红外图像中基于似物性与稀疏编码的行人检测

行人检测是计算机视觉的经典问题。针对红外图像中的行人检测问题,提出了一种基于似物性和稀疏编码及空间金字塔特征提取的行人检测方法。首先,针对红外图像的特点,利用基于频域残差的显著性分析方法得到红外图像的显著图,在此基础上提出了一种似物性计算方法,进而得到不同区域的似物度得分,并根据得分提取出感兴趣区域;其次,以尺度不变特征转换为基础,将稀疏编码和空间金字塔算法应用于非监督特征学习实现对感兴趣区域的特征提取;最后,利用线性支持向量机构建分类器实现对图像中每个感兴趣区域的行人检测。实验结果验证了本文提出的感兴趣区域提取算法和针对单幅红外图像行人检测算法的有效性。     

基于双目视觉的车前行人检测方法研究

当前的汽车安全辅助驾驶和无人驾驶汽车是图像领域的研究热点,针对汽车在启动或行驶时车前存在行人可能导致的安全问题,着重研究了基于双目视觉的车前行人检测方法。进行了双目相机的相机标定和立体标定;通过改进后半全局立体匹配算法获取深度图,确定车前行人所处位置的感兴趣区域(Region of Interest, ROI),剔除冗余的背景信息;分割并提取了图像的降维梯度直方图(Histogram of Gradients, HOG)特征信息;将特征输入到支持向量机(Support Vector Machine, SVM)分类器训练,检测并标记出车前的行人目标。实验证明,所提算法对车前场景下的动态行人可以更为有效地检测,具备更优的检率精度、时效性和鲁棒性。     

基于显著点的感兴趣区域提取

提出了一种基于显著点的感兴趣区域提取方法,首先对图像进行分割,然后用基于小波变换的方法提取图像的显著点,并对得到的显著点进行扩展;最后根据扩展后的显著点分布情况来判断每一块分割区域是否属于感兴趣区域.该法对简单背景图像具有较好的效果.     

概率图车载热成像行人检测RoIs提取方法

道路场景复杂、热成像纹理信息较少以及图像品质不稳定,RoIs提取面临挑战.阈值分割RoIs提取更多关注行人局部细节和像素间邻域关系,容易产生行人遗漏、背景粘连和行人断裂,且很难控制RoIs总量.模拟人类视觉,关注图像显著性区域及其位置和大小,提出概率图RoIs提取方法,设计凸-凹形曲线映射像素灰度值增强图像对比度;基于图像签名方法获取显著性图.融合灰度强度和显著性概率图并从中提取图像前景;设计算法搜索路面估计限定的概率图区域生成RoIs.实验表明,相对阈值分割,本文方法能够提高RoIs定位准确度、控制RoIs总量和显著减少非行人RoIs;提取等量单帧RoIs,召回率提高不低于9%.     

基于亚像素精度分割的晶粒图像识别方法

机器视觉在工业产品质量控制中的应用越来越广,针对LED晶粒的质量检测问题,提出了一种基于亚像素精度阈值分割的方法进行LED晶粒图像的识别。首先通过图像增强及预处理,然后通过基于亚像素精度的阈值分割方法进行晶粒图像的预处理,再通过K值聚类算法进行感兴趣的区域提取,最后通过NCC归一化的方法进行晶粒位置的识别及定位。实验结果表明,提出的亚像素精度阈值分割和NCC归一化定位算法相结合的方法应用在LED分拣机中,能准确地识别出LED晶粒图像。     

基于数学形态学和自动区域生长的红外目标提取

针对具有复杂背景干扰,信噪比低的红外图像目标提取问题,提出了一种结合数学形态学和自动区域生长的红外目标提取方法。首先对图像进行中值滤波和灰度变换预处理,然后利用数学形态学高帽变换去掉大面积背景干扰区域,接着采用基于局部小波系数能量特征的方法找到感兴趣区域,再通过基于窗口均值的方法自动获取种子点进行区域生长分割。实验结果表明：本文方法能有效的消除复杂背景干扰,并很好的提取出目标。     

基于改进的局部阈值分割的阴影路面裂缝提取方法

文章针对具有阴影路面裂缝检测不准确的问题,提出了一种有阴影的路面裂缝提取方法,首先对采集的带有阴影的路面裂缝图像进行直方图均衡化和去噪平滑预处理,进而利用改进的局部阈值分割方法对图像进行阈值分割,最后将阈值分割后的结果进行连通区域分析,根据连通域的特征进行裂缝提取,从而得到裂缝区域。     

基于历史信息的区域卷积神经网络行人检测

为了解决卷积神经网络在进行连续行人检测时, 检测行人速度较慢, 达不到实时性要求的问题, 采用基于历史信息的区域卷积神经网络行人检测算法, 利用前一幅图像中的检测结果对当前图像的检测过程进行优化, 将前一帧的检测结果作为对当前帧提取推荐区域的参考信息, 并使用当前帧与前一帧的灰度值差异图对当前图像的卷积特征进行过滤, 以缩小滑动窗口检测时的搜索区域。在加州理工学院行人检测数据集上进行了检测实验。结果表明, 结合历史信息的算法与先进的算法相比检测速度提升了2.5倍, 同时检测准确率提升了1.5%。该算法实现了实时行人检测, 设计的网络能有效检测小目标行人。     

基于深度学习的车道线与绿植分割算法

本文为解决因光照强度变化,路面行人机动车以及绿植遮挡导致车道线检测精度不高的问题,提出了一种将增强后的图像与实例分割网络Deeplabv3相结合的车道线和绿植检测方法。首先,使用图像增强网络对待检测图像进行图像增强,提高图像对比度和清晰度,然后,使用一个基于编码器、解码器架构的实例分割网络Deeplabv3进行车道线和绿植检测并进行分割。实验结果表明,该算法提出的方法在道路环境多变和夜晚中能很好的将车道线和绿植的分割,其车道线正检率最高可达98.7%,较直接采用Deeplabv3网络和U-Net网络,检测精度提高了2.6%。     

基于感兴趣区域轮廓的图像分割方法

针对耗时和区域边界不精确的图像分割问题,对边缘检测方法和区域生长方法进行研究、改进,提出以边缘检测和区域生长相结合的感兴趣区域轮廓的图像分割方法,该方法能够更加精确地对图像进行分割。实验结果表明,该方法对复杂环境下感兴趣区域的图像分割具有良好的效果。     

基于MSER和SVM的快速交通标志检测

为解决传统的基于机器学习的交通标志检测(TSD) 方法需要对每一个待检测子窗口进行处理而导致算法实时性不高的问 题,提出了一种基于感兴趣区域(ROI)提取和机器学习的快速TSD 算法。针对传统基于颜色阈值的ROI提取方法具 有对光照变化较敏感等缺点,设计了一种颜色增强下的最大稳定极值区域(MSER)方法 ,根据标志的颜色进行 颜色增强,对颜色增强图像提取MSER得到交通标志ROI;然后在图像的多尺度滑动遍历检测 过程中,仅对包含ROI的滑 动窗口进行方向梯度直方图(HOG)特征的提取,并通过支持向量机(SVM)进 行分类判别。实验结果表明,本文改进的TSD方法在运算速度上有较大提升,具有很好的鲁 棒性,且获得了96.42%的检测率以及较低的误检数。     

基于聚合通道特征的红外行人检测方法

基于红外图像的行人检测技术在夜间场景监控、汽车夜间辅助驾驶等相关领域具有重要的作用,然而受红外图像分辨率低、信噪比高等因素影响,当前的很多方法性能不佳。提出了一种基于图像特征通道的红外行人检测算法。利用快速特征金字塔技术在红外图像上进行了滑动窗口检测。实验结果证明,相对于其他常规算法,该算法在实时性和鲁棒性上都有很大的提升。     

基于差分形态滤波和Kmeans++聚类的多地雷目标红外图像处理

针对复杂背景条件下较难完成掩埋式地雷目标红外图像分割的问题,利用地雷外形特征和雷场多个地雷目标相似的特点,提出了一种基于形态学和聚类算法的感兴趣区域（Region of Interest, ROI）选取方法。对原始图像消除噪声并通过差分形态滤波抑制背景后,缩小了目标所在区域的范围;再利用多目标在一定区域内的相似特征对可疑区域进行聚类过滤,进一步缩小目标所在范围并将其作为图像ROI分别进行阈值分割;最后根据目标的相关特征完成识别。对实测图像的处理结果表明,该方法对掩埋式多地雷目标具有较好的分割效果和较高的定位精度,同时算法的计算速度较快,能满足实际探雷需求。     

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。     

基于稀疏表示的SAR地面目标分割技术

提出了一种引入先验约束的合成孔径雷达(SAR)图像的目标分割技术,以解决强杂波背景干扰下的目标分割困难问题。不同于基于统计理论的目标检测,文中利用目标图像切片在图像域的稀疏性,通过稀疏分解的方法构建目标特征窗函数实现目标的检测,并引入目标的形状先验对目标区域进行修正;然后,利用目标阴影的空间约束对基于统计检测的阴影区域进行修正,实现目标的分割;最后,基于实测数据验证了算法的有效性。     

基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。     

兴趣区域优先的多尺度压缩感知渐进编码算法

针对面向目标探测识别的无线图像传输应用,为 了解决探测识别任务对图像质量的高要求和无线信道带宽约 束之间的冲突,提出一种感兴趣区域(ROI)优先的多尺度压缩 感知(CS)渐进编码算法。首先,选取多 尺度CS测量技术进行图像压缩,在相同压缩比情况下,可以保持更多的图像的细节 信息;其次,针对目标探测识别对 重构图像纹理、边缘信息完整保持的需求,选取基于小波的轮廓变换(WBCT) 作为CS的稀疏表示方法,可更多 地提取方向信息,从而可以较完整地保持边缘轮廓信息;最后,针对重构图像 ROI与背景区过度划分、ROI周边相关信息损失 过多的问题,给出ROI边界平滑处理的方法,可有效改善重构图像的主观视觉质量。 实验结果表明:在ROI压缩率高达 0.4的情况下,总的压缩率降至0.18,既保护 了ROI信息又显著提高了压缩比,基本满足目标探测识别任务的需求。     

基于候选区域定位与HOG-CLBP特征组合的行人检测

基于方向梯度直方图(HOG)特征和局部二值模式(LBP)算子的行人检测算法采用滑动窗口搜索策略存在扫描区域过大和计算复杂的问题,存在的这些问题会导致检测速度慢.鉴于此,提出一种行人检测算法.首先,采用选择性搜索算法对目标区域进行定位,并将候选区域的高宽比限制在一定范围内以筛选无效窗口.然后,为了弥补LBP算子在纹理表达...     

基于双模全卷积网络的行人检测算法(特邀)

在近距离行人检测任务中,平衡算法的检测精度与检测速度对于检测算法的实际应用有着重要意义。为了快速并准确地检测出近景行人目标,提出了一种基于模型融合全卷积网络的行人检测算法。首先,通过全卷积检测网络对图像中的目标进行检测,得到一系列候选框;其次,通过弱监督训练的语义分割网络得到图像的像素级分类结果;最后,将候选框与像素级分类结果融合,完成检测。实验结果表明:算法在检测速度与精度方面都具有较高的性能。