户外交通标志检测和形状识别

提出了一种新的识别户外不同交通标志形状的算法。为了减少数字噪声的影响和分离提取独立的交通标志形状,基于颜色分割输出的外边缘可通过离散曲线演变进行简化和分解。正切空间中弧线的相似程度决定离散曲线演变的程度。形状的识别是通过模板匹配来实现的,待识别形状与模板之间的最小几何差异决定形状的类别。实验结果表明本算法是平移、旋转和尺度恒定的,能够在复杂的交通场景中进行可靠的形状识别。     

融合颜色分割与形状特征的交通标志检测

交通标志的颜色特征和形状特征是其最主要的两个特征,为提高检测的准确性和鲁棒性,提出颜色分割和形状特征相结合的方法。利用交通标志的颜色特征,采用基于HSV空间的颜色分割方法 ,获得图像中可能包含交通标志的区域,并提取该区域。根据交通标志的形状特点,利用canny算子获取提取区域的轮廓。然后,采用基于标记的形状检测算法判定所分割区域的形状,利用方向梯度直方图特征结合支持向量机(SVM)方法完成交通标志识别。经实验测试,该方法对图片视点变换、尺度变换以及亮度变换等情况具有很强的鲁棒性。     

两种图像校正算法在实际应用中的比较

介绍了图像校正的两种算法：透视变换方法和控制点变换方法（双线性插值方法）,分析了这两种方法的特点和差异。并就这两种方法在二维条码图像校正中的应用进行了讨论,得到的结论是：透视变换方法在实际拍摄的条码图像校正中较控制点变换方法更精确。     

基于形变校正的形状识别方法

针对鱼类形状易发生形变导致识别困难的问题,提出了一种新的识别算法。该算法通过对弯曲的鱼类图像进行形变校正,得到接近标准形状的鱼类轮廓,再利用等间距极坐标映射方法得到映射图,提取映射图中的局部极值点大小和相邻极值点的间隔,最后使用匹配识别算法计算匹配度完成对鱼的识别。实验结果表明,该算法消除了弯曲形变给识别带来的影响,实现了准确的识别分类。     

背光图像的检测与校正

针对传统背光图像检测低准确率问题,提出一种新的背光图像检测和校正算法。通过分析图像在不同Gamma变换下前景细节数目的变化规律来判断输入图像是否存在背光。对背光图像的前景、背景子图像进行多尺寸Retinex图像算法,然后与原图进行融合。根据实验可知,提出的背光图像检测算法相对于传统的亮度直方图分析方法以及YCbCr直方图分析方法具有更高准确率;提出的背光校正算法相对于AHMHE背光补偿算法和多尺度Retinex算法具有较高信息熵、清晰度和对比度。     

基于颜色和形状特征的彩色图像显示与检索技术

提出了一种有效用于抽取特征、索引和检索彩色图像的技术途径,通过提取图像的颜色不变量,建立相应的色度直方图（hue histogram）来表示图像的颜色分布特征,为了描述图像中对象的位置及方向特征,首先计算图像的色度轮廓并对其进行Radon变换,然后计算相应的“空间直方图”,由此,得到了一种基于图像的颜色分布特征和形状特征的新的图像表示方法,为了计量图像的全局相似度,基于“累积距离”和“基于向量的距离”定义了两种图像的距离度量,并分别讨论了距离度量的选取与归一化、不同子特征的组合等CBIR所涉及的关键问题,实验结果表明,文中提出的方法能获得满意的检索性能,其检索结果能较好地接近于人的视觉感和结果。     

基于颜色聚类和Hu不变矩的道路交通标志检测

介绍了一种基于颜色分割和区域描述的交通标志检测方法。该方法利用在RGB空间的颜色聚类算法分割出感兴趣色彩区域,然后进行形态学处理,最后结合Hu不变矩对道路交通标志进行识别。识别结果表明,基于颜色聚类和Hu不变矩的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力,并具有实现简单、识别速度快、准确率高等特点,有较高的实用价值。     

基于图像分析的偏色检测及颜色校正方法

采用一种基于等效圆的偏色检测方法,克服了传统方法在图像偏色检测中的局限性。为了对检测后的偏色图像进行校正,采用一种结合灰度世界和完美反射的颜色校正方法,弥补了传统方法的不足,从而得到更为"真实"的校正图像。实验结果表明,基于图像分析的偏色检测及颜色校正方法,提高了偏色检测的可靠性,取得了较好的颜色校正效果。该方法仅利用图像本身的特征进行分析,具有普遍的适用性。     

泡沫图像统计建模与恒常颜色校正算法研究

由于浮选现场的恶劣环境和复杂光照等问题,将导致采集到的泡沫图像不可避免地发生色偏.为了消除以上不利影响,提高后续颜色特征提取的准确性,本文提出了一种基于图像统计建模的泡沫图像恒常颜色校正算法.首先,通过对泡沫图像统计特性的分析,利用Contourlet变换和广义高斯分布函数对图像进行统计建模.其次,选取颜色恒常性标准图像库(Gray-ball)中已知真实光照的标准图像作为训练样本,建立其统计模型参数集,分别选用常用的5种颜色恒常性算法对其进行颜色校正,并以最小角度误差为每幅标准图像标记最佳颜色恒常性算法.最后,利用K最近邻分类算法将待校正的泡沫图像分至对应的恒常算法中,该算法即为原始泡沫图像的最佳恒常颜色校正算法.实验结果证明,该算法能够获得较好的颜色校正效果.     

基于场景深度估计的自然光照水下图像增强方法

针对水下图像模糊、对比度低且色彩失真的问题,结合修正的水下成像模型,提出一种基于场景深度估计的自然光照水下图像增强方法.首先,依据自然光照条件下水下图像场景亮度与场景深度总体成正比的先验理论,对图像的亮度信息进行最小值滤波和软抠图处理以实现场景深度估计;然后,结合暗通道先验知识和场景深度信息进行离散像素点的后向散射分量估计,根据修正的水下成像模型来拟合和去除后向散射;最后,采用基于色适应的颜色校正方法对直接分量进行色偏校正,利用线性拉伸方法来提升图像的亮度和对比度.水下多场景条件下的实验结果表明,本文方法可有效地去除后向散射引起的雾样模糊,提高图像对比度并校正颜色偏差.     

基于Hopfield神经网络的交通标志识别

Hopfield神经网络是经典的人工神经网络之一,本文利用离散型Hopfield神经网络来对各种道路交通标志进行识别,并讨论在加噪、旋转等条件下对交通标志识别率的影响。同时,对图像的复杂度、识别率、图像识别前后的信噪比进行了讨论与分析。     

改进YOLOv5的小目标交通标志实时检测算法

在真实场景下准确实时检测小目标交通标志对自动驾驶有重要意义,针对YOLOv5算法检测小目标交通标志精度低的问题,提出一种基于改进YOLOv5的小目标交通标志实时检测算法。借鉴跨阶段局部网络思想,在YOLOv5的空间金字塔池化上设置新的梯度路径,强化特征提取能力;在颈部特征融合中增设深、浅卷积特征的可学习自适应权重,更好地融合深层语义和浅层细节特征,提高小目标交通标志的检测精度。为验证所提算法的优越性,在TT100K交通标志数据集上进行了实验验证。实验结果表明所提算法在小目标交通标志上的平均精度均值（mean average precision,mAP）为77.3%,比原始YOLOv5提升了5.4个百分点,同时也优于SSD、RetinaNet、YOLOX、SwinTransformer等算法的检测结果。所提算法的运行速度为46.2 frame/s,满足检测实时性的要求。     

视觉巡线机器人中的摄像头图像透视校正方法

文章根据摄像机光学镜头的成像原理,推导了应用于视觉巡线机器人中的摄像头图像校正变换公式,给出了一种只需测量拍摄面与地面的夹角、拍摄高度、图像底边实际长度和图像纵向实际长度四个关键参数即可进行图像校正的方法,而无需在现场布置标定点。实验表明此算法用于校正视觉巡线机器人获取的路面图像时能准确还原拍摄路面应有的形状,得到了预期的结果。     

小尺度交通信号灯的检测与状态识别

交通信号灯识别包括检测和状态识别,在智能交通系统中发挥重要作用。基于YOLOv3算法提出了一种交通信号灯检测与状态识别模型。针对交通信号灯相较于交通场景中其他目标具有尺度小的特性进行了算法的设计:降低骨干网络的下采样倍率以增加小尺度目标的特征描述能力;通过增大特征图的尺度来改进多尺度特征融合;引入广义交并比作为检测任务的损失函数来改进目标边界框的回归效果。同时,根据交通信号灯本身的特性,使用颜色和形状约束的方法对信号灯进行状态识别和类别验证。最后在公开的Bosch交通信号灯数据集上和实际的城区道路进行了实验验证。实验结果表明,所提出的算法能够提升交通信号灯识别的精度和召回率,识别准确率可以达到90%左右。     

一种面向无人驾驶汽车的高效交通标志识别方法

为解决智能交通系统中交通标志识别的实时性差和准确率低等缺陷,本文提出一套高效准确的交通标志识别方法.通过实验选择合适的待检测区域,对该区域图像进行预处理以适应不同环境,并分离出红、黄、蓝、黑四通道图像;提取各通道图像外层轮廓并进行筛选,对合格轮廓进行凸壳处理及再次筛选;根据凸壳轮廓的Hu不变矩、周长和面积等特征选择出圆形和方形轮廓,在高分辨率原图中选择轮廓内图像作为待识别区域;利用水平和垂直方向直方图特征,对每个所选区域进行横纵向直方图放缩匹配(HSTM),选择最优匹配作为最终识别结果.本系统主要应用于"中国智能车未来挑战赛"无人驾驶汽车平台,在实际测试中识别率达95%,识别速率达8 Hz~10 Hz.且在实际比赛过程中准确识别出指定交通标志,在实时性及准确率上相对现有方法有一定优势.     

ASM中基于不变矩图形畸变主动检测与修正

主动形体模型是可变形模板技术中一种重要的方法,在医学图像分析和机器视觉中得到越来越广泛的应用。但是该方法在图像的匹配过程中,如果目标图像不够清晰或者模型初始位置不理想,会产生畸变的匹配结果。而且该模型没有一个有效的对畸变图形进行检测和修正的策略。提出了一种基于边界矩不变量的主动检测和修正方法,通过引入边界矩不变量,对模型的形体变化进行量化,并根据从训练集中获取的统计信息,对变形过程中的模型形体的变形进行检测和修正。实验结果表明,该方法能够在很大程度上解决匹配过程中的畸变问题,并且相比传统主动形体模型,所消耗的时间增加很少,对算法的效率并不影响。