利用谱聚类实现深度图像遮挡边界检测

针对视觉目标中存在的遮挡现象,提出一种基于谱聚类实现深度图像遮挡边界检测的方法。首先定义一种新的遮挡相关特征——有效标准差特征,基于相关特征利用均卡方集距抽取部分像素点,构建相似矩阵;然后基于相似矩阵利用Nystrom逼近方法近似估算全部像素点的拉普拉斯矩阵与逼近特征向量,对得到的逼近特征向量进行聚类分析,把深度图像中的全部像素点划分为遮挡边界点和非遮挡边界点两大类;最后可视化遮挡边界点得到深度图像中的遮挡边界。实验结果表明,本文方法无需标记样本,且在深度图像中目标物体的遮挡边界检测方面具有较好的有效性和普适性。     

融合多特征基于图割实现视频遮挡区域检测

为了准确检测视频中的遮挡区域,提出一种融合多特征基于图割的视频遮挡区域检测方法。基于光流和亮度信息提出三种新的遮挡相关特征—亮度块匹配特征、最大光流差特征和光流残差特征,并定义了所提特征的计算方法。以像素点为单位将所提特征组成特征向量输入随机森林分类器,获取像素点及邻接像素点对的遮挡相关信息。综合利用所获取的遮挡相关信息,通过构造遮挡检测能量函数将遮挡检测问题转化为优化问题。根据该能量函数构造无向图,并基于图割理论对能量函数进行求解,从而得到最终的遮挡区域检测结果。实验结果表明,同现有表现较好的遮挡检测方法相比,所提方法具有较高的准确性和较好的实时性。     

基于无监督在线学习实现视频遮挡边界检测

为了检测视频序列中的遮挡边界,提出一种新颖的基于无监督在线学习的遮挡边界检测方法。该方法提取视频序列中待测帧的遮挡相关特征并计算其对应的时间长度,利用对冲算法思想并结合时间长度及不同遮挡特征求得待测帧中像素点的遮挡相关信息,利用各特征的遮挡相关信息进行投票,完成当前帧图像的遮挡边界检测。利用Online Boosting思想以当前帧的检测结果来估计下一帧的特征投票权重,实现后续帧图像的遮挡边界检测。该方法通过在线学习思想改变不同特征的权重完成遮挡边界检测功能,无需预先获取视频序列的先验知识。实验结果表明,同已有方法相比,该方法具有较高的准确性和较好的通用性。     

基于多尺度小波变换和结构化森林的表面裂纹分割

为实现复杂背景下裂纹目标的有效检测,提出一种融合小波边缘检测与多尺度结构化森林的裂纹分割方法,以提高裂纹检测稳健性。该方法利用多幅裂纹图像和人工标注结果提取裂纹图像特征通道并离散化映射标准结果;利用三角滤波器和降采样方法获取常规和相关性候选特征;并将该特征与离散化后的标签进行结构化森林分类器的训练和验证,进而获得多个尺度的裂纹分割。在776幅结构体裂纹图像和600幅钢梁裂纹图像数据集上进行实验,结果表明,相比于单一多尺度结构化森林方法和其他几种分割方法,本文方法能够在较短的时间内获得最高的分割精度。     

基于注意力机制与图卷积神经网络的单目红外图像深度估计

对场景中的物体进行深度估计是无人驾驶领域中的关键问题,红外图像有利于在光线不佳的情况下解决深度估计问题。针对红外图像纹理不清晰与边缘信息不丰富的特点,提出了将注意力机制与图卷积神经网络相结合来解决单目红外图像深度估计问题。首先,在深度估计问题中,图像中每个像素点的深度信息不仅与其周围像素点的深度信息相关,还需考虑更大范围的其他像素点的深度信息,采用注意力机制可以针对这一点有效提取图像的像素级全局深度信息关联。其次,基于深度信息关联得到的特征可以考虑为非欧数据,进一步使用图卷积神经网络（graph convolutional neural network, GCN）来进行推理。最后,在训练阶段将连续的深度估计回归问题转化成分类问题,使训练过程更稳定,降低了网络的学习难度。实验结果表明,该方法在红外数据集NUST-SR上获得了良好的效果,在阈值指标小于1.253时,准确率提升了1.2%,相较其他方法更具优势。     

一种基于加权最多邻近点距离的相关跟踪方法

针对相关跟踪过程中障碍物遮挡,噪声和目标形变对跟踪稳定性的影响,提出了一种基于加权最多邻近点距离的相关跟踪方法。采用模板图像与实时图像的相似点个数并与距离进行加权的方式定义相似性度量,结合相似度对目标模板进行更新,采用Kalman算子预测目标位置并进行分层搜索,实现快速稳定跟踪目标。实验结果表明,该方法能较好地抑制噪声和目标遮挡的影响,目标遮挡重新捕获成功率高于80%,目标跟踪精度低于10个像素。     

基于深度优先遍历的图像边缘检测方法

图像边缘识别是图像处理的重要组成。提出一种基于深度优先遍历的梯度分割算法,这种算法首先构造像素点的数据结构,然后从图像任意点出发,估算该点附近的像素点并获取梯度值,如果该点满足边缘点的特征,则从该点出发深度遍历寻找垂直于梯度方向上的边缘点,并标记访问过的点。如果该方向上没有满足条件的点则回退,从某个具有仅次于最大梯度值的方向继续遍历,并标记开始遍历的点为角点,直至遍历全图。该算法将图像的边缘点和角点明显地分割出来,便于识别,对带有不同类型的噪声图像进行处理也可取得较满意效果。     

多特征融合匹配的多目标跟踪

针对复杂背景的视频图像多目标跟踪遮挡问题,提出了一种多特征融合匹配的多目标跟踪方法。基于自适应高斯混合背景模型重构和更新背景策略,实现当前帧背景减除和多目标检测;采用目标的颜色特征、质心位置、运动速度等特征进行融合匹配跟踪;最后,通过区域辅助判定策略将场景下的目标状态分为目标进入场景、目标退出场景、目标暂消、目标重现、目标融合和分裂5种状态,用质心预测方法和遮挡因子辅助匹配来提高匹配正确率。仿真实验结果表明：采用该方法跟踪同一目标和不同目标的相似度平均值分别为0.949 71和0.505 73,优于单一颜色特征信息匹配;目标遮挡结束后重新匹配相似度为0.972 83,实现了复杂背景下具有表面相似性的多目标实时跟踪。     

基于深度学习的patch-match双目三维重建

以patch-match为核心的算法在双目立体重建中有着广泛应用,因其具有低内存消耗、重建精度高等优良性能;然而,传统patch-match算法需要有序地对图像中的每一个像素点进行迭代求取最优视差值d,从而导致运行时间较高。为了解决该问题,在传统patch-match算法的基础上引入基于学习的模型作为指导来降低运行时间,提高立体重建精度。利用深度学习模型输出每个像素伴有异方差不确定度的初始视差图,异方差不确定度用于衡量网络模型所预测视差值的准确度;将异方差不确定度和初始视差作为patch-match算法的先验信息;在平面细化步骤中,利用每个像素点的异方差不确定度大小动态调整其搜索区间,实现减少运行时间的目标。在Middlebury数据集上,通过与原有算法比较可知,改进后的算法在运行时间上减少20%,同时,在不连续等区域上的重建精度得到略微提高。     

基于水平树结构的可变权重代价聚合立体匹配算法

针对基于树结构的代价聚合方法中只利用颜色信息选择权值支持区域时,在图像边界区域易产生误匹配的问题,提出了一种基于水平树结构的可变权重代价聚合立体匹配算法。采用水平树代价聚合得到初始视差值,结合初始视差值与颜色信息重构水平树,在更新后的树结构上进行代价聚合,得到最终视差图。在视差后处理阶段,提出了一种改进的非局部视差后处理算法,将不满足左右一致性匹配的像素点引入匹配代价量构造中,提高了最终视差图的匹配精度。在Middlebury数据集的31对图像上进行测试,结果表明,未进行视差后处理时所提算法在未遮挡区域的平均误匹配率为6.96%,代价聚合平均耗时1.52s。     

基于均值漂移的遥感图像海陆边界分割算法

光学遥感图像海陆边界分割是海洋近岸目标检测和识别的重要技术基础。由于光学遥感图像分辨率的提高,海陆边界分割存在背景复杂、干扰多等问题。为解决复杂背景下高清遥感图像海陆边界分割问题,提出了一种新的海陆边界分割算法。该方法包含三个部分:使用均值漂移算法将遥感图像处理成若干同质区域;采用一种新的基于扫描线的方法选择海水区域种子像素点,利用区域增长算法填充海水区域;通过连通区域分析的方法分离陆地部分,得到海陆分割结果。实验证明,该方法能够对于复杂背景下的光学遥感图像实现准确、稳定的海陆分割,算法具有较强的鲁棒性和准确性。     

一种基于游程码的二值图像孔洞标记和表达方法

在考察多种二值图像连通区域标记方法的基础上,提出了一种新的基于图像填充和游程码的二值图像孔洞连通域的标记和表达方法。对二值图像进行一次扫描,得到所有可能构成孔洞的游程码,并将游程对应的区域基于特定标记值进行填充。通过判断每个游程与图像上一行像素点标记值的对应关系完成新连通域的建立、游程数据存储和连通区域的合并,判断每个游程与图像下一行像素点标记值的对应关系完成孔洞的筛选。由于仅需扫描图像一次,且对每个游程只须进行单独处理,标记算法的效率较高、复杂度较低。结果表明,可以快速有效地完成二值图像孔洞连通域的标记。同时,它还给出孔洞之间的包含关系,能够有效地实现二值图像的拓扑结构表达。     

基于优化估计的深度图像修复与误差补偿方法研究

针对Kinect传感器在获取深度图像时存在深度值随机跳变的不准确性问题,基于最优估计的思想,提出卡尔曼滤波与多帧平均法相结合的图像修复方法。首先利用卡尔曼滤波对多幅深度图像进行修复处理,实现Kinect传感器在采集信息过程中随着时间递推,深度值的跳变逐渐趋于平稳的效果;然后基于多幅图像平均法确定最终的深度图像,解决了Kinect获取深度值存在误差导致的不精确问题。实验结果表明,该算法的均方根误差为38.102 5,平均梯度为0.471 3,信息熵为6.191 8,与单幅图像修复效果相比,得到的深度图像边缘更加清晰。     

基于多特征检测与支持向量回归的图像文本提取算法

为解决复杂背景中难以有效提取场景文本的问题,提出了一种基于多特征检测与支持向量回归的图像文本提取方案。为有效区分文本与非文本边缘,基于图像边缘,提取场景中三个文本特征。将得到的三个文本特征进行多尺度融合,利用文本融合特征检测候选文本边界,有助于检测不同大小的文本,提高对不同类型的图像退化的鲁棒性。对于每个检测到的候选文本边界,根据邻域窗口中的像素来估计每个像素的局部阈值,利用局部阈值自适应分割提取候选字符。引入支持向量回归模型对文本像素与图像背景精确分离,消除非文本边界,提取真实字符和单词。实验表明:与当前文章提取技术相比,所提方法具有更好的鲁棒性,能适用各种变化的复杂场景文本提取,具有更优的PrecisionRecall曲线与F测量值。     

保留边界特征的深度图像增强算法研究

针对现有深度图像增强算法存在边界保留特性差的问题,提出梯度掩模导向联合滤波(gradient mask guided joint filter, GMGJF)算法。利用深度图像进行Sobel梯度变换获取边界方向信息,利用深度图像空洞区域生成空洞掩模,再以边界方向和空洞掩模为导向联合彩色图像对深度图像进行迭代高斯滤波和空洞填充。实验结果表明,GMGJF算法的PSNR(peak signal to noise ratio)、SSIM(structural similarity index measure)比IMF(iterative median filter)、GF(guided filter)、JBF(joint bilateral filter)算法的PSNR、SSIM至少提高了3.50%和1.07%,不仅去噪能力、空洞填充能力最强,而且边界特征保持最好,有利于深度图像的特征提取与目标识别。     

一种光电器件加密方法的安全性分析

 为了找到一种安全、高速的图像加密方法,通过计算明文和密文的信息熵、灰度值等参数,研究了利用光电器件,采用流密码和位平面分解相结合的加密方法的安全性和该方案的抗破译能力。结果表明,该方案中, 对含信息量越少的图像,加密后平均灰度变化值越大;这种灰度变换的加密方法掩盖了各像素点之间的相关性,密文像素点灰度随机分布,分析者无法获得明文图像的灰度分布状况,使得分析者无法通过相关度分析提取图像轮廓,有效隐藏重要信息。因此,该加密方法具有极高的安全性,同时应将密文平均灰度值作为评价参数之一。     

基于邻域像素注意力机制的光场深度估计方法

通过发掘深度信息与子孔径图像邻域像素间的高度相关性,提出了一种基于邻域像素注意力机制的光场深度估计方法。首先根据光场图像的数据特性提出了一种邻域像素注意力机制,该注意力机制考虑了不同子孔径图像在同一邻域间的极几何关系,能够增强网络对遮挡像素的感知能力。其次基于注意力机制设计了一个光场子孔径图像序列特征提取模块,该模块通过三维卷积将相邻序列图像上的特征编码到特征图上,并通过注意力机制增强网络对光场图像极几何特征的学习能力。最后联合邻域像素注意力机制和特征提取模块设计了一个多分支的全卷积神经网络,该网络使用部分光场子孔径图像序列即可估计图像的深度特征。实验结果表明,所提方法在均方误差（MSE）和平均坏像素率（BP）指标上总体表现优于其他先进方法,同时得益于高效注意力机制的加入,与其他先进方法相比所提方法运行速度最快。     

基于深度图像的嵌入式人体坐姿检测系统的实现

以检测不良坐姿,分析人们学习工作状态为引导,设计了基于深度图像的坐姿检测系统。该系统采用3D传感器获取人体坐立时的深度图像,设计了一种基于深度阈值的快速前景提取与干扰移除方法,能快速有效的提取坐姿状态下的人体分割图。基于人体轮廓的曲线特征实现了人体关键点定位,通过人体关键点的角度、深度信息与轮廓特征,对不同的坐姿图像进行统计分析,得到了一种区分不同坐姿的判定基准,运用该基准对9种不同坐姿进行识别,平均识别率可达到90%。最后,基于Android平台设计了坐姿检测系统的应用软件,实现了坐姿检测、坐姿提醒以及姿态统计等功能,并且对学习过程进行测试,测试结果表明,本系统可以有效的检测出9种坐姿、并对不良坐姿进行提醒与统计。     

利用改进型AAGD算法的红外小目标检测

针对红外目标检测中小目标检测精度较低的问题,提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点,在其基础上,融合灰度与显著性特征,用于核相关滤波器,以解决红外目标特征简单且信息量少的问题;提出一种自适应双滑动窗口,针对不同区域调节聚合窗口形状及像素点权重,以实现高强度结构背景附近的机动目标的匹配,提高小目标检测的准确度;利用MATLAB仿真平台对所提方法进行实验论证,结果表明,所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标,且其准确度、稳定性、执行时间等方面均优于其他对比方法。     

基于生成对抗式神经网络的红外目标仿真方法

提出了一种应用于红外目标仿真的模型。利用训练后的条件深度卷积生成对抗网络,只需输入随机噪声和类别标签,便能够自动产生预期类别的红外目标仿真图像。在手写数字数据集(MNIST)和红外数据集上分别训练模型参数,再进行自动生成实验,均可以产生高真实度的样本图像;将判别网络提取的特征用于分类实验,并将所提方法合成的图像用于数据增强,以提升分类器性能。研究结果表明,所提方法能够有效模仿红外辐射特征。