结合显著区域检测和手绘草图的服装图像检索

针对服装图像检索准确率和效率较低的问题,提出一种服装显著区域检测和手绘草图的服装图像检索方法。首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并结合其边缘轮廓信息,得到服装显著边缘图像;其次,对输入的服装草图和服装边缘图像进行特征提取,得到服装草图和服装边缘图像各自的方向梯度直方图(HOG)特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于距离相关系数的重排序算法对其相似度进行排序并输出检索结果。结果表明,该方法提高了服装检索的准确率,具有较好的鲁棒性,检索准确率可达78.5%。     

基于机器视觉的烟丝质量特征在线量化分析

为了实时监控产线烟丝的质量特征,该文研究设计一种新型在线烟丝检测设备,其通过机械结构设计实现自动从产线获取目标烟丝,振筛分离烟丝,测量烟丝,并最终将所测烟丝送回产线。其使用的图像识别算法基于机器视觉,通过基于亮度、色度和浓度（YUV）色彩空间的阈值分割法,精确地分割烟丝与背景,并通过提取烟丝骨架,实现对不重叠烟丝的长度和宽度的测量。通过对比实验表明,算法平均精度误差在5%以内,烟丝宽度误差在0.1 mm以内。所设计的烟丝结构检测仪既能测量单根烟丝的参数,能够统计整批烟丝的结构参数,提供多维度多尺度的信息,并且可以实现在线检测分析,提高测量的效率,为制丝工艺质量的监控及精细调控提供重要基础支撑。     

基于YCbCr色彩空间下的人脸检测与识别

文章基于YCbCr色彩空间理论,建立二维高斯模型将样本图片转换成肤色似然图,并对其进行腐蚀、膨胀处理,得到人脸区域;将训练好的弱分类器组成强分类器,进一步组成级联分类器,结合Adaboost算法,最终确认样本图片的人脸区域。     

基于图像处理的车辆目标检测系统

相对于传统的车位目标识别技术,文章采用了基于图像处理的目标检测方法。实验中训练和测试的数据来自国际公开数据集PKLot,文章采用基于方向梯度直方图(HOG)和支持向量机(SVM)对正负样本集提取特征并生成模板,对待检测的图像提取出特征并与模板进行对比,最后用矩形框标识检测的车辆目标,经多次独立测试,可用车位的检测准确率在94%以上,试验过程中,测试了大约35万张车位图像,包含四个场景下的不同停车场图像,验证了设计流程的可行性。     

基于SVDD的小麦净度检测方法研究

净度是种子质量的重要指标,可以直接影响作物的产量。由于种子杂质类型较多,传统方式二分类机器学习方法,易受建模杂质种类的限制,使得模型准确率降低。为实现种子净度自动化快速检测,本研究提出一种基于支持向量数据描述(SVDD)的小麦净度快速检测方法。利用工业相机获取小麦和麦壳、燕麦、大麦杂质的可见光图像,通过HALCON软件提取每粒样本的13种形态特征,借助皮尔逊相关性分析,筛选有效特征。在此基础上,分别利用SVM算法以及SVDD算法构建小麦净度识别模型,并进行分类识别对比试验。试验结果表明：SVDD算法杂质数据可以不参与建模,识别准确率达到95%以上,结合种子千粒重快速计算种子净度,在杂质占比含量20%时,检测误差为3.2%。基于SVDD的小麦净度检测方法,可以实现对小麦和多种杂质的快速分类,实现对小麦净度快速检测。     

基于HOG局部双线性插值的机械零部件检测与识别

传统方向梯度直方图(HOG)特征方法用于机械零部件检测时,对零部件的微小缺陷点的检测和识别不是很有效,因此课题组提出了一种局部双线性插值的HOG特征提取改进算法,将其用于小缺陷点的零件的检测和识别。首先,在图像内部的某个块上实现局部双线性插值;然后对局部双线性插值图像块进行梯度计算,提取新的梯度方向直方图;最后利用神经网络分类方法对具有微小缺陷点的零件进行检测。实验结果表明:局部双线性插值HOG特征提取方法比传统的HOG特征提取方法具有更好的检测性能;增强图像的抗混叠识别效果。     

基于AdaBoost集成学习的烟丝组分识别

目的：提高烟丝的识别效率。方法：利用F-score特征选择方法和AdaBoost集成学习方法对烟丝组分进行识别,提取烟丝的纹理、颜色、形状特征作为模型的输入,通过F-score特征选择方法降低特征维度,以支持向量机(Support Vector Machine,SVM)作为基分类器,再利用AdaBoost集成学习方法,得到烟丝的分类模型。结果：该方法能够有效区分不同组分烟丝,每种烟丝的识别准确率都在95%以上。结论：AdaBoost集成学习方法比传统方法更快捷、方便,也更安全、有效。     

基于机器视觉图像提取的马铃薯内部病虫害特征识别

构建二维马铃薯内部病虫害视觉图像采集模型,对采集的马铃薯内部病虫害视觉图像进行分块融合检测,根据马铃薯绿叶素纹理分布进行病虫害的特征检测,提取马铃薯内部病虫害视觉分形特征量,采用表面纹理配准和分块自适应检测方法进行病虫害的特征点标定,结合小波变换方法进行马铃薯内部病虫害视觉图像的特征分解,根据颜色梯度变化的差异性实现机器视觉下的马铃薯内部病虫害特征识别。仿真结果表明采用该方法进行马铃薯内部病虫害特征识别的准确率接近90%,提高了马铃薯内部病虫害的防治和识别能力。     

基于计算机视觉的织物疵点检测技术研究进展

对基于计算机视觉的织物疵点检测技术进行回顾,介绍了灰度共生矩阵法,局部二值模式算法,邻域关联分析,自组织映射,支持向量机,学习向量量化分类器,多分类器组合和决策融合等算法等在图像预处理,特征提取、分类和识别等方面的应用情况,着重讨论了一种基于多数投票原则的多分类器决策融合技术,试验结果证实该技术有较高精确性.     

一种智能建筑中门禁系统的行人检测方法

目标检测在计算机视觉应用中占据重要地位。目前的应用极其广泛,如行人检测、智能交通、高级人机交互。2005年Dalai等人提出的HOG（HistogramsOfOrientedGradient,HOG）最早被用于行人目标的检测中,-K-,~于人体检测的性能优于Haar,PCA—SIFT和Shapecontext等方法,并获得了较好的效果。但以HOG作为人体特征进行人体检测时,存在着目标背景复杂等问题,极大的影响了检测精度。为了更好的提高人体检测的精度,本文提出运用区域分割的方法,使目标和背景区分开来,只对目标进行计算以减少背景的干扰。     

基于计算机视觉的玉米粒形检测方法

提出了利用计算机视觉技术检测整粒玉米和破碎玉米的方法,以适应快速准确检测玉米品质的要求。设计了一套基于计算机视觉技术的玉米粒形检测装置,开发了玉米粒形检测算法;首先采用玉米粒形检测装置获取玉米籽粒图像,再对图像进行预处理,然后根据玉米籽粒的特点提取面积、周长、长、宽等8个特征参数,将粒形特征参数作为输入值构建BP神经网络对玉米的粒形进行检测。结果表明:该方法对整粒玉米检测的准确率为97.50%;对破碎玉米检测的平均准确率为91.83%。     

基于Adaboost多特征融合的织物扫描图案识别

针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题,提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理,并进行灰度化;然后分别提取灰度图像的边缘方向直方图、最大稳定极值区域的SURF特征和灰度共生矩阵特征,建立样本图像特征库;最后以样本图像特征库特征为训练对象,通过Adaboost算法融合3类特征建立分类器,实现图案识别。实验结果表明,基于Adaboost的多特征融合织物扫描图案识别算法比单特征识别算法有较高的准确率。     

应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。     

应用区域颜色分割的机采棉杂质检测方法

机采棉中的杂质繁杂,而杂质类型及含量对后期棉花加工工艺的影响很大。为此,提出一种应用区域颜色分割方法以检测棉花中的杂质。在图像分割中,先对滤波后的机采棉图像进行彩色梯度运算,通过扩展极小变换运算获得标记图像,在修改后的梯度图像上运用分水岭算法获得初始分割图像,然后对初始分割图像进行区域合并。区域合并过程中要综合考虑空间邻接性、颜色信息和区域面积3个因素。颜色信息主要采用饱和度、亮度、区域颜色向量模及颜色相似度4 个特征量。用层次递进的合并方法,迭代过程更新信息特征。最后通过支持向量机算法提取颜色、纹理、形状特征对杂质区域进行识别。结果表明,所提方法对机采棉中天然杂质的平均识别率为94%。     

基于Blob分析的红枣表面缺陷在线检测技术

搭建一个基于机器视觉的红枣表面缺陷在线检测平台,实现红枣全表面信息的自动化在线实时测量。根据红枣及其表面缺陷的特征,提出在颜色空间模型中采用Blob分析算法进行红枣与背景的分离以及红枣表面缺陷的识别,给出不同缺陷特征种类的颜色空间模型和分割阈值,快速准确地实现破头果、霉变果、浆头果、虫蛀果等典型红枣表面缺陷的识别。试验结果表明,该方法检测结果稳健可靠,缺陷果识别的准确率可达到90%以上。     

改进频率调谐显著算法在疵点辨识中的应用

为提高疵点检测效率和准确率,提出用改进频率调谐显著（FT）算法替代 Gabor 小波方法预处理疵点图像,强化疵点特征向量灵敏度。分析了FT 算法中高斯滤波器模板、Lab 颜色空间、高斯滤波图像中椒盐噪声和 HSV 颜色空间不同通道取值范围不一致对疵点识别的影响,并提出了相应改进方法。利用改进 FT 算法进行图像显著处理;使用灰度共生矩阵方法对疵点显著图进行特征提取;利用概率神经网络分类器分类,检测是否存在疵点。对 2 种不同纹理面料的检测结果表明：改进 FT 算法较改进前计算时间增加约8%,但疵点检测准确率提高18% ～25%;与 Gabor 小波相比,检测准确率基本持平,但计算时间缩短约70%。     

基于视觉图像的鲅鱼新鲜程度的检测方法

鲅鱼新鲜程度是评价其质量好坏的重要因素。为提高鲅鱼检测新鲜程度准确性,研究基于视觉图像的鲅鱼新鲜程度的检测方法。研究对象是某地海鲜市场中的30条鲅鱼,通过鲅鱼视觉图像采集系统采集鲅鱼视觉图像,利用区域填充算法及形态学开运算对采用大津法分割的鱼体二值图像进行填充及去噪,融合上山法与区域生长方法分割鱼眼区域,通过全局动态阈值分割方法分割鱼鳃图像;提取图像特征时,利用图像的R、G、I分量灰度均值提取鱼体、鱼眼及鱼鳃图像颜色特征,采用G分量提取鱼眼中心区域面积。将图像特征输入到NeuroShell 2神经网络判别模型中,实现鲅鱼新鲜程度的有效检测。经实验验证,该方法检测鲅鱼新鲜程度的准确率平均高达98.28%,依据鱼眼中心区域面积+颜色灰度均值特征进行鲅鱼新鲜程度检测的准确率最高,且检测不同死亡时间的鲅鱼新鲜度的检测准确率高达95%,说明鲅鱼新鲜度的检测为海鲜检测提供了理论基础。     

计算机视觉技术在花生仁表皮破损检测中的应用

介绍了基于花生仁表皮破损检测的计算机视觉系统,并针对花生仁表皮类破损给出了一套完整算法及实现,即利用破损区域的颜色分量R,G,B及其均方差形成的偏差系数实现对破损区域的分割,实现了花生仁表皮类破损的检测.同时也给出了破损程度的量化指标,为花生仁破损程度检测分级提供了依据.试验表明,通过该算法,破损检测正确率达到100%,破损程度检测准确率到达95%.     

基于计算机视觉的皮革检测技术研究

皮革表面难免存在破损、划痕、褶皱等瑕疵,为提高产品合格率,对皮革进行质量检测显得尤为重要。长期以来,皮革检测普遍由人工完成,然而人工检测存在效率低、成本高且误检率高等不足之处。鉴于皮革表面纹理、光泽、色彩都具有鲜明的特点,将计算机视觉技术用于皮革正反面识别及缺陷检测方法的研究中。基于图像处理系统组成框架,借助模式识别中的人工神经网络设计分类器,经试验表明,人工神经网络三层结构在皮革正反面识别的应用中具有较高的准确率。本文将统计学中的共生矩阵思想引入皮革图像纹理特征提取的研究中,并提出一种基于模糊算法的C-均值聚类方法,可精准高效识别皮革表面缺陷。     

基于静态手势识别的视力检测系统设计

基于计算机视觉的手势识别是人机交互的热点,文章提出一种自助式视力检测系统设计方案。核心算法是采用基于HOG特征提取和SVM分类的静态手势识别技术,对视力检测中上下左右方向的手势进行判别。软件设计以Windows系统为平台,采用Python3.7语言,调用OpenCV开源库进行编程实现。经系统测试,本系统运行稳定,操作简单,可实现视力检测过程。