基于卷积神经网络视觉融合的动态手势识别

为了提高多帧视频序列中动态手势的识别效果,结合计算机视觉分析,提出了基于卷积神经网络视觉融合的动态手势识别方法.采用模糊数据多频谱方法进行多帧视频序列中动态手势视觉图像采集,对采集的图像用Harris角点检测和多传感识别方法进行多模状态分层特征点标定,用卷积神经网络视觉融合方法提取多帧视频序列中动态手势动作的边界轮廓特征点信息,分析多帧视频序列中动态手势的层次化分割特征,用图像分割和边缘信息增强方法,提高动态手势图像的分辨能力,结合角点优化检测技术,用视觉动态跟踪分析实现对手势动作特征点的自动化标定,根据动态手势的帧点分布规则实现多帧视频序列中动态手势动作图像的自适应特征检测和识别.仿真结果表明,采用该方法进行多帧视频序列中动态手势识别的准确性较高、实时性较好.     

引入Harris角点检测的运动图像边缘轮廓提取

对运动目标图像进行边缘轮廓特征提取,提高运动图像的电子稳像性能,从而准确实现运动目标的检测和识别.提出了一种基于Harris角点检测的运动图像边缘轮廓提取算法,对运动图像进行仿射不变闭合区域增强处理,采用Kalman滤波和运动状态相邻帧补偿的方法进行运动图像Harris角点检测,提高相邻两帧之间边缘轮廓的角点检测能力,实现了运动图像边缘轮廓的提取和稳像处理.仿真结果表明,用该方法进行图像边缘轮廓角点提取的准确度高且稳健性好.     

基于细化分割的遥感影像水体边缘轮廓提取

为实现遥感影像的水资源特征识别,需要对遥感影像中的地表水体边缘信息进行有效检测识别,提出了一种基于细化分割的遥感影像水体边缘轮廓提取识别方法。采用卫星遥感技术进行高分辨率遥感水陆场景图像成像,通过灰度像素增强技术进行遥感影像空间分辨率增强处理,在不同场景纹理中进行遥感影像空间像素特征重构,以中心像素的灰度值为阈值建立遥感影像陆地地物的空间结构特征辨识模型,采用细化分割方法进行遥感影像的水体边界点分割处理,采用形态学滤波方法进行遥感影像水体边缘轮廓检测过程中的细化分割和滤波,对水陆粗分离结果进行形态学闭运算处理,根据细化分割结果进行水体边界平滑处理,实现对遥感影像水体边缘轮廓的提取。仿真结果表明:采用该方法进行遥感影像水体边缘轮廓提取的精度较高,水体边界平滑性较好,轮廓特征的辨识度较高。     

基于卷积神经网络的图像精度深度优化

传统的图像精度深度优化方法优化后的图像精度仍然较差,为此设计一种基于卷积神经网络的图像精度深度优化方法.采用目标监测方法提取图像目标区域特征,对图像的原始特征提取,利用深度学习框架生成多个特征图表示图像信息,并对图像像素集分割,固定待提高精度的图像,利用卷积神经网络修复图像,以实现图像增强,完成基于卷积神经网络的图像精...     

基于卷积神经网络的人脸图像特征提取

为了提高对人脸的自动识别和检测能力,提出了一种基于卷积神经网络的人脸特征提取技术。采用连续模板匹配技术进行人脸边缘轮廓的检测,采用Harris角点检测方法进行人脸的关键特征点定位,在人脸的分块区域内进行人脸的肤色特征分析和外包矩形轮廓区域特征提取,结合肤色特征对图像中人脸特征点进行图像重构和精确定位,对提取的人脸特征点采用卷积神经网络进行分类,实现对人脸图像特征的优化提取。仿真结果表明,采用该方法进行人脸特征提取的准确性较高,具有较好的特征匹配能力。     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

违章停车检测与识别算法

针对传统违章停车人工检测方式的缺陷,设计了基于图像处理技术的停车违章监控算法。在禁停路段区域设置视觉传感器采集视频图像序列,利用自适应的混合高斯模型实现复杂交通场景下的背景抽取,提取可能运动前景目标。利用像素级时间序列特征检测静止物体,并根据对象级区域特征实现停驶车辆的辨识,获取车辆的违章停车信息。根据不同禁停区域的具体违章要求实现自动警报。最后,通过实际交通场景视频序列对算法进行了验证,结果表明了本文方法的有效性。     

基于双目视觉的显著性区域检测

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法. 采用简单线性迭代聚类（SLIC）方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.     

基于区域生长的智能车辆阴影路径图像分割方法

针对作者自主开发的视觉导航区域交通智能车辆(Cyber Car)的导航路径在阴影条件下难以应用单一传统阈值方法分割提取的问题,提出了基于区域生长的图像分割方法.该方法利用路径边缘信息寻找种子点,进而对整个路径区域进行生长,最终实现车辆导航路径的准确分割与提取.同时为满足车辆导航实时性的要求,还提出了对分块子图像进行压缩的方法.对不同阴影下导航路径图像的分割试验表明,该方法能够实时、准确地识别导航路径,并具有较强的抗干扰能力.     

基于先验形状信息和水平集方法的车辆检测

针对交通视频检测应用,提出一种基于先验形状信息和主动轮廓模型的运动车辆检测方法.算法首先利用颜色信息和边缘信息检测并去除车辆阴影,提取车辆的初始轮廓;为了改善车辆轮廓的提取精度,在进一步的车辆分割中引入车辆形状的先验知识,用水平集符号距离图像的隐含表示建立车辆的先验形状模型,并以先验的车辆形状模型作为约束构造出主动轮廓能量函数;将第一步获得的车辆轮廓作为车辆分割演化曲线的初始轮廓,采用变分法求解能量函数的极小值,利用形状配准和水平集方法演化车辆的分割曲线,得到准确的运动车辆轮廓.将该方法应用于实际采集的交通视频,获得了很好的测试结果.     

基于深度图像的在线手势识别方法与性能研究

对Kinect设备获取到的深度图像进行手部区域分割,分别比较扫描法和区域生长法的图像分割效果,并提取手部的轮廓信息实现手掌心和指尖的定位,以区域协方差作为手势的特征变量,结合指尖识别算法实现了在线手势识别。结果表明：扫描法比区域生长法所识别出的手掌点和轮廓点更多,与自适应PCA识别算法相比具有更好的识别效果,静态手势测试的指尖平均识别率达93%,在线运动手势识别的准确率均在80%以上。     

基于超像素切片重构的模糊图像融合跟踪

为了提高模糊运动图像的跟踪识别能力,提出了一种基于超像素切片重构的模糊图像融合跟踪算法.首先,对采集的原始模糊运动图像进行向量量化特征分解,结合灰度流形分割技术进行模糊运动图像的边缘轮廓特征提取,采用自适应模板匹配方法进行模糊图像的灰度直方图重建,得到模糊图像的动态局部特征量.然后,采用RGB分解方法提取模糊图像的超像素切片,对超像素切片特征量在仿射不变子空间中进行量化重构,根据重构结果实现模糊图像的融合跟踪和自动识别.最后进行仿真实验,结果表明采用该方法进行模糊运动图像跟踪识别的自适应性较好,帧匹配能力较强,提高了模糊运动图像的跟踪识别性能.     

基于Kinect传感器的机器人室内环境检测方法

针对移动机器人室内环境检测问题,提出了一种基于Kinect传感器的目标物体检测方法.利用Kinect传感器采集的视频图像和深度数据来实现对机器人工作环境中已知特征目标物体和完全未知目标物体的检测及定位.对于已知特征目标通过颜色特征分析来完成检测,而对于完全未知的物体则通过深度地面消除算法和提取深度图像的轮廓来进行检测.利用传感器成像模型对检测出的目标区域进行三维空间定位,从而获取目标物相对于机器人的空间位置信息.基于移动机器人平台进行实验,结果表明,该方法能够有效地实现室内环境信息的检测及定位.     

基于otsu算法和Hu不变矩的交通信号灯识别

针对智能汽车交通信号灯的识别问题,提出了一种高效准确的识别方法。首先对源图像进行形态学预处理,采用顶帽(top-hat)操作,强化待检测区域的亮度;接着应用otsu算法,自适应选取阈值,对源图像进行二值化处理;然后提取各区域轮廓的面积、周长、Hu不变矩,筛选检测交通信号灯所在区域;最后利用交通信号灯各颜色H分量的分布差异,通过颜色直方图来判断信号灯的颜色。实验结果证明,该方法能够对交通信号灯进行准确有效的识别。     

基于区域生长的智能车辆阴影路径图像分割方法

针对作者自主开发的视觉导航区域交通智能车辆(Cyber Car)的导航路径在阴影条件下难以应用单一传统阈值方法分割提取的问题,提出了基于区域生长的图像分割方法。该方法利用路径边缘信息寻找种子点,进而对整个路径区域进行生长,最终实现车辆导航路径的准确分割与提取。同时为满足车辆导航实时性的要求,还提出了对分块子图像进行压缩的方法。对不同阴影下导航路径图像的分割试验表明,该方法能够实时、准确地识别导航路径,并具有较强的抗干扰能力。     

颜色特征模型在静态车辆检测中的应用

为了解决智能交通中的静态车辆检测准确率不高的问题,提出一种基于颜色特征的车辆目标检测方法.该方法首先根据Hough变换分割出路面感兴趣区域,利用颜色特征空间降维建立理想的颜色特征模型;其次,根据贝叶斯分类器进行路面与车辆的像素分类;最后,由最小割/最大流算法进行车辆目标分离.在实景采集交通视频图像后对文中提出方法和现存方法进行了对比评估.基于颜色特征的车辆目标检测方法对于静态车辆目标的检测准确率达到了63.05%,误检率降低至21.27%,漏检率降低至24.01%.与传统方法相比,该方法能更快、更准确地检测到目标.     

基于活跃度的脉冲耦合神经网络的苹果腐烂分割方法

基于现有的机器视觉技术,针对水果的腐烂检测受到水果形状、大小、颜色影响而提取困难的问题,以苹果为研究对象,在机械自动化采摘时提出基于信息融合技术的苹果腐烂识别检测方法,检测苹果腐烂区域以便后续进行自动化处理。为了较好地分割苹果腐烂部分,提出一种基于活跃度的脉冲耦合神经网络图像分割算法,选择采用两个位置像素的联合概率密度定义的灰度共生矩阵,不仅描述了像素灰度信息,还描述了灰度空间分布信息,可以有效用来度量图像的复杂程度,较好地实现苹果腐烂分割。应用结果表明,采用改进的脉冲耦合神经网络图像分割算法较好地实现了苹果腐烂区域检测。     

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。     

基于蜂群算法的排球正面扣球轨迹快速跟踪方法

为提升排球运动员的战术水平,提出基于蜂群算法的排球正面扣球轨迹快速跟踪方法。构建排球正面扣球图像信息采集模型,获取排球正面扣球彩色图像,将其转换为灰度图像后,采用直方图均衡法实现灰度图像增强处理;通过建立增强处理后正面扣球图像边缘轮廓检测模型,提取正面扣球动作发生时排球边缘轮廓信息,选择相邻帧图像,对排球边缘轮廓实施角点检测,采用人工蜂群算法优化排球运动轮廓角点,实现排球正面扣球轨迹快速跟踪。实验结果表明：该方法可完整采集正面扣球图像,直方图增强后正面扣球图像信噪比最高,提取排球边缘轮廓特征完整,排球正面扣球轨迹跟踪精度高。     

鲁棒的掌纹图像特征提取方法

提出了一种基于低分辨率彩色图像的鲁棒的掌纹图像特征提取方法.采用均值平移算法对彩色图像帧中像素进行聚类,应用Ostu二值化方法分割出手掌,并提取出有效掌纹区域.采用KLT角点检测算法提取出有效掌纹区域内的特征点,给每个特征点赋予方向,并根据局部区域特征构造方向不变的特征向量,所有特征点及其特征向量的集合构成了掌纹图像特征.在识别时只须在两个特征点集之间查找匹配对应,并通过随机采样一致性检验最大一致集中内点个数是否大于自适应域值来确定两个手掌是否匹配.利用该算法对网络摄像头采集的手掌样本进行了实验测试,获得了较高的识别精度与性能.该算法对手掌的距离、方向、姿势没有特殊要求,是一种鲁棒高效的掌纹图像特征提取方法.