基于机器视觉的非接触式马体尺测量方法

目前马体尺测量方法是直接接触测量，此方法不仅耗费大量的人力、财力，而且操作步骤繁琐。本文首先总结归纳测量马体体尺的方法，其次对这些年来已有的畜牧体尺测量方法进行综述，阐述马体体尺测量方法的主要内容，并对马体体尺测量方法进行展望。本文对10匹不同年龄的雌性马图像进行灰度化、去噪、阈值化分割、提取轮廓等图像预处理，进行图像角点检测，标识出轮廓边缘的所有交点，再利用像素遍历识别出马体的关键点，如肩甲点、前脚点、胸骨前缘点、臀部点、臀部最高点等；同时运用海伦秦九韶公式和几何关系计算方法，计算出马体的体高、体长等数据。通过运用此方法测量得出，马体体长平均相对误差为3.97％，马体体高平均相对误差为4.45％。此方法为马体体尺研究者提供了科学的研究依据。     

基于机器视觉的羊体体尺测量

体尺参数是评价羊生长状况的重要指标,如何实现其无应激测量是羊养殖过程中亟需解决的重要问题。引入机器视觉相关方法,运用基于灰度的背景差分法,结合色度不变性原理,从复杂环境中检测羊体,并借助栅格法,提取羊体上轮廓包络线;采用D-P算法和海伦〖CD*2〗秦九绍公式对轮廓序列进行分析,获取包络线最大曲率点,并以此作为羊体臀部测点;在此基础上,采用四点法求取羊体的其他3个测点,结合空间分辨率,得出羊体的体尺参数,实现无接触测量。实验结果表明,所提方法可以有效从复杂环境中提取出羊体;羊体臀部测点可以有效稳定地确定,羊体身高可稳定获取;由于环境光线的复杂性,肩胛点的确定仍存在一些问题。     

基于机器视觉的羊体体尺测量

体尺参数是评价羊生长状况的重要指标,如何实现其无应激测量是羊养殖过程中亟需解决的重要问题。引入机器视觉相关方法,运用基于灰度的背景差分法,结合色度不变性原理,从复杂环境中检测羊体,并借助栅格法,提取羊体上轮廓包络线;采用D-P算法和海伦-秦九绍公式对轮廓序列进行分析,获取包络线最大曲率点,并以此作为羊体臀部测点;在此基础上,采用四点法求取羊体的其他3个测点,结合空间分辨率,得出羊体的体尺参数,实现无接触测量。实验结果表明,所提方法可以有效从复杂环境中提取出羊体;羊体臀部测点可以有效稳定地确定,羊体身高可稳定获取;由于环境光线的复杂性,肩胛点的确定仍存在一些问题。     

基于局部曲率函数的角点检测

角点检测是计算机图像处理领域的基本问题之一,在全局曲率函数角点检测的基础上,提出一种基于局部曲率函数的快速角点检测算法.通过Canny算子提取图像的边缘,在边缘的基础上计算轮廓的局部曲率函数,由于Canny算子首先用高斯滤波器对图像平滑处理,尽可能的去除了噪声而不损失角点,计算局部曲率函数的最大峰值,通过设定阈值检测出角点.对算法进行仿真,试验结果表明该算法可以稳定的检测角点,并对旋转、尺度和噪声具有较强的鲁棒性.     

基于Kinect传感器的羊体体尺测量系统

在基于机器视觉的羊体体尺测量中,当光线、背景等产生干扰时,彩色图像无法准确提取出羊体轮廓,且羊体站姿的变化也会造成测量误差.基于VS2010,Windows SDK搭建羊体测量系统,为解决背景干扰的问题,采用Kinect传感器获取现场羊体彩色和深度图像,将彩色与深度图像相结合提取羊体轮廓;结合深度信息建立羊体空间轮廓线拟合平面,并计算其与像平面夹角,进行体位站姿纠偏后得到羊体体尺数据.经过实验测试,相对误差在4.3％以内.     

基于Canny算子边缘特征匹配的双目深度测量①

为解决当前类人足球比赛场地上基于球心匹配的足球深度测量算法低精确度的问题,提出了一种采用Canny算子提取稀疏足球边缘作为立体匹配特征的深度测量方法。该方法在边缘上均匀抽取像素点作为待匹配点,使用“对应局部遍历匹配”法进行立体匹配,平均匹配点对对应的图像深度作为足球深度。结果误差控制在比赛允许的范围之内,运用到比赛中绩效显著,满足比赛实时和精度要求。     

曲率尺度空间耦合旋转约束的图像篡改检测

针对当前复制-粘贴篡改检测算法存在的识别准确度不高的问题,提出了曲率尺度空间耦合旋转约束聚类的图像篡改检测方法.借助Canny算子,计算图像边缘曲线,再引入曲率尺度空间特征提取方法,通过像素点与高斯函数的卷积运算,求取曲线曲率,从而获取图像的初始特征点.采用初始特征点的二次Taylor项,对其真伪性进行辨别,以精确提取...     

基于嵌入式机器视觉的羊体体征测量系统

针对现有牧场牲畜测量的工作量极大及人工测量的局限性难题,提出了一种基于机器视觉的草原牧场羊体体征的非接触式测量构建方法;考虑到牧场养殖环境,采用在便携式嵌入式Linux实时操作系统平台上,通过广角摄像头获取羊的彩色图像,并调用开源计算机视觉库OpenCV对图像进行实时处理,寻找体征特征点并计算羊的体高、体长等体征数据;图像处理过程:背景差分、图像去噪、二值化、轮廓提取和特征点识别;经实验验证表明:此测量方法有一定误差,但平均相对误差不超过3%,因此该测量方法具有较好的实用价值。     

基于Harris角点检测的人体特征提取与测量

为准确地对人体图像特征尺寸进行自动识别和提取,提出一种基于Harris角点检测的人体特征提取与测量算法;首先对原始图像规范化处理,并采用Canny算子进行边缘检测,得到图像的二值边缘图;然后根据人体特征尺寸位置的突变性可用角点来描述的特点对轮廓图像进行特征点提取;最后利用人体关键尺寸与身高(由用户提供)的比例关系进行特征点筛选,计算获取人体测量学中的关键尺寸;经对实际测量数据分析比较得知,实验测量结果产生的误差较小,实验值和实际值之间无显著性差异,因此验证了该方法的可行性。     

一种基于曲率尺度空间的自适应角点检测方法

角点是图像处理中的重要特征,基于曲率尺度空间技术,提出一种自适应角点检测方法.首先提取图像的轮廓,采用一个固定的低尺度计算所有轮廓点的曲率,并根据曲率得到候选角点集,然后用由自适应支持区域确定的角点角度和一个动态曲率阙值代替固定的阙值筛选出正确角点.实验结果证实该方法应用于复杂图像的精确性和稳定性.     

激光淬火加工质量视觉检测系统研究

针对金属表面激光离散淬火质量检测的需求,基于OpenCV设计了一种淬火斑尺寸测量和表面纹理检测的视觉检测系统。深入研究了相关图像处理算法,对Canny边缘检测算法进行了改进,实现了图像轮廓的选择性提取,得到了激光淬火斑连通域的几何尺寸,采用灰度共生矩阵计算淬火斑纹理信息。并根据三种不同能量输入背景下进行激光离散淬火产生的淬火斑,提出了一种双阈值判定方法来实现其质量检测,平均检测用时为10.1ms,检测准确率在92.5%以上。     

融合优化特征提取结构的目标检测算法

针对DETR对小目标的检测精度低的问题,基于DETR提出一种优化特征提取结构的目标检测算法——CF?DETR。首先通过结合了优化跨阶段部分（CSP）网络的CSP?Darknet53对原始图进行特征提取并输出4种尺度的特征图;其次利用特征金字塔网络（FPN）对4种尺度特征图进行下采样和上采样后进行拼接融合,并输出52×52尺寸的特征图;最后将该特征图与位置编码信息结合输入Transformer后得到特征序列,输入到作为预测头的前向反馈网络后输出预测目标的类别与位置信息。在COCO2017数据集上,与DETR相比,CF?DETR的模型的超参数量减少了2×10⁶,在小目标上的平均检测精度提高2.1个百分点,在中、大尺寸目标上的平均检测精度提高了2.3个百分点。实验结果表明,优化特征提取结构能够在降低模型超参数量的同时有效提高DETR的检测精度。     

基于LBP的鲁棒特征提取与匹配方法研究

针对现有的Harris角点提取算法在图像匹配法中,存在精度低、抗干扰和抗光照变化能力弱的缺陷,提出一种基于局部二进制模式（Local Binary Patterns,LBP）和图变换匹配算法（Graph Transformation Matching,GTM）相结合的鲁棒精确匹配算法。采用改进的Harris边缘特征检测提取特征点并选取图像块作为特征区域;采用改进的中心对称局部二进制模式（Center Symmetric Local Binary Patterns,CSLBP）对高维特征进行降维生成24维特征描述子,并依据欧氏距离实现图像粗匹配;采用图变化匹配法剔除误差匹配来改善匹配的精度和鲁棒性。测试结果表明,所建议算法是有效的,它不仅具有良好的抗尺度和旋转变化特性,而且具有较强的噪声抑制能力和抗光照变化能力。提出的鲁棒性算法不仅充分考虑到传统特征匹配算法优缺点,使检测与匹配结果更加准确,而且较Harris算法以及LBP算法稳定性和准确度有了明显的提高。     

视觉测量中椭圆自动检测与定位方法

针对视觉测量中椭圆目标的检测效率与定位精度较低的问题,提出一种高效的椭圆识别与定位方法。该方法利用回光反射控制点的强反射特性,提取目标的边缘信息,对连续的边缘进行分组,利用椭圆长轴信息对每组边缘数据进行椭圆识别,采用基于变量含误差模型的椭圆拟合方法,实现椭圆目标中心的精确定位。实验证明,该方法具有快速、自动化、定位精度高、鲁棒性好等优点,在视觉测量中具有广泛的应用前景。     

改进YOLOv3的遥感影像小目标检测方法

针对当前目标检测任务中对小目标检测识别率低,漏检率高的问题,提出一种基于门控通道注意力机制（EGCA）和自适应上采样模块的改进YOLOv3算法。该算法采用DarkNet-53作为主干网络进行图片基础特征提取;引入自适应上采样模块对低分辨率卷积特征图进行扩张,有效增强了不同尺度卷积特征图的融合效果;在三个尺度通道输出预测结果之前分别加入EGCA注意力机制以提高网络对小目标的特征表达和检测能力。将改进的算法在公开数据集RSOD（remote sensing object detection）上进行实验,小目标检测精度提升了8.2个百分点,最为显著,平均精度AP值达到56.3%,较原算法提升了7.9个百分点。实验结果表明,改进的算法相比于传统YOLOv3算法和其他算法拥有更好的小目标检测能力。     

基于图像的人体特征点提取与尺寸测量

人体特征点提取和尺寸测量一直是虚拟服装试衣的关键内容.本文在人体图像基础上,通过对ASM算法进行改进实现人体特征点提取以及特征点尺寸测量.首先,算法计算待测图片中人脸和身体两个中心点欧式距离与对应模板进行匹配,改变传统ASM算法单一模板局部模板匹配模式,提高了初次模型匹配的准确率和效率;接着,以特征点为中心选择较少有效邻域点在其灰度训练模型中目标搜索,解决传统ASM方法匹配时间长且特征点易匹配失败问题;另外,针对人体胯部以下区域易出现仅单侧拟合效果较好问题,利用马氏距离公式选择特定矩阵大小邻域范围内点的灰度与灰度模型比较,并且结合人体体型分布及对称性特点进行拟合处理.实验结果表明了该方法能适应复杂背景下人体图像的特征点提取与尺寸测量,提高人体特征点提取和尺寸测量精度.     

空地协同机器人目标定位方法

针对空地协同机器人中无人机对地面无人车的实时精准定位问题,提出一种红色双圆型定位标记及标记识别与定位方法。引入颜色分割与轮廓提取相结合的方式,减少提取到的轮廓特征数量,排除背景信息干扰以减少误识别;提出一种圆形轮廓快速检测算法,快速识别目标轮廓并准确定位目标像素坐标和方向;基于针孔相机成像模型,根据目标像素坐标和方向,估计出目标在机体坐标系下三维坐标和偏航角。实验结果表明,无人机与地面无人车相对高度1.5 m时,该方法在[x]轴和[y]轴方向定位误差分别为3.9 mm和3.6 mm,每帧图像平均处理耗时为11.6 ms,优于基于核相关滤波的识别定位方法的13.3 mm、14.3 mm和56.3 ms。该方法与无人机控制相结合,可以实现无人机协同跟踪与自主降落功能,提升空地协同机器人作业效率,具有显著的工程意义。     

机器视觉中边缘检测算法的SDSoC加速实现

针对机器视觉图像处理中边缘检测算法要求越来越高的实时性，提出使用SDSoC加速实现机器视觉中的边缘检测算法。基于SDSoC开发环境，选用ZC706作为开发平台对Canny边缘检测和Sobel边缘检测进行加速。SDSoC环境支持处理器系统（Processing System，PS）和可编程逻辑（Programmable Logic，PL），根据PS和PL的特性，将两种边缘检测算法中的模块分配在各自适用的硬件架构上运行，即在PS端使用优化的数据分配方法，在PL端使用缓冲区结构及优化指令。实验结果表明，对于512×512的图像，Canny算法用时4.61 ms，Sobel算法用时3.20 ms，满足了机器视觉算法实时性的要求。     

基于特征的hausdorff距离图像配准

针对图像配准问题,提出了基于Harris及SIFT(Scale-invariant feature transform)特征的Hausdorff距离方法来实现图像配准。首先利用harris角点检测和SIFT特征提取参考图像和待配准图像的角点,通过两种方法获得的角点在融合之后获得更大的角点搜索范围,再利用相似一致性匹配原则剔除错误角点,进而通过改进的Hausdorff距离算法完成图像的配准操作。结果证明,改进算法比传统Hausdorff距离算法运行时间更短,算法时间降低约45%,具有较强的抗噪声能力和旋转鲁棒性,提高了图像配准的效率和精确性。