一种基于非锐化掩蔽模型的无偏振片成像技术

液晶透镜是一种新兴的可以电控调焦的液晶器件,无需机械移动就可以实现对焦、变焦和深度测量,因此被广泛应用于摄影摄像、显微成像、虚拟现实等领域。提出一种优化的液晶透镜无偏振片成像技术。该技术结合非锐化掩蔽模型,通过分析图像像素值的变化,估算得到环境光中寻常光分量的占比,并使用非对焦图像和对焦图像进行处理,获得高质量图像。实验结果表明,优化后的技术能够有效增强图像对比度,获得优质图像。     

用90°扭曲向列相液晶盒代替偏振片的液晶透镜成像方法

提出了一种用90°扭曲向列相液晶盒代替偏振片的液晶透镜成像方法。液晶透镜对焦后,在90°扭曲向列相液晶盒工作于0°旋光状态和90°旋光状态时分别获取两幅图像。通过将这两幅图像相加并减去液晶透镜未工作时获得的离焦图像,减少了未调制光引入的非理想低频分量,增强了图像对比度,降低了原来无偏振片成像处理产生的噪声。实验验证了该方法的有效性,不需要任何偏振器就可以获得清晰对焦的图像。     

基于平面系数表示的自适应深度分布单目深度估计方法

提出了一种针对室内场景的轻量化端到端单目深度估计神经网络。首先设计了新型自适应深度分布估计模块，可针对不同输入图像估计差异化的深度范围，使得网络更好地预测室内物体的相对位置关系，恢复出的深度图像能获得更接近真实值的像素分布。其次，在深度估计的过程中，通过基于平面系数的深度间接表示形式加入平面隐式约束，可以在场景的平面区域得到更平滑的深度估计结果。在NYU Depth-v2数据集上的多项实验结果表明，提出方法能满足较高分辨率下的实时性要求，同时能以更少的参数恢复出质量更高、更完整的室内深度图像，有助于实现更加准确的三维重建效果。     

基于轮廓特征理解的城市道路图像深度估计

准确估计道路场景图像中的深度信息,是智能交通和机器人导航中对障碍物估计和定位的关键。基于区域特征理解的单幅静态城市道路图像深度估计算法,可以通过边缘生长图像分割算法得到一系列封闭的图像区域;然后统计每个分割区域自身的多元特征,包括区域的颜色、面积、位置,所包含的直线、垂线和平行线;基于这些特征,进一步估计道路消失点,并实现天空、垂直面和道路区域的分割和三维空间推理,最后根据典型道路的深度变化规律实现对道路图像的深度估计。实验结果表明,该算法能够有效地估计道路消失点以及道路区域内部的渐变深度信息。     

利用光轴可移动液晶透镜的立体图像采集系统

针对传统双目视觉系统体积大、成本高等缺点，提出了一种利用光轴可移动液晶透镜的单相机立体图像采集系统。该系统由一个固定的相机模块和一个贴有偏振片的液晶透镜构成。通过改变电压的方式移动光轴并采集图像，利用光流法获取图像视差。研究了液晶透镜光轴变化对系统整体光轴的影响，推导了视差与深度的关系。通过验证所采集的图像存在视差来说明所设计系统的可行性，并进行了近距离物体的深度获取。实验结果表明，利用液晶透镜的光轴移动功能可以使系统的整体光轴产生移动，实现立体视觉。所设计系统无需机械移动，具有结构简单紧凑和成本低廉的优点，为立体图像的采集提供了新的方法。     

基于轮廓点掩模细化的单阶段实例分割网络

针对现有的实例分割方法PolarMask中分割结果边缘信息模糊的问题,通过对轮廓点角度偏置和距离的预测,基于轮廓点细化的单阶段实例分割网络准确提取出实例轮廓。同时,为了进一步提升实例分割的性能,利用语义分割子网络对实例边缘进行了进一步细化。实验结果表明,所提方法在大规模实例分割数据集MS COCO的测试集上的分割精度为32.5%,比现有的实例分割方法(PolarMask)提高了2.1个百分点,证明了所提方法的有效性。     

结合光源分割和线性图像深度估计的夜间图像去雾

夜间有雾图像通常具有对比度低、光照不均匀、颜色偏移以及噪声较多等现象,这些退化现象使得夜间图像去雾具有极大的挑战性。针对夜间图像存在的退化问题,本文提出了一种能够在夜间图像中有效去雾并提高图像质量的方法。首先,将图像分解成光晕层和有雾层,并对有雾层进行颜色校正。其次,通过一种新提出的带有伽马变换的图像光源分割方法来分割光源,并设置分割阈值作为像素点属于光源区域的概率值。然后,将得到的概率值与最大反射先验相结合来估计光源和非光源区域的大气光值。最后,根据图像深度与亮度、饱和度以及梯度之间的关系建立线性模型,进一步估计透射率的值。实验得到的分割阈值为0.07,线性深度估计参数分别为1.026 7、-0.596 6、0.673 5、0.004 135。实验结果表明本文方法在夜间图像去雾、消除光晕、减少噪声,以及提高可视度方面取得良好的效果。     

基于红外和可见光图像逐级自适应融合的场景深度估计

从图像中恢复场景的深度是计算机视觉领域中的一个关键问题。考虑到单一类型图像在深度估计中受场景不同光照的限制,提出了基于红外和可见光图像逐级自适应融合的场景深度估计方法（PF-CNN）。该方法包括双流滤波器部分耦合网络、自适应多模态特征融合网络以及自适应逐级特征融合网络。在双流卷积中红外和可见光图像的滤波器部分耦合使两者特征得到增强;自适应多模态特征融合网络学习红外和可见光图像的残差特征并将两者自适应加权融合,充分利用两者的互补信息;逐级特征融合网络学习多层融合特征的结合,充分利用不同卷积层的不同特征。实验结果表明:PF-CNN在测试集上获得了较好的效果,将阈值指标提高了5%,明显优于其他方法。     

一种无公共视场的多相机系统相对位姿解耦估计方法

自动驾驶应用中,基于视觉的相对位姿估计是实现无人驾驶汽车自动定位的核心技术之一.针对单目视觉系统的视场范围较小以及双目视觉系统需要公共视场等问题,提出一种无公共视场的多相机系统相对位姿解耦估计方法.利用场景中远、近点的不同特性对旋转矩阵和平移向量进行解耦估计.对远处场景特征点采用直方图投票法求解相对旋转矩阵,在相对旋转...     

先进驾驶辅助系统中基于单目视觉的场景深度估计方法

针对先进驾驶辅助系统对车辆前视景深信息的需求,在无监督学习框架下提出了一种基于单目视觉的场景深度估计方法。为了降低不同尺寸的前视目标对景深估计结果的影响,采用金字塔结构对输入图像进行预处理;在训练过程中,将深度估计问题转化为图像重建问题,利用双目图像设计了新的损失函数代替真实深度标签,解决了真实场景景深数据难以获取的问题;将中间多尺度的视差图与原输入图像的尺寸统一,改善了深度图中的空洞现象,提升了景深估计精度。在KITTI和Make3D数据集上的定量与定性对比结果表明,本方法可以获得准确度较高的绝对景深数据,且具有良好的泛化能力。在真实道路场景下的实验结果表明,本方法可以利用单张车载前视图像得到对应的像素级景深信息。