一种基于髓机Hough变换圆检测的改进算法

介绍了一种基于随机Hough变换（RHT）的圆检测的改进算法。该算法利用梯度方向信息来确定采样的三点是否进行累积,然后再利用确定候选圆范围的方法来缩小所要搜索的像素点的范围。此方法较好地解决了传统RHT中由于随机采样而造成的大量无效累积问题,并且改进后的算法使运行速度得到进一步的提高,检测性能也有较大的改善。该算法分别在加噪和不加噪的人工图像上做了实验,检测性能和处理速度方面都比传统的RHT有明显的改善和提高。     

一种基于随机Hough变换圆检测的改进算法

介绍了一种基于随机Hough变换(RHT)的圆检测的改进算法.该算法利用梯度方向信息来确定采样的三点是否进行累积,然后再利用确定候选圆范围的方法来缩小所要搜索的像素点的范围.此方法较好地解决了传统RHT中由于随机采样而造成的大量无效累积问题,并且改进后的算法使运行速度得到进一步的提高,检测性能也有较大的改善.该算法分别在加噪和不加噪的人工图像上做了实验,检测性能和处理速度方面都比传统的RHT有明显的改善和提高.     

改进的随机Hough变换的头部区域检测算法

介绍了一种基于随机Hough变换(RHT)的圆检测的改进算法。该算法利用梯度方向信息来确定采样的3点是否进行累积,并在获得真实圆之后采取部分删减的策略来更新边缘点集。此方法不仅解决了传统RHT中由于随机采样而造成的大量无效累积问题,并且有效改善了传统RHT方法中与梯度方向Hough变换(GHT)算法相比最优拟合结果丢失的情况。该方法在降噪后的图像上做了实验,最优拟合结果出现概率明显提高,检测性能有了显著的改善。     

基于梯度的随机Hough快速圆检测方法

针对随机Hough变换(RHT)在复杂图像中检测圆时产生随机采样的大量无效累积,提出了一种改进的RHT用于圆检测,方法利用梯度方向信息来判定是否对采样到的三点进行参数累积,从而较好地解决了无效累积问题。实验表明改进后的算法比原算法计算速度快,占用的内存小,检测性能有较大提高。     

一种新的随机Hough快速圆检测算法

随机Hough变换（RHT）在复杂图像中检测圆时随机采样会造成大量无效累积，该文提出了一种改进的RHT用于圆检测，它是利用梯度方向信息来决定是否对采样到的两点进行参数累积，从而较好地解决了无效累积问题，改进后的算法比原算法计算道度快，占用的内存小得多，检测性能有较大提高。     

改进的随机Hough变换圆检测算法

针对随机Hough变换会产生大量无效累积的问题,提出了一种改进的随机Hough变换算法来检测圆,该算法利用梯度来预先判断随机采样的三个点是否在同一个圆上,从而大大减少了无效累积;另外,该算法还在圆参数的计算、阈值的确定、候选圆的确认等方面进行了改进.实验结果表明,该算法精度高,速度快,检测性能有了较大提高.     

基于采样约束的随机Hough变换圆检测算法

为减少图像中的圆检测时间并提高圆检测精度,提出一种随机Hough变换圆检测算法。以随机采样的一点作为圆直径的一个端点,用约束候选圆直径范围的方法确定候选圆,再将候选圆n等分,对每个方向进行证据积累以判断是否为真圆,通过聚类算法剔除错误样本点,对真圆进行最小二乘拟合以得到更准确的圆参数,解决由于随机采样三点而造成的大量无效采样累积问题。实验结果表明,与RHT算法、ARHT算法和BRHT算法相比,该算法的检测速度更快、检测精度更高。     

改进的随机圆检测算法

介绍了一种基于随机圆检测的改进算法。解决了随机圆检测算法随机采样阶段引入的大量无效累积和验证阶段假设圆之外的边缘点所进行的无效计算的问题,首先对边缘图像进行8邻接连通,3个随机采样点在同一个连通曲线内选择,然后利用圆的性质求得圆的参数,再应用证据收集过程来进一步验证圆的真实性,该验证过程中只考虑假设圆的外切正方形和内接正方形之间的边缘点。实验结果表明,该算法计算量小,对比改进前,检测性能有所提高,且鲁棒性也相应提高,同时能够检测圆弧和有相互重叠的多个圆。     

改进的RHT算法在弹簧卡箍检测中的应用

针对弹簧卡箍零件缺陷检测的人工离线检测方法的一些缺陷,提出一种改进的随机Hough变换的智能检测方法。该方法以弹簧卡箍的几何特征作为分析对象,对RHT的随机采样作了3方面的改进,有效地减少了无效采样与无效累积。实验分析显示,改进的RHT用于弹簧卡箍的检测时,尺寸误差都在1个像素之内,并且检测时间只有改进前的RHT算法检测时间的27.05%,最少的只有4.62%。实验结果表明,改进的RHT算法能够更加准确快速地检测出弹簧卡箍的尺寸。     

改进的随机Hough变换在检测多圆中的应用

提出了一种在视觉检测中用于多圆提取的改进随机Hough变换算法，该算法采用一种新的取点方法来进行计算，避免了随机Hough变换由于随机采样造成的大量无效累积。并在计算圆的几何参数时充分利用了圆的几何特征，因此检测速度快，占用内存空间小，精度高，具有良好的抗噪和抗干扰能力。最后文中还分别给出了人工合成图和实物图的实验结果。     

应用Camshift跟踪算法提高视频中人脸检测速度

在OpenCV中提供的CascadeClassifier级联分类器利用Haar特征进行人脸检测时,检测速度很慢无法满足视频对实时性的要求,而且光照的影响也很大.基于这两点提出一种新的人脸检测算法,采用Camshift目标跟踪与人脸检测相结合提高检测速度并利用直方图均衡化减弱光照的影响.该算法首先把CascadeClassifier级联分类器方法检测到的人脸区域设为ROI区域,对ROI区域操作并用Camshift算法进行目标跟踪,其次要定时进行一次人脸检测用来更新ROI区域保证跟踪的准确性.经过实验结果分析表明：利用改进后的算法,人脸检测的速度有明显提高（约为40%）,并且减小了光照的影响.     

基于OpenCV的输送带跑偏自动检测算法研究

为提高输送带跑偏检测方法的实时性和精度,结合OpenCV函数库的优点,提出了一种输送带跑偏自动检测算法。该算法利用CCD摄像机实时采集输送带视频流图像,并对图像进行预处理,然后使用改进的Canny边缘检测算法检测图像边缘,最后利用Hough直线变换提取输送带跑偏特征,通过输送带图像的几何特征来判断其是否跑偏,如跑偏则报警。实验结果表明,该算法简单有效,运算速度快,实现了输送带跑偏的自动检测。     

一种快速收敛的变步长自适应谐波检测算法

为解决传统固定步长LMS自适应算法在电网谐波检测中存在的收敛速度和稳态误差之间的矛盾,本文提出了一种快速收敛的变步长自适应谐波检测算法。该算法以误差反馈信号、误差信号在总误差信号中所占的比率以及负载电流的相邻两个采样值之差的和作为自适应反馈量,并通过自适应反馈量的相干平均估计来控制步长的更新;同时对系统权值迭代公式进行改进提高收敛速度;并改传统的固定步长变化范围为时变范围,使步长变化更加平滑。该方法在负载突变的情况下有很好的跟踪性能,可有效的提高初始收敛速度、减小稳态失调。仿真分析及实验证明了该算法在谐波检测中的有效性和准确性。     

一种多运动目标检测方法在FPGA上的实现

运动目标的检测已在众多的领域得到了广泛的应用,但是由于嵌入式处理器自身的速度限制,该应用主要集中在PC机上。使用一种改进的基于纹理的算法用于背景提取。采用高速的FPGA实现,通过对基于局部二元模式直方图算法的改进,使该算法适合硬件实现,通过一个图像块硬件结构的实现,在FPGA上同时实现12个图像块并行处理,使系统处理速度有了很大的提高。     

一个自动阈值选择的镜头检测算法

对现有视频分割工作进行了简要回顾 ,并在已有的 Twin Comparison方法基础上 ,提出了一种新的象素域镜头检测算法 .该算法使用了一个滑动窗口进行镜头边界识别 ,仅需要一趟视频解码和扫描 ,提高了算法的速度 ,这样该算法可以应用于实时视频流的镜头检测 .同时该算法够根据滑动窗口中的帧间颜色直方图差异值来动态计算用于识别镜头变换的局部阈值 ,提高了镜头边界检测算法的精度 .实验结果显示 ,文中所述方法在速度和精确度上都优于 TwinComparison算法     

基于视频角点特征匹配的车速检测方法

针对传统特征匹配车速检测方法实时性较差的问题,提出一种改进的角点特征匹配车速检测方法。基于视频图像,采用混合高斯模型检测方法提取运动车辆目标,利用Harris算法检测车辆目标的角点特征,将运动估计和NCC匹配相结合,优化匹配区域搜索方法,对车辆目标角点进行角点粗匹配,再通过RANSAC算法进行角点精匹配和单视测量坐标转换以实现车速检测。实验结果表明,与传统方法相比,该方法的角点粗匹配速度提高400％,角点精匹配速度提高200％,车速准确性达到90％以上,能有效提高车速检测的实时性和准确性,满足实际车速检测的要求。     

实时视频中的快速人脸检测方法

提出一种实时视频中的快速人脸检测方法。采用DirectShow获取和回放视频帧,进行前处理。对所得彩色图像进行肤色分割,通过肤色的统计特性得到人脸候选区域,将该区域设置为感兴趣区域。运用基于局部扫描的AdaBoost算法对每个感兴趣区域进行检测。实验结果证明了该方法的有效性。     

基于区域划分的角点检测

本文主要研究角点检测中全局/局部的搜索算法,针对该算法效率较低的情况提出了改进的角点检测算法. 该算法采用相似金字塔计算原理构造多层图像,同时采用多尺度Harris算子分层搜索并提取图像特征角点,经过分层图像、分区域图像的特征角点进行融合计算,实现了目标特征点寻找. 该算法主要在角点检测上考虑不同层次的图像和单张图像区域关系,并且通过特征点周围像素的变化参数来实现目标的定位. 实验结果表明,本文提出的改进算法提高了总体定位的速度,降低了误定位的概率.     

改进的基于高斯混合模型的运动目标检测算法

针对固定场景视频监控中,由于运动物体在运动目标检测算法初始化时的存在而导致传统的基于高斯混合模型的运动目标检测算法收敛速度慢的问题,提出了改进算法。该改进算法通过采用在线K-均值聚类方法对混合高斯模型进行初始化,提高了算法的收敛速度。同时在模型更新时,通过对匹配准则和新高斯分布生成准则的改进,节约了存储空间。实验结果表明,与传统算法相比,改进算法能够快速、有效地检测运动目标,具有更好的鲁棒性。     

复杂场景下基于改进YOLOv3的车牌定位检测算法

针对在光照、多车辆和低分辨率等复杂场景下车牌定位困难、检测速度慢和精度低等问题,提出了一种改进YOLOv3的方法。采用K-means++方法对实例的标签信息进行聚类分析获取新的anchor尺寸,通过改进后的精简特征提取网络（DarkNet41）来提高模型的检测效率并降低计算消耗。此外,改进了多尺度特征融合,由3尺度预测增加至4尺度预测并在检测网络中加入了改进后的Inception-SE结构来提高检测的精度,选取了CIoU作为损失函数。预处理方面用MSR（Multi-Scale Retinex）算法对数据进行增强。实验分析表明,采用该算法mAP（均值平均精度）达到了98.84%,检测速度达到36.4帧/s,与YOLOv3模型以及其他算法相比具有更好的准确性和实时性。