基于二进制粒子群优化算法的行人检测

针对汽车前方道路上的行人安全问题,对道路行人采用二进制粒子群优化算法（BPSO）进行了检测,以确保行人的安全。首先,对随机采集的道路行人图像样本进行了二维离散余弦变换（DCT）,将行人的描述从图像空间转换为用少量数据点来表示频率域空间,再利用DCT算法的对称性,解压缩图像,获得了行人图像的特征向量;其次,应用BPSO算法对得到的特征向量进行了特征选择,从行人频域特征空间中,提取了有价值的特征子集,得到了最具代表性的行人特征,完成了行人检测。试验结果表明,在样本数量较少的情况下,无论在检测正确率还是检测实时性方面BPSO算法都优于传统的支持向量机（SVM）算法。研究结果表明,二进制粒子群优化算法能够高效快速的检测到行人,为车辆主动安全技术提供重要基础,对于减少交通事故具有重要意义。     

基于AdaBoost行人检测优化算法的研究

针对车辆辅助安全驾驶系统的道路行人检测和识别问题,对行人检测算法的实时性和检测准确性受光照影响等方面进行了研究。对行人检测识别算法进行了归纳,将在线训练和更新行人分类器技术应用到车辆前方行人检测和识别中。提出了改进的AdaBoost行人检测优化算法,应用该算法行人识别分类器训练时,根据正样本和负样本的错分率,实时调整级联分类器权重系数,在线更新分类器的错误率权重,在保证分类器整体准确率的前提下,降低了分类器的级数,优化了分类器结构,减少了计算的复杂性;采用扩展的类Haar特征,降低了算法对光线的敏感性,提高了环境适应能力。试验结果表明:在相同的检测率下,改进的AdaBoost算法需要的检测时间更少,系统具有更高的鲁棒性,可以满足道路行人识别的要求。     

一种快速提取的道路标识线识别方法研究

建立了直线道路模型,利用图像处理技术对道路图像进行了预处理,采用抽行扫描的方法提取出道路标识线的特征点,并对这些特征点采用线性回归的方法得到道路标识线的方程,为提高标识线识别的鲁棒性,在对特征点的优劣性进行判别的基础上,采用高准确度的特征点对道路图像中的车道标识线进行识别,进而选定车辆与道路的方向偏差、位置偏差和方向偏差的变化率3个参数来判断车辆在道路上的位置,以此作为智能车辆导航的依据,大量的实验表明该方法是有效、可行的.     

铁谱图像的彩色纹理特征提取与识别

纹理是铁谱图像的特征之一,但大部分的铁谱图像的纹理研究是以灰度图像为基础的,这样就丢失图像的彩色纹理信息。对铁谱图像的彩色纹理特征进行了提取,运用支持向量机的方法,对铁谱图像的磨粒颗粒进行了识别,试验结果表明,所提取的特征值,有利于磨损颗粒纹理的识别。     

一种快速提取的道路标识线识别方法研究

建立了直线道路模型，利用图像处理技术对道路图像进行了预处理，采用抽行扫描的方法提取出道路标识线的特征点，并对这些特征点采用线性回归的方法得到道路标识线的方程，为提高标识线识别的鲁棒性，在对特征点的优劣性进行判别的基础上，采用高准确度的特征点对道路图像中的车道标识线进行识别，进而选定车辆与道路的方向偏差、位置偏差和方向偏差的变化率3个参数来判断车辆在道路上的位置，以此作为智能车辆导航的依据，大量的实验表明该方法是有效、可行的。     

基于磁光成像的低碳钢WAAM成形件表面缺陷检测与分类

针对电弧增材制造(WAAM)成形件表面及亚表面微小缺陷难以检测和识别的问题,结合图像纹理特征和神经网络提出一种基于磁光成像的无损检测方法,实现低碳钢WAAM成形件表面微小缺陷检测和分类。首先对二次表面精加工后的WAAM成形件进行磁化,并使用磁光成像仪获取成形件表面磁光图像作为试验样本,然后对磁光图像进行预处理,用灰度共生矩阵提取每幅图像的能量、熵、对比度和相关性纹理特征,对比分析无缺陷、熔合不良、凹陷和裂纹4种WAAM成形件表面质量纹理特征,最后通过建立的LMBP神经网络模型对成形件表面质量进行分类预测。试验预测结果表明,WAAM成形件表面缺陷检出率为97.33%,表面质量分类准确率可达91.33%,验证了所提方法能够有效检测和识别低碳钢WAAM成形件表面微小缺陷。     

一种远距离行人小目标检测方法

远距离行人小目标成像像素少、缺乏纹理信息,深度卷积神经网络难以提取小目标细粒度特征,难以准确识别与检测。本文提出一种远距离行人小目标检测方法。首先,在YOLOv4的基础上引入浅层特征改进特征金字塔,提取行人小目标细粒度特征,提出引力模型特征自适应融合方法,增加多层次语义信息之间的关联度,防止小目标特征信息流失。然后,采用增强型超分辨率生成对抗网络增加行人小目标特征数量,提高行人小目标检测准确率。最后,选取图像像素中占比范围为0.004%～0.026%的行人小目标建立试验数据集,通过与Faster RCNN、ION、YOLOv4对比实验验证。结果表明,本文方法mAP_0.5提高了25.2%、26.3%、11.9%,FPS达到24,研究成果在远距离安防监测监控领域具有重要应用价值。     

基于Gabor小波的浮选泡沫图像纹理特征提取

矿物浮选泡沫表面纹理是浮选工艺指标高低的重要指示器,为了获取泡沫图像纹理的细微差别进而对浮选生产状态进行机器识别,提出一种基于Gabor滤波的泡沫图像纹理特征提取方法。首先利用Gabor小波提取了泡沫图像多尺度与多方向上的泡沫纹理幅度谱(GMTR)与相位谱(GPTR);然后根据GMTR与GPTR的分布特征,通过估计GMTR的Gamma分布参数和计算GPTR的熵作为泡沫纹理特征参量;最后,利用所提取的泡沫纹理特征对浮选工业生产状态进行无监督的模糊聚类分析与有监督的生产状态识别。实验结果表明,该纹理特征提取方法能有效地获取各种浮选状态下泡沫表面纹理的细微差别,基于该纹理特征参量的浮选状态识别准确率高于90%。     

局部纹理特征改进空闲车位智能检测算法

针对车辆数量的爆炸式增长而智能停车场车位检测速度慢、正确率低的问题,提出了一种基于局部二值纹理特征改进的空闲车位检测算法,算法首先将监控摄像机采集的车位图像降噪滤波后转化为局部二值模式,然后通过结构模板集提取图像的局部二值纹理特征,作为空闲车位和有车车位的识别特征,最后通过核Fisher判别方法实现空闲车位的检测.实验...     

基于SVM和小波的木材纹理分类算法

选用二进正交小波基对木材纹理图像进行多层分解,利用所得到的纹理特征向量分析水平、垂直和对角方向上木材纹理频率分布特点.基于木材纹理的这种频率分布特点,选取能够表达木材纹理特征的一组向量作为SVM分类的特征向量,利用多类SVM分类器对木材纹理样本进行训练和识别分类.实验表明,文中基于SVM和小波的木材纹理分类方法优于传统的分类方法.     

智能车行人识别的灰度形态学边缘检测研究

行人轮廓特征是行人识别的重要特征,为了获取更好的行人轮廓,边缘检测方法是一个非常重要的选择。首先采用Roberts算子、Prewitt算子、Soberl算子、LOG和Canny算子对行人图像进行边缘检测,得出能获得较好行人轮廓的边缘检测方法;然后用此边缘检测方法结合灰度形态学进行图像处理,最终获得具有最优行人轮廓的形态学边缘检测方法。试验结果显示,此方法能很好地消除行人轮廓的干扰因子。     

基于行人组运动信息表达的人群异常检测

人群异常检测是智能化人群监控技术下的一个重要研究方向,在现有的方法中,异常检测的首要步骤就是获取运动信息,传统通过对视频帧均匀分块的方式并不能保证行人的完整性,提取的特征也不能准确反映行人的运动状态。本文提出了递进式人群分组的方法,先将人群运动场与帧差法结合分割图像获取人群前景,然后依据人群运动方向获取方向组,结合时空信息对方向组再聚类,得到更细致的行人组。对于每个行人组,利用人群能量特征去表征行人整体运动信息,并依据能量场构造了环块能量直方图特征来削弱行人四肢摆动的影响,最后与图像外观特征相结合用于人群异常检测。实验结果表明,本文方法在两个不同场景下帧级准确率达到83%和92%,像素级准确率达到64%和83%,与传统方法相比有较大提升。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

基于多通道Gabor滤波与灰度梯度共生矩阵的虹膜识别方法

为有效改善虹膜识别系统的性能,针对传统方法提取全局特征时对局部纹理特征不敏感的问题,提出了一种基于多通道Gabor滤波和灰度梯度共生矩阵（GGCM）的虹膜识别方法。使用不同方向和尺度的Gabor滤波器组对预处理后的虹膜图像滤波,由全局滤波图像构建灰度梯度共生矩阵,提取特征值生成虹膜特向量。识别过程采用加权欧氏距离进行特征匹配。CASIA虹膜图像库实验表明,该方法能在保证识别系统实时性能的前提下使EER下降0.5%。     

基于纹理分布特征的虹膜识别算法

二维小波变换方向性差,不能从方向和频率同时描述虹膜纹理.基于此,分析了归一化虹膜纹理的分布特点,提出了基于纹理分布特征的虹膜识别算法.对原始人眼图像进行虹膜定位等预处理操作,得到归一化的虹膜纹理图像;对归一化虹膜图像进行了二维小波多尺度变换,结合虹膜纹理分布特点,选择小波分解水平通道;依据点能量贡献度,消除伪特征点并进行了点能量编码;计算了不同虹膜编码间海明距离,以其为依据进行分类.在给定距离阈值为0.25的前提下,可以达到99.91%的正确识别率.实验证明该算法是有效、可行的,并具有较高的识别率,识别速度也很快.     

基于区域划分的多特征纹理图像分割

由于纹理图像的复杂性和多样性,仅依靠传统的单一特征实现纹理图像分割无法满足其对分割精度的要求。本文提出结合区域划分的多特征纹理图像分割方法。首先,依据像素灰度的空间相关性定义多个纹理特征;然后利用区域划分将图像域划分成不同子区域,待分割同质区域由这些子区域拟合而成;通过分别定义多个特征图像的同质区域之间的异质性势能函数和刻画各子区域邻域关系势能函数来定义全局势能函数,并构建非约束吉布斯概率分布,从而建立纹理分割模型;最后,采用M-H算法采样上述概率分布,从而获得最优图像分割结果。分别对模拟纹理图像、遥感图像、自然纹理图像和SAR海冰图像进行了分割实验,并与利用单一特征得到的分割结果进行对比分析,定性和定量的测试结果验证了算法的有效性。     

Automated inspection of engineering ceramic grinding surface damage based on image recognition

As the engineering ceramic ground workpieces usually contain machining damage such as breaks and cracks, the traditional test methods cannot accurately reflect the real surface. Therefore, this paper describes an automatic damage detection system of the engineering ceramic machined surface using image processing techniques, pattern recognition, and machine vision. First, it has great influence on the exact identification of surface damage if engineering ceramic machined surfaces contain grinding texture, so Fourier transform is skillfully adopted to remove grinding texture. Second, through image noise reduction, contrast enhancement, and image segmentation, an optimal combination of image preprocessing is obtained. Then, by comprehensive extraction of surface feature parameters, decision tree classifier based on the C4.5 algorithm is built according to shape features and texture features. Finally, the paper achieves automatic extraction and classification of engineering ceramic grinding surface damage, and the recognition accuracy of breakage reaches over 93 %. Experimental results show that this method is effective in defect detection of the engineering ceramic surface, and it also can provide some analytical basis for the post-function hierarchy partition of engineering ceramic workpieces.     

混合特征行人检测算法

为了提高行人检测方法的效果,提出了一种基于混合特征提取的行人检测方法。首先,提取一幅目标图像中的梯度方向直方图和局部二元模式特征。然后,利用一种自适应系统将HOG和LBP特征间的最优权重自动分配给每个特征。并且,通过难例挖掘的方法获取困难的负样本。最后,采用支持向量机对行人和背景进行分类。实验结果表明,这种新的方法优于其他仅使用单一特征或没有分配最优权重的混合特征的方法。