基于提取双选紧密特征的RGB-D显著性检测网络

针对现有算法对不同来源特征之间的交互选择关注度欠缺以及对跨模态特征提取不充分的问题,提出了一种基于提取双选紧密特征的RGB-D显著性检测网络。首先,为了筛选出能够同时增强RGB图像显著区域和深度图像显著区域的特征,引入双向选择模块(bi-directional selection module, BSM);为了解决跨模态特征提取不充分,导致算法计算冗余且精度低的问题,引入紧密提取模块(dense extraction module, DEM);最后,通过特征聚合模块(feature aggregation module, FAM)对密集特征进行级联融合,并将循环残差优化模块(recurrent residual refinement aggregation module, RAM)配合深度监督实现粗显著图的持续优化,最终得到精确的显著图。在4个广泛使用的数据集上进行的综合实验表明,本文提出的算法在4个关键指标方面优于7种现有方法。     

三分支多层次Transformer特征交互的RGB-D显著性目标检测

RGB-D显著性目标检测是计算机视觉领域的研究任务之一,很多模型在简单场景下取得了较好的检测效果,却无法有效地处理多目标、深度图质量低下以及显著性目标色彩与背景相似等复杂场景。因此,本文提出一种三分支多层次Transformer特征交互的RGB-D显著性目标检测模型。首先,本文采用坐标注意力模块抑制RGB和深度图的噪声信息,提取出更为显著的特征用于后续解码。其次,通过特征融合模块将高层的三层特征图调整到相同的分辨率送入Transformer层,有效获取远距离显著性目标之间的关联关系和整幅图像的全局信息。然后,本文提出一个多层次特征交互模块,该模块通过有效地利用高层特征和低层特征对显著性目标的位置和边界进行细化。最后,本文设计一个密集扩张特征细化模块,利用密集扩张卷积获取丰富的多尺度特征,有效地应对显著性目标数量和尺寸变化。通过在5个公开的基准数据集与19种主流模型相比,实验结果表明:本文方法在多个测评指标上有较好的提升效果,提高了在特定复杂场景下的检测精度,从P-R曲线、F-measure曲线和显著图也可以直观看出本文方法实现了较好的检测结果,生成的显著图更完整、更清晰,相比其他模型更加接近真值图。     

基于ViBe算法的鬼影消除与自适应前景检测策略

为了解决传统视频背景提取算法（Visual background extractor,ViBe）前景检测时易受\"鬼影\"、背景噪声等因素干扰的问题,结合感知哈希算法、帧差法与频域协调显著性检测算法,提出了一种改进的ViBe算法。首先,利用当前帧的显著性图像与帧差图像,实时确定运动目标区域,消除\"鬼影\"现象。其次,根据样本集信息得到背景复杂度,自适应调节像素分割的半径阈值。最后,通过目标图像中连通域像素数量进行前景二次检测,滤除背景像素与噪声,得到真实目标图像。实验数据显示,检测后的图像在保持有较高准确率的同时F-measure值也维持在较高水平,证明改进算法可以快速消除鬼影现象,提高动态场景下的适应性。     

基于Kinect相机的香梨重量预测方法

目的:快速获取香梨重量。方法:通过Kinect相机采集香梨的RGB-D图像并将其转化为点云数据;经点云预处理及点云插值后生成香梨模型;再利用微元法思想计算香梨模型的体尺参数,通过实验验证方法的准确性并修正误差;最后通过香梨体积预测香梨重量。结果:误差修正后体积的平均相对误差为2.8%;重量的平均相对误差为1.96%。结论:在距地面50 cm处采集图像的前提下,香梨各体尺参数测量值的平均相对误差均不超过5%,使用Kinect相机测量香梨体尺参数具有可行性。     

基于频率调谐的焊缝红外图像显著性检测算法

针对熔化极气体保护焊建立焊缝红外在线监控系统,提出一种基于频域的红外焊缝显著性实时检测算法,从滤波处理、颜色模型和背景抑制3个方面对频率调谐算法(FT)进行改进,从而获得更优的红外焊缝显著图。把改进的FT算法分别和ITTI,GBVS,SR,FT,AC和HC等典型显著性检测算法进行对比分析。结果表明,改进的FT算法的平均运行时间为0.075 s,并且不需要进行预处理,有效地保证了检测过程的实时性;分别采用各算法对焊缝红外图像进行处理,结果表明,改进的FT算法有效抑制了红外焊缝显著图中的背景、噪声和弧光等干扰像素,也排除了热影响区的干扰,同时显著图中目标焊缝的轮廓清晰,显著性增强,有利于焊缝特征的提取。     

基于视觉显著性的红外与可见光图像融合

现有红外与可见光图像融合规则仅依赖于图像对比度、方差、梯度等局部特征,缺少全局考虑,因此融合图像不能突出场景中的关键目标特征。针对以上问题,在基于非下采样轮廓波变换(NSCT)的图像融合框架下,提出利用图像全局视觉显著性来指导系数融合,对源图像中视觉显著的目标区域进行重点强调。实验结果分析表明,采用所提算法获得的融合图像中关键目标更加突出,背景比较真实;客观评价指标显示,采用该算法获得的融合图像明显优于传统方法的融合结果。     

基于注意机制和多尺度跨模态融合的RGB-D显著性检测

针对基于深度卷积神经网络的 RGB-D 显著性检测性能差等问题, 提出利用注意机制和多尺度跨模态融合进行 RGB-D 显著性检测的方法. 首先采用多尺度残差注意模块对骨干网络提取的特征进行预处理; 然后提出多尺度跨模态融合策略, 对高层 RGB 特征和深度特征进行融合, 获得初始显著图; 最后采用边界细化模块细化初始显著图中目标的边界, 使最终显著图包含敏锐的边界和完整的突出目标. 在 5 个基准数据集上与 10 种先进方法进行实验的结果表明, 所提方法在 4 个评价指标上均处于前 3 名; 尤其是在 NJUD 和 SIP 数据集上, 该方法在 4 个指标上提升了0.5%~1.5%.