基于机器视觉的驾驶人使用手持电话行为检测

为了对驾驶过程中使用手持电话行为实施监控和预警,提出了一种基于机器视觉的驾驶人使用手持电话行为检测方法。该方法使用ASM算法分割出面部肤色区域,并运用F-B Error算法在头部发生偏转时对肤色区域进行跟踪。在此基础上,提出用自适应肤色范围提取算法进行肤色检测,并确定手部图像候选区域。提出了CMOG特征描述手部图像,并综合使用CMOG特征与HOG特征在手部图像候选区域中确定驾驶人的手部图像。最后,运用三模式逻辑判别方法判别驾驶人使用手持电话的行为。实验结果表明:该方法能够有效检测出驾驶人在驾驶过程中使用手持电话的行为。     

车辆行车实时目标区域特征提取及分类训练

为了实现前方车辆智能实时检测,文中提出了一种基于梯度方向直方图特征和支持向量机的前方车辆检测的区域检测算法.采用一种改进Hough变换直线检测算法提取图像感兴趣区域;对图像感兴趣区域的梯度方向直方图(HOG)特征进行了提取,利用支持向量机(SVM)训练得到的分类器进行前方车辆的检测.实验结果表明:文中提出的区域检测算法能有效实时、准确检测前方车辆;车辆检测用时较梯度方向直方图和支持向量机直接检测算法降低了30%,识别率提高了1.6%.     

基于HOG特征与SVM的视频车辆检测系统设计

为增强车辆预警,解决行车状态下前方车辆实时检测问题,构建了一种基于方向梯度直方图(HOG)特征与支持向量机(SVM)的视频车辆检测系统.首先对提取HOG特征的步骤及SVM算法基本原理进行研究,用拍摄的实际道路视频对系统进行测试;分别提取出正、负样本集的HOG特征,用于SVM分类器模板的训练;再计算待测视频图像HOG特征...     

基于TBGC的航拍视频车辆检测算法

针对移动航拍视频中车辆检测准确度低的问题,提出一种基于三邻域点二值梯度轮廓(Three-neighbor-point Binary Gradient Contour,TBGC)特征的航拍车辆检测算法。对相邻帧图像进行SURF(speeded-up robust features)特征点提取匹配,利用角度判别剔除错误匹配点完成图像配准,采用帧间差分获得运动目标的候选区域。由于传统二值梯度轮廓(Binary Gradient Contours,BGC)特征忽略中心像素特性,提出基于3×3邻域相邻像素点量化操作的TBGC特征。提取候选区域的TBGC特征,并利用支持向量机(Support Vector Machine, SVM)完成最终的航拍视频车辆检测。实验中利用提出的TBGC特征在8个数据集上分别与BGC1、LBP、HOG特征进行对比实验,实验结果表明TBGC算法的检测率明显优于传统经典算法,平均检测率为93.09%,并且具有较好的鲁棒性。     

基于图像多特征融合的野外水体障碍物检测

提出了一种基于图像多特征融合的方法来实现水体障碍物的检测方法.对于图像中水面的无倒影区,可以通过基于亮度和纹理特征的图像分割获得;而对于水面的倒影区,提出了基于立体视觉的方法来得到倒影区的距离和高度,并据此提取出相应的倒影区域,将所有特征进行融合获得了较完整且准确的水面区域.实验证明,该方法对野外复杂环境下的水体障碍物检测,特别是对包含有倒影的水体区域的检测有良好的效果;同时,算法简单实用,易于实时应用.     

基于颜色特征和SVM的交通标志检测

为提高道路交通标志识别系统的实时性和准确度,提出一种改进的RGB空间颜色检测和SVM相结合的交通标志检测算法。首先使用直方图均衡化和Gabor滤波相结合的方法进行图像增强,突出目标颜色;然后使用改进的RGB空间颜色检测方法初步提取并切割出候选标志区域;最后使用HOG特征训练SVM分类器,对候选标志进行精确检测并判断其形状。在检测精度和检测用时2方面进行对比试验,其结果表明,本文算法的检测用时较短,误检率和错检率都较低。该算法能对亮度较低的图像进行有效处理,对旋转、部分遮挡等多种情况也有较优的稳定性和准确性,适用于复杂背景下的标志检测。     

基于角点特征的高精度图像配准算法

为了快速准确提取图像特征和匹配点对,提出了一种基于角点检测的高精度图像配准算法。该算法首先检测参考图和实时图的角点信息,然后采用双向迭代匹配算法对参考图和实时图的角点进行匹配,再根据基于仿射变换模型的RANSAC算法对候选的匹配点对进行筛选,消除错误匹配对,并估算出最佳仿射变换参数,最后用所得变换参数对实时图进行变换和重采样来实现图像配准。实验结果表明:该算法具有良好的配准精度。     

基于RGB-D相机的无人机快速自主避障

提出一种快速的多旋翼无人机自主避障算法。利用RGB-D相机获取场景对应的深度图,采用分层策略对深度图像进行描述,以区分障碍物与非障碍物;再对场景的深度图像以区域块搜索的方式寻找无人机的避障路径,进而达到自主避障的效果。为了验证该算法的可行性,在ROS系统上进行仿真和实验,结果表明该方法耗时少、精度高、可靠性强。     

一种新的模糊图像边缘检测方法

边缘检测技术是图像预处理中最重要和最困难的任务之一，本提出了一种新的模糊图像边缘检测算法，算法中图像所对应的模糊特征平面通过一个基于阈值的隶属函数来提取，在模糊特征平面上应用模糊增强算子对低灰度区域的大部分象素进行衰减运算，对高灰度区域的大部分象素进行增强运算来提高两个区域之间的对比度，图像的边缘采用min或max算子来提取，仿真结果表明，该算法是一种有效的边缘检测方法。     

基于视频处理的行人检测系统

该系统选取OpenCV作为主要开发工具,通过提取图像序列中行人运动信息、形状特征、HOG特征,实现了对智能监控系统中的行人进行自动检测的功能。同时,通过对提取的高维度HOG特征进行降维处理,得到一个低维度SVM分类器,使得在不影响行人检测精度的前提下,进一步提高了系统的实时性。     

复杂背景图像中的车牌检测算法

针对在复杂背景图像中汽车牌照检测定位的课题,提出了一种基于可信度评价的汽车牌照检测定位算法。在对图像进行预处理后,算法利用车牌区域由于字符排列的规则性而在梯度图像上产生的特征,分割并提取出车牌可能存在的候选区域,然后根据汽车牌照的几何特征对每一个候选区域进行可信度评价并按一定的合并规则对候选区域进行合并,以获取更高的可信度,最后根据区域可信度值的大小确定车牌的位置。算法对于图像光照条件变化、视角变化而造成的车牌的倾斜和变形等情况都具有较好的处理效果。     

图像多特征融合的障碍物检测

针对室外环境中障碍物和地面图形区分不明显时,利用易受光照及噪声影响的颜色或亮度信息检测障碍物会出现误判和漏检的现象,采用多特征融合的方法对障碍物进行检测。首先使用LBP算法提取图像纹理特征,使用自适应Canny算法提取障碍物边缘信息,将纹理特征和边缘信息进行线性加权,再利用高斯建模方法更新背景信息,最后通过比较前后帧总体差异判定障碍物。与传统三帧法、平均背景建模法、高斯混合建模法的实验对比结果表明:该方法相比利用单一特征进行障碍物检测的方法具有更好的鲁棒性。     

基于机器视觉的铝型材表面瑕疵检测方法

铝型材的表面瑕疵影响其质量、外观以及安全性,如何准确、快速和高效地识别铝型材的表面瑕疵至关重要。为解决检测铝型材表面瑕疵的问题,提出一种基于机器视觉的铝型材表面瑕疵检测方法。该方法基于铝型材的瑕疵种类和特性,采用非线性的双边滤波,并对其定义域核函数作出空间域改进,改进后的滤波算法能够较好地抑制噪声,保留瑕疵边缘信息。预处理后采用改进的Canny算法对图像进行梯度计算并且通过非极大值抑制得到候选边缘,对缺陷进行定位。为了有效地对瑕疵进行分类,对其数据集进行数据增强,防止过拟合情况的发生,结合光照等外界因素对瑕疵特征的影响,采用HOG算法进行特征提取,并将卷积神经网络多层的特征与HOG特征进行融合,对卷积核采用相关系数法优化,解决传统HOG+SVM模型泛化能力和鲁棒性差的问题,铝型材表面瑕疵检测准确率提升至90.26%,平均每张测试集仅需58.34 ms,符合目前对铝型材表面质量检测的需求。     

基于HOG特征的优化区域模板匹配检测

针对HOG算法滑动窗口检测效率低和目标特征描述不精确的问题,提出了一种基于HOG的改进算法,提高了滑动窗口的检测效率并减少了目标模板相似性对结果带来的影响.该算法利用HOG特征来描述目标的整体和各个部件,优先检测图像中目标出现概率较大的区域.对于检测评分比较接近阈值的区域使用可变形部件模型进行精确检测,从而可以避免具有轮廓相似性的模板检测结果的不准确.结果表明,该算法对于静态图片有较高的准确率,且对于很多相似度不高的分类具有较快的检测速度.     

基于IOCAD的无人机避障路径规划

针对复杂密集不规则障碍物环境下无人机路径规划问题,采用不规则障碍物预处理方法,建立障碍物避碰检测模型,并设计了基于不规则障碍物避碰检测(irregular obstacles collision-avoidance detection,IOCAD)的无人机路径规划算法。该算法以栅格法规划环境建模为基础,采用粗糙集思想、凸化填充法等对障碍物进行预处理,并利用射线法筛选出环境中可飞路径点,以障碍物到飞行路径距离最小为目标函数,对可飞路径段和障碍物进行相交检测与距离检测,解算出不规则障碍物环境下无人机路径。在既定的路径规划环境及无人机性能约束下,仿真结果表明:该算法能快速规划出对应避障路径,且栅格粒度大小、安全裕度值的设置对算法性能有明显影响;当栅格粒度为0.5 km,安全裕度为0.4 km时,可显著缩短航程并有效减少路径点数,验证了该算法的有效性。     

BOW-HOG特征图像分类

为了减少图像尺寸对提取特征的影响,同时移除特征向量中的冗余信息,将词汇袋模型(BOW)与梯度方向直方图(HOG)特征相结合,提出一种基于BOW-HOG的特征描述子用于图像分类.将图像划分为不同的子区域,对梯度幅值较大的子区域提取HOG特征.用BOW模型对子区域HOG特征编码,构建原始图像上维度一致的特征向量.将特征向量输入训练好的分类器,完成图像分类任务.将BOW-HOG特征描述子在不同的图像分类任务上进行试验,包括图像文本分类、图像场景分类.本实验的文本分类正确率为0.813,场景分类正确率为0.826,优于传统基于HOG特征的方法,表明了基于BOW-HOG特征图像分类方法的可行性、有效性.     

FD+HOG融合人体行为识别

利用全局特征提取与局部特征提取相融合的方法,将傅里叶变换特征与方向梯度直方图特征相融合的算法结合支持向量机(SVM)来识别人体行为。首先将KTH和Weizmann数据集中提取出来的图像做预处理,分别提取出每张图像的傅里叶描述子和HOG特征,然后利用主成分分析法对HOG提取特征降维,最后用FD+HOG的融合特征放入SVM分类器中分类识别。实验结果表明,该算法识别率可达86%以上。     

多层次MSER自然场景文本检测

提出一种新的基于多层次最大稳定极值区域(MSER)的自然场景文本检测方法,其由候选区域的提取和文本检测组成.在候选区域提取过程中,采用多层次MSER区域提取方法:通过对原始图像进行多个颜色空间变换和多尺度放缩得到多个变换后的图像,采用多个阈值对其进行MSER区域检测,并将检测到的区域作为候选区域用于文本检测.检测过程中,对候选区域提取手工设计的底层特征和基于卷积神经网络(CNN)的深层特征,训练一个随机森林回归器对特征进行分类得到字符区域,再将其合并成单词区域,并进行相似的特征提取和分类,从而得到最终的文本检测结果.使用2个标准的数据库(ICDAR2011和ICDAR2013)对提出的方法进行性能评价,F指标在ICDAR2011和ICDAR2013上均为0.79,表明了所提出的自然场景文本检测方法的有效性.     

基于单眼视觉和超声波室内障碍物检测系统在智能车上的应用

提出一种基于单眼视觉和超声波测距的树莓派智能机器人车检测静态和动态障碍物的方法.采用改进的单眼视觉障碍物检测算法,对室内的静态和动态障碍物进行轮廓检测,并利用超声波传感器测量机器人车与障碍物之间的距离.针对静态障碍物检测,在图像预处理阶段引入图像增强,并通过HSV图像提取不同障碍物颜色特征,以提高障碍物轮廓标定的效率和准确率.针对动态障碍物检测,结合背景差分与3D图像显示技术实现动态目标捕捉,并设置距离决策模块记录障碍物位置信息.试验结果表明,该方法可有效减少障碍物检测的平均消耗时间以及障碍物位置信息的错误率,提高室内障碍物检测的效率和准确性.     

分块鲁棒主成分分析的撞击坑图像检测识别

针对遥感图像地形背景复杂的问题,提出分块鲁棒主成分分析的撞击坑候选区域自动提取方法.基于图像分块,采用交替方向乘子算法进行结构稀疏的低秩分解,低秩成分表示冗余相似的背景,稀疏成分代表包含潜在撞击坑的显著区域.针对显著的区域图采用数学形态运算分割获取候选的撞击坑图像,并通过对候选图像进行稀疏表示的分类,识别出真实撞击坑.基于火星和月球图像的实验结果表明,该方法能有效去除复杂地形和光照的干扰,检测率达到91.7%.