知上是合理的。     

基于视觉选择性注意机制的目标检测的研究

视觉选择性注意模型的应用是当今认知信息处理领域的研究热点。根据人类视觉感知理论,在介绍具有代表性的视觉注意模型（Itti模型）的基础上,在特征提取的初级阶段引入新的低层视觉特征,形成一种新的引导注意的显著图,从而实现较为准确的目标检测。结果证明该方法在一定程度上避免了漏检测现象的发生,使得注意区域更能接近生物视觉系统的实际。     

基于视觉仿生的图像目标分类算法

总结了当前图像目标识别算法的现状;从生物医学角度出发,分析了人类对图像信息的获取原理,提出一种基于仿生思维的图像亮度自适应调整算法;从人的视觉系统机制出发,实现一种从各种复杂的图像背景中分辨出同类目标的视觉仿生分类算法。实验结果表明,对于针对各种复杂的、具有多目标的图像,与其它目标分类算法比较,视觉仿生算法的分类效果更好。     

一种用于复杂目标感知的视觉注意模型

针对自然场景图像中复杂结构目标的快速定位问题,提出一种新的视觉注意模型。对目标进行学习提取显著性图斑,将图斑的特征信息、异质图斑之间的相对位置关系引入视觉注意过程,采用基于图匹配的图斑搜索策略合并与目标特征相似的异质图斑,从而获得注意焦点。与自底向上的视觉注意模型进行实验对比,结果表明该模型能引入复杂结构目标的特征信息和结构信息,降低无效关注次数,提高视觉注意的效率。     

视觉感知式场景文字检测定位方法

针对自然场景中复杂背景干扰检测的问题,本文提出一种基于视觉感知机制的场景文字检测定位方法。人类视觉感知机制通常分为快速并行预注意步骤与慢速串行注意步骤。本文方法基于人类感知机制提出一种场景文字检测定位方法,该方法首先通过两种视觉显著性方法进行预注意步骤,然后利用笔画特征以及文字相互关系实现注意步骤。本文方法在ICDAR 2013与场景汉字数据集中均取得较有竞争力的结果,实验表明可以较好地用于复杂背景的自然场景英文和汉字的检测。     

基于单目计算机视觉的目标跟踪与识别方法讨论

通过实验,对几种常用的图像处理方法在单目计算机视觉下进行目标的跟踪与识别,并进行对比,总结出各方法在不同场景中的处理效果,并提出了相应的使用建议。     

引入视觉注意机制的目标跟踪方法综述

视觉跟踪在无人飞行器、移动机器人、智能监控等领域有着广泛的应用,但由于目标外观和环境的变化,以及背景干扰等因素的存在,使得复杂场景下的鲁棒实时的目标跟踪成为一项极具挑战性的任务. 视觉注意是人类视觉信息处理过程中的一项重要的心理调节机制,在视觉注意的引导下,人类能够从众多的视觉信息中快速地选择那些最重要、最有用、与当前行为最相关的感兴趣的视觉信息,特别地,人类能够快速指向感兴趣的目标,从而可以轻松地实现对目标的稳定跟踪.因此,将视觉注意机制引入到复杂场景下的目标跟踪中,有利于实现更为稳定和接近于人类认知机制的视觉跟踪算法.本文旨在对引入了视觉注意机制的目标跟踪方法进行综述. 首先,介绍了视觉注意的基本概念及其代表性的计算模型;其次,对视觉注意与跟踪的内在关系进行了阐述;然后,对引入视觉注意机制的目标跟踪方法进行归纳、总结和分类,对代表性的方法进行介绍和分析;最后,对该类方法的特点和优势进行了讨论,并对未来的研究趋势进行了展望.     

基于语义联想和视觉焦点的场景目标识别

为改进传统识别方法中各种分类器对目标区域分类错误的状况,在分类器中加入语义联想的机制,通过语义网的语法结构对分类出错的区域进行重新分类,直到将目标区域分类满足语法结构;为实现多目标的准确定位,引入视觉焦点吸引力的概念,通过分块操作提取最佳吸引力点来定位目标。实验结果表明,这两个改进将目标识别率提高了2%-8%,实现了对复杂场景中遮挡的多目标数目的确定和具体位置的定位。     

一种基于视觉注意的小目标检测方法

为了方便而快速地在图像中标出目标,提出了一种基于视觉注意的小目标检测方法。该方法对Itti通用视觉注意计算模型作了改进,将目标检测过程分为亮目标检测和暗目标检测。其中亮目标检测采用了简化的Itti模型,暗目标检测主要采用侧抑制网络模型,将亮目标检测与暗目标检测各自生成的显著图合成得到最终的显著图。通过设定一阈值得到图像的预注意区域,采用模糊C-均值算法进行图像分割,以便相对完整地标出每个目标。结果表明,算法能够有效地检测待检测目标。     

基于计算机视觉的材料感知技术综述

针对计算机视觉的材料感知问题,综述了国内外的主要研究成果,介绍这些研究的主要方法及其典型算法和基本思想,归纳出材料视觉感知的两种主要研究方法,即材料识别和分类以及材料属性和参数估计。最后提出目前研究所存在的关键问题,并指出材料视觉感知未来的可能发展方向。     

基于计算机视觉的图像多尺度识别方法

针对图像识别中图像尺寸比例不一致、旋转角度不相同,以及识别率低、鲁棒性差的问题,提出一种图像的形态学识别算法。首先对图像进行中心化及归一化处理,同时将图形的轮廓图像转换为二值图像;其次采用大小变化的圆形进行图像过滤,获取图形不同尺寸的形态学特征,建立扇形区域特征向量;最后采用多尺度的分析方法进行图像识别以及图像角度分析。在角度无关性、比例无关性、轮廓干扰鲁棒性下与传统方法进行对比实验,实验结果表明该方法有较高的识别率,并可以分析出图像间的角度差值,在图像轮廓有噪声的情况下有较好的鲁棒性,同时大大降低了图像尺寸比例不同、旋转角度不同对图像识别的影响。     

指针式仪表读数的机器视觉智能识别方法

为快速准确地自动识别指针式仪表读数,采用机器视觉技术,结合减影法和Hough变换法对仪表读数进行智能识别.对指针式仪表图像进行图像二值化、形态学处理和边缘检测预处理;利用Hough变换检测仪表中的指针,计算得到指针方向和定位圆形,实现指针式仪表的智能识别.实验结果表明:读数识别的平均相对误差为0.91%,精度较高,能较好地识别指针式仪表读数.     

基于形态学的快速图像搜索与识别算法

介绍了一个无人直升机实时机器视觉系统的设计和实现,重点是图像的动态处理技术.以自适应门限值提取前景区域,通过扩展的连通分量提取算法实现了目标的快速搜索,最后基于几何特征对目标加以识别.通过在大量飞行中对目标的成功搜索和识别,证明了该算法的有效性.     

路面车辆的视觉检测方法

智能车辆是近年来的研究热点,基于视觉的车辆检测与识别技术是智能车辆技术研究的一个重要组成部分。介绍国内外路面车辆检测技术的研究方法和发展现状。根据检测的不同方法,以视觉传感器为主,从特征和运动的角度论述目标检测的方法;从模板、外观和分类的角度论述目标识别的方法。介绍立体视觉和多传感器融合的技术。对智能车辆障碍物检测和识别技术的发展进行了展望。     

自然场景中基于局部轮廓特征的对象识别方法

在自然场景下,受背景纹理及光线影响,很难提取到对象完整的轮廓,提出了一种基于局部轮廓特征的识别方法。提取图像的边缘线段,进行基于关键点的分裂与基于Gestalt感知定律的断续线段的合并处理,得到不同方位的独立直线段。分析2或3相邻线段构成的轮廓特征,通过线段之间夹角、长度和线段的向量对2相邻直线段构成轮廓特征的语义模型定义。分解对象的整体模板轮廓,手动绘出2或3相邻直线段所组成局部轮廓特征的样本,结合2相邻直线段语义模型与手动绘出的样本从线段夹角、长度以及对应线段向量之间的关系进行匹配,实现2或3相邻直线段组成局部轮廓特征的检测。求出所检测局部轮廓特征的位置点进行聚类实现对象的识别。通过对直无人机巡检所拍摄的输电线路图像处理,验证了这种方法能有效识别间隔棒和防震锤部件。     

基于特征分析的番茄识别及其软件的快速开发

为导引机械手采摘番茄,提出了基于形状与纹理特征分析的番茄识别和软件实现方法。提取番茄和枯叶等干扰物的子图像,选择3个形状特征和5个纹理特征参数进行统计分析,在Matlab下快速验证番茄识别算法,再利用OpenCV函数库在Visual C++下对识别算法进行再现,实现了目标识别软件的快速开发。对674幅番茄图像进行识别试验的结果表明,对生长状态为相互分离的成熟番茄,正确识别率达到90%以上。不同分辨率的番茄图像处理实验结果表明,利用OpenCV函数库编制的程序比Matlab下的代码执行效率显著提高,而且能实时采集并同步处理双目图像,可为采摘机器人目标识别和软件开发提供参考。     

机器视觉技术在荔枝识别与定位研究中的应用

为解决串型荔枝图像识别和定位问题,提出以Harris与SIFT算法融合的采摘点计算与匹配为基础,进行平行双目立体视觉模型下采摘点定位的研究方案。首先对荔枝YCbCr色彩空间的Cr灰度图进行二次阈值分割,分类识别出荔枝串、荔枝果与结果母枝。其次,提取识别果实区域的最小外接矩形、质心等特征信息,结合在结果母枝上检测的Harris特征点计算出采摘点的二维图像坐标,并对计算采摘点进行基于SIFT向量搜索的立体匹配。最后,对计算采摘点进行视觉定位及其深度误差分析实验,实验数据表明：在354~590?mm距离范围内,插值补偿后的采摘点的定位深度误差小于10?mm,能够较好满足荔枝采摘机器人的现有技术要求。     

基于SIFT和Hu特征融合的单目视觉识别算法研究

研究了机器视觉技术在三维物体识别定位问题中的应用。利用Visual C＋＋编程软件建立了摄像机标定界面,实现对摄像机进行快速标定的功能。提出了一种SIFT特征和Hu不变矩融合算法,该算法是一种融合了局部特征和全局特征的算法。其中全局特征反映了对三维物体图像的整体信息进行粗略匹配和定位,局部特征可以在全局特征中进行更准确特征匹配,该算法对伸缩、旋转和平移等有很好的抵抗能力。实验结果表明,该视觉算法可以有效解决三维物体匹配问题,并且有效提高了系统的识别速率和效率,满足物体识别的目的。