基于YOLOv3改进的手势检测算法

针对传统手势检测算法在第一视角多手势场景下检测精度和准确率不高的问题,提出了一种基于YOLOv3网络框架改进的手势检测算法.利用Kmeans++聚类算法代替Kmeans对训练集的尺度进行重新聚类,得到更符合手势分布的先验点;针对检测过程中正负样本极不均衡的问题改进YOLOv3的损失函数,引入Focal Loss损失函数使得网络更加关注难训练的样本;改进非极大值抑制算法(NMS),通过对候选框进行加权得到更接近Ground Truth的结果,并通过判断候选框之间的位置关系去除冗余候选框.在Egohands数据集中实验表明,提出的算法相对于原本的YOLOv3算法在准确率和mAP上有较大的提升.     

基于候选框提取的可变形部件模型物体清点

已有的利用图像处理进行物体清点的方法对物体本身和背景条件的统一性要求较高,不具备通用性和较高抗干扰能力,而一些准确率较高的算法计算复杂度高,难以满足生产流水线上实时性要求,因此提出一种高灵活性、高鲁棒性及通用的采用候选框提取的可变形部件模型快速物体清点方法,使用快速特征金字塔来训练可变形部件模型,并通过对物体梯度方向直方图(Histograms of Oriented Gradients,HOG)特征按能量大小区域旋转的方法来提高算法的抗旋转能力;然后使用改进的基于先验信息的edge boxes算法提取目标候选框,再对候选框使用训练好的可变形部件模型进行检测;检测出的目标数量即为物体数量。设计了多组对照试验,结果证明,该方法具有较高的通用性和鲁棒性,在准确性和检测效率上也完全能够达到工业生产中实时检测系统的要求。     

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。     

基于全变差和脊波变换的海岸线提取算法

为有效解决视频图像中海岸线的自动提取问题,提出一种结合全变差增强水陆边缘和脊波变换预测搜索区域的海岸线提取算法.首先基于最小化全变差模型降噪和增强边缘;第2步,根据水陆像素的彩色特征,计算彩色梯度向量;第3步,利用脊波变换预测水陆交界处的大致方向和动态范围,缩小检测区域;最后用一种改进的最小代价梯度跟踪模型对海岸线进行搜索,跟踪并精确提取最终的海岸线定位参数.实验结果证明了算法的有效性和较强的抗噪声能力,并且对不同光照条件具有鲁棒性,是视频图像中提取海岸线的新方法,为下一步设计应用系统打下了基础.     

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。     

基于多尺度分析的人脸识别算法研究

针对传统的人脸识别算法易受光照等因素影响的缺点,提出了一种基于多尺度分析的人脸识别算法。首先,对采集到的人脸图像进行预处理,去除噪声,减弱无用信息,增强有用信息;然后,在粗尺度上采用形态学梯度边缘检测算法对人脸轮廓进行提取,缩小人脸库的搜索范围;最后,在细尺度上对人脸的不变特征进行提取,采用Harris角点检测算法对在粗尺度上得到的边缘图像进行特征提取,减少计算量,提高了识别速度。在所拍摄的人脸库上对算法进行验证,实验表明,对易于进行轮廓提取的人脸图像的识别速度较快,精度较高。     

改进SURF算法的特征提取与匹配方法研究

针对门把手图像特征点提取与匹配对快速性和准确性的要求,提出一种改进SURF算法。该算法主要对图像较平滑区域难以提取出大量信息点的问题进行改进。增加了边缘检测算法,得到图像边缘信息后进行形态学处理,并通过膨胀运算和开运算后获得门把手图像边缘区域信息并提取出关键点,进而获得较多特征明显的信息。改进SURF算法和原始SURF算法相比,在平滑区域能够较好提取出特征点,匹配准确率也有明显的提升,并且增强了算法的实时性。     

基于MATLAB的改进Canny算子的图像边缘检测研究

边缘检测是图像处理一个重要的环节,为了有效提取目标边缘,提出一种基于canny算法的改进算法,主要从两方面进行的改进,采用中值滤波代替高斯滤波对图像的噪声进行滤除和采用迭代法计算高低双阈值。实验的仿真结果很好地验证了改进算法的性能:在保留边缘信息的同时,很好地抑制了噪声的干扰,可以提高图像边缘检测效果。     

基于云-边缘协同计算的表面缺陷检测系统研究

基于现有表面缺陷检测系统所存在的实时检测难、硬件要求高等问题,提出一种基于云计算与边缘协同计算的表面缺陷检测系统。将轻量化改进后的 YOLOv4 缺陷检测算法模型部署到边缘端嵌入式设备中,在边缘端完成对表面缺陷的检测,并在边缘端和云端设备部署 KubeEdge 框架进行通信和管理。通过案例验证该系统不仅能够满足检测实时性的要求,还能够提取缺陷检测关键信息,同时便于部署在价格低廉的嵌入式设备。     

结合相位一致性的行人检测

针对行人检测中利用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征进行训练时耗时长,检测速度慢的问题,提出一种改良算法。该算法结合相位一致性(phase congruency,PC),利用局部能量与Log-Gabor滤波器,计算提取行人正样本图像的边缘,以边缘像素点处的局部能量值最大值与对应的相位值做为特征,以HOG滑动块形式生成特征描述子,此文称之为PC-HOG特征,利用AdaBoost级联分类器算法训练学习此特征,并在INRIA数据库中测试此算法分类效果。测试结果表明该算法明显减少了训练时间,提升了行人检测速度,较HOG+SVM速度提升40%以上,较HOG+AdaBoost提高了8%左右,也改善了检测准确性。     

基于TRIZ的含噪声图像目标边缘检测算法

为减少对受电弓图像进行目标检测时噪声的存在对算法发现目标的影响,根据发明问题解决理论的物质一场模型,构建出一种以矩形区域为检测模板的局部目标边缘的检测算法,并应用发明问题解决理论的冲突解决方法对算法进行改进分析,基于No.1分割原理构建了变尺寸区域模板搜索边缘的方法,基于No.35参数变化原理构建了大步长搜索边缘的方法,基于No.13反向原理构建了由目标内向外搜索边缘的方法.模拟算例表明,该算法在不显著提高计算量的条件下具有抵抗噪声的能力.以现场实际图像对算法进行验证,结果表明算法是合理可行的.     

基于因子图的 INS / UWB 室内行人紧组合定位技术

针对室内复杂应用场景下待定位行人接收到的超宽带(UWB)测距信息数量不确定问题,提出一种基于因子图的INS/UWB室内行人紧组合定位算法,实现对动态随遇接入与退出的UWB量测信息有效融合。首先,基于室内行人运动模型以及UWB量测模型构建INS/UWB紧组合因子图模型,由于对行人位置与速度同时进行建模估计,导致该因子图模型含有环结构。在此基础上,针对有环因子图模型基于和积算法(SPA)通过两次迭代推导因子图中各节点间消息传递算法,计算行人位置与速度的后验概率密度。进一步,针对特殊量测矢量条件下因子图算法定位误差跳变问题,提出一种基于坐标变换的因子图改进方法,从而有效提高行人位置与速度估计精度。仿真结果表明,本文提出的INS/UWB紧组合定位算法可以有效融合动态随遇接入与退出的UWB测距信息。在满足计算量与内存消耗需求的前提下,与变结构多模型扩展卡尔曼滤波(EKF)相比,本文提出算法的定位精度与速度估计精度可以分别提高14.94%与56.42%。     

基于Canny边缘检测和加权最小二乘法的气泡水平仪实时检测方法

针对气泡水平仪的自动标定问题,对机器视觉领域中的边缘提取算法、最小二乘法、轮廓跟踪算法等方面进行了研究。提出了一种基于Canny边缘检测和加权最小二乘法的气泡水平仪实时自动检测方法,以提高检测气泡水平仪的准确度和效率。引入了Canny边缘提取算法对工业摄像机所拍摄的水准柱侧面图像进行处理,以得到参考线和气泡的边缘信息。引入了一种自适应选取Canny边缘提取算法的阈值的方法,以克服工业现场光照变化的影响。同时针对本应用场合,采用了加权最小二乘法对左右平行参考线进行拟合,并结合二分搜索算法对水平尺上的气泡位置进行了搜索,从而实现了气泡水平仪的高准确度实时检测。研究结果表明,该方法能够准确、快速地对气泡进行定位,能够较好地适应光照变化。     

基于有序Hough变换的快速圆检测算法

针对随机Hough变换（RHT）及其改进算法在同一圆边缘点随机抽样时命中率低且投票处理过程复杂,提出了基于有序搜索的广义Hough变换快速圆检测算法（SQHT）。该算法利用圆的几何性质和梯度方向信息来有序搜索圆边缘点集,将Hough变换的基于投票判定基元参数转变为有效确定基元三点的讨论。执行算法时,首先顺序搜寻第一边缘点并根据邻域边缘点集或图像灰度值计算其梯度值;接着在第一点所在行匹配与其梯度信息相符的第二点,根据前两点信息在第一点所在列匹配第三点;最后按照RHT算法流程确定有效基元参数,从而避免了随机抽样带来的时间不确定性。该算法具有计算速度快,检测时间可控,适用范围广泛,抗干扰性强等特点。相比于RHT算法,提出的算法在单目标圆检测情况下检测效率提高了2倍,在多目标圆（5个及以上）且有非目标边缘点情况下检测效率提高了5倍,在多圆检测方面能有效弥补了Hough变换算法的不足。     

基于数学形态学的气泡水平尺自动检测系统研究

针对气泡水平尺的自动检测问题,对机器视觉领域的边缘提取、轮廓跟踪等算法进行了研究,提出了一种基于数学形态学与轮廓跟踪的气泡水平尺自动检测方法。引入了快速中值滤波算法和多线程工具对工业相机拍摄的水平尺气泡图像进行了滤波处理,以提高中值滤波算法的运算效率,使用了模糊最小化形态学梯度对气泡图像进行处理,以得到气泡的边缘信息。同时针对该应用场合,分析了气泡边缘图像的灰度剖面特性得到左、右平行参考线的位置,结合目标邻域点法搜索气泡端点来对气泡位置进行了搜索,得到了气泡偏移距离,从而实现了高效率高准确度的气泡水平尺偏移实时检测。研究结果表明,该方法在保证结果准确的同时,能够极大提高计算速度,并且计算结果能极好地适应光照变化。     

一种改进的Canny边缘检测算法

针对Canny边缘检测算法存在的缺陷,提出了一种改进型Canny边缘检测算法。首先采用非线性扩散滤波减少了图像噪声,同时保持图像的边缘信息;在邻域梯度幅值计算中,考虑像素对角线方向的梯度,进一步抑制了噪声的影响;最后采用平均方差阈值法选取阈值,从而提高了对不同图像的自适应性。通过对实验图像的分析表明,该改进算法对含噪图像的边缘提取具有较好的检测精度和准确性。     

基于双重过滤的快速行人检测研究

对于工业上实时目标检测的要求,提出了一种基于似物性和直方图匹配过滤的快速行人检测算法。具体地,用似物性检测方法过滤绝大多数背景,将注意力集中在显著性区域。因为同一场景中同类目标的灰度直方图具有一定的共性,所以可将目标行人的直方图作为匹配模板,并进一步匹配过滤显著性区域,以减少候选框数量。最后,对候选框提取HOG特征,运用SVM筛选出帧图像中的行人。实验结果表明,该方法提升了传统检测方式的检测速度,在保证准确率的前提下,满足了工业上实时性检测的需求。     

基于激光点云与图像融合的3D目标检测研究

目前基于激光雷达与摄像头融合的目标检测技术受到了广泛的关注,然而大部分融合算法难以精确检测行人、骑行人等较小目标物体,因此提出一种基于自注意力机制的点云特征融合网络。首先,改进Faster-RCNN目标检测网络以形成候选框,然后根据激光雷达和相机的投影关系提取出图像目标框中的视锥点云,减小点云的计算规模与空间搜索范围;其次,提出一种基于自注意力机制的Self-Attention PointNet网络结构,在视锥范围内对原始点云数据进行实例分割;然后,利用边界框回归PointNet网络和轻量级T-Net网络来预测目标点云的3D边界框参数,同时在损失函数中添加正则化项以提高检测精度;最后,在KITTI数据集上进行验证。结果表明,所提方法明显优于广泛应用的F-PointNet,在简单、中等和困难任务下,汽车、行人和骑行人的检测精度均得到较大的提升,其中骑行人的检测精度提升最为明显。同时,与许多主流的三维目标检测网络相比具有更高的准确率,有效地提高了3D目标检测的精度。     

一种基于数学形态学的齿轮边缘检测方法研究

针对传统的边缘检测算法在提取齿轮边缘过程中存在的抗噪性较差的问题,对图像边缘检测中算法的抗噪性、边缘检测连续性和细节保留能力进行了研究,在对数学形态学的边缘检测算法进行归纳的基础上,提出了一种基于数学形态学的齿轮边缘检测方法。针对采集到的图片,利用最基本形态学操作组合,对齿轮锯齿边缘和内部圆环部分,分别使用了形态学填充和形态学连通域去噪,然后使用形态学边缘检测算子提取了边缘,最后将两部分边缘边缘相加,得到了最终齿轮边缘检测图;再对采集的齿轮图片加入了椒盐噪声,重复进行了边缘检测试验。研究结果表明:该算法能够检测出较好的齿轮边缘,在抗噪性、边缘检测连续性、细节信息保留等方面都有较大的提高。     

一种基于改进的边缘搜索和CANNY算法的图像分割方法

提出了一种基于边缘搜索和CANNY算法相结合的简捷而有效的图像分割方法.该算法中使用了ROBERT法来检测边缘,再用改进的带权启发式边缘搜索法来搜索所有的边缘信息,最后用CANNY算法自增强边缘.将该算法应用于ICT图像自动分割中,获得了边缘清晰、平滑、定位精确的分割图像.