基于深度图像利用随机森林实现遮挡检测

提出了一种新颖的利用随机森林检测深度图像中遮挡现象的方法。该方法从一幅深度图像中提取每个像素点的遮挡相关特征,利用随机森林分类器检测每个像素点是否为遮挡边界点,得到图像中的遮挡边界。主要贡献在于:提出了一种新的遮挡相关特征深度值离散度特征,同时引入高斯曲率特征,并将它们与现有特征相结合来检测遮挡边界;以特征重要性和特征提取时间为衡量标准,对深度图像中的各遮挡相关特征进行了分析评估,在此基础上,选取平均深度差、最大深度差、平均曲率、高斯曲率和深度值离散度5种特征用于设计遮挡检测分类器;一种新的遮挡检测方法,利用随机森林解决深度图像的遮挡检测问题。实验结果表明,同已有方法相比,所提方法具有较高的准确性和较好的通用性。     

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。     

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。     

应用角点匹配实现目标跟踪

角点特征是图像的一个重要局部特征,因其具有计算量小、匹配简单以及旋转、平移、缩放不变的性质,而在图像配准与匹配、目标识别、运动分析、目标跟踪等应用领域都起着非常重要的作用。本文提出了一种新的基于角点特征的向量匹配方法,该方法利用Harris算子检测出目标角点,通过角点的矩特征形成目标的特征向量,最后通过对序列图像的目标特征向量进行匹配来实现目标跟踪。此算法在一般情况下能匹配80%以上角点,在遮挡情况下仍能正确匹配70%左右,处理速度达到20 frames/s,满足了实时要求。实验结果证明此方法可有效地抵御目标的变形和遮挡情况。     

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。     

全局模型和局部优化的深度网络显著性检测

设计有效的特征向量是显著性检测方法的关键,决定了模型效果的上限,基于深度卷积神经网络和手工提取特征相结合的思路,提出了一种新的基于全局模型和局部搜索的显著性检测方法。在全局模型中,通过对VGG-16网络设计额外的卷积层进行训练,生成初始显著图,达到了从图像整体角度预测每一个候选区域显著性的目的。在局部优化模型中,设计区域对比度描述子和区域特征描述子对多级分割的超像素点进行描述,预测每一个区域的显著性值。最后,利用线性拟合的方法将两种模型中产生的显著图进行融合,得到最终的显著图。对4个数据集进行对比测试实验,实验结果表明,本文方法具有最高的准确率。     

特征融合的尺度自适应相关滤波跟踪算法

为提高相关滤波(CF)跟踪算法的稳健性,并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题,提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先,将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间,提取搜索区域的Lab 3通道颜色特征;然后,融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征,利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置;最后,基于Lab颜色特征建立尺度模型,从当前帧的目标位置处截取不同尺度图像块,通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试,并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明,所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性,其平均性能优于对比方法,同时具有76frame·s~(-1)的实时跟踪速度。     

基于前景移除的合成孔径成像算法

在传统合成孔径物面重聚焦成像过程中,前景射线会严重影响目标的重建质量,针对这一问题提出一种基于前景标记的重聚焦成像算法。首先根据EPI的边缘特征估计场景深度范围,根据指定待重建物面的参数提取前景边缘特征并进行扩散,从而确定前景遮挡对应的射线;对其进行标记筛除后,利用光场重建算法对特定物面进行重建,从而实现被遮挡目标的高质量重建。利用Stanford大学和Disney实验室提供的数据集进行仿真,实验结果表明该算法可有效去除场景中的遮挡物信息,提高重聚焦图像的质量。     

基于特征融合和尺度自适应的干扰感知目标跟踪

针对复杂场景下单一颜色特征稳健性差、存在类目标干扰及目标尺度变化的问题,提出了一种基于特征融合和尺度自适应的干扰感知目标跟踪方法。首先,综合目标、邻域背景、类似干扰区域的三原色(RGB)特征和改进的方向梯度直方图(HOG)特征计算得到干扰感知目标模型;在搜索区域内逐像素点计算目标概率图,然后进行密集采样得到候选目标,利用目标概率图的概率值与距离值进行加权,同时定位目标和类似干扰,并更新目标模型;采用RGB直方图建立尺度模型,从当前帧图像上截取不同尺度的图像块并计算其RGB直方图,通过与尺度模型比较,获得最优尺度估计并更新尺度模型。实验结果表明,提出的方法对复杂场景下的类目标干扰、局部遮挡、尺度变化等均具有很好的适应性,同时距离精度、重叠精度等指标优于对比算法。     

基于分类的红外云层背景弱小目标检测方法

提出了一种新的基于模糊分类的红外云层背景弱小目标检测方法.根据红外成像的特点,将红外云层背景弱小目标图像分为三类:边缘类、净空及云中类、弱小目标类;对不同类别图像进行分析,建立了分类模型,并定义了方向特征矢量,将其作为类别的特征矢量;根据模糊分类的理论,定义了类相似系数来判别图像中每一个像素的类别属性,保留弱小目标类的像素点完成检测.实验结果表明,该方法能够对红外弱小目标图像中不同类型的区域进行准确的分类,从而较好的实现了对低信杂比的复杂云层背景图像中的弱小目标检测.     

基于贝叶斯理论的手臂静脉线跟踪方法

提出了一种基于贝叶斯理论检测血管边界的手臂静脉线跟踪方法,该方法自动选取初始种子点,避免人工干预。跟踪血管时,将血管结构分为正常型、分支型和交叉型3种。每次迭代时综合考虑血管的横向和纵向特性。由于短距离内血管近似为直线,可利用多尺度直线模板对图像进行滤波,得到像素点的直线强度。使用高斯模型拟合血管横截面的灰度分布,基于贝叶斯最大后验概率准则,确定可能性最大的血管结构,从而得到局部血管的边界点、中心点、直径和方向。实验结果表明:与传统的阈值分割法和重复线跟踪法相比,所提方法提取出的手臂静脉线更准确、更全面,且具有较好的噪声稳健性。     

团块建模与粒子滤波相结合的行人目标视觉跟踪

针对粒子滤波算法在遮挡情况下导致视觉跟踪不稳定甚至丢失目标的问题,提出了一种基于团块建模与粒子滤波相结合的目标跟踪算法。首先通过图像分割的方法得到视频帧中的初始目标,并构建目标团块模型;然后基于多团块目标信息并结合粒子滤波算法进行分块跟踪;最后利用高斯加权的方式,得到最终的目标预测位置。实验结果表明,该算法具有较强的鲁棒性,尤其是在遮挡的情况下能够实现目标的稳定跟踪。     

基于斑马鱼图像特征的鱼群检测算法北大核心CSCD

计算机视觉方法越来越多地应用于斑马鱼的群体行为研究;但是,由于斑马鱼游动过程形体变化大,遮挡多,准确与鲁棒地检测出斑马鱼仍然是一件非常具有挑战性的问题。为了解决该问题,提出一种基于斑马鱼图像特征的鱼群检测算法。首先通过分析目标特性,提出使用鱼头和鱼尾替代全鱼的检测方法,解决了传统整鱼检测在鱼群交叉遮挡时失效的难题;然后基于斑马鱼图像特征自动构建训练集,避免了深度学习手动标注的费时费力问题。通过对实际斑马鱼视频进行处理验证,与现有的算法相比,本文提出的方法在标注率、召回率(recall,R)与遮挡检测率(occlusion detection rate,ODR)等性能指标上有更好的实验效果。其中,在标注性能方面,本文提出的自动标注方法在总标注率上达到87.40%;在训练集效果方面,本文自动标注算法结合人工校正在标注时间上相比于人工标注方法减少93.11%,均值平均精度(mean average precision,mAP)达到79.80%;在目标检测方面,在目标遮挡率为42.72%的情况下,本文检测算法能够获得82.0%的召回率及58.02%的遮挡检测率。     

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。     

一种利用Gabor小波特征的目标跟踪方法

小波特征跟踪是一种新的目标跟踪方法。这种方法利用Gabor小波提取目标的边界特征来组成特征模板,并由小波滤波器系数组成特征向量。在跟踪过程中不断优化特征模板的旋转、尺度及平移等几何变形参数,使得小波特征向量值在最小平方和的意义上与初始值相匹配,从而实现目标旋转、尺度及平移等几何变形时的自动跟踪。实验表明,该方法能够有效地跟踪飞机、车辆等目标,并且能够抵抗全局亮度的变化和局部遮挡的干扰。     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准数据集,并搭建基于Pytorch的深度学习目标检测框架.然后,在输入端对图像进行数据增强,调整模型的宽度和深度,优化训练检测模型.最后,采用特征金字塔网络和路径聚合网络结构融合不同尺寸特征图的特征信息,用联合交并比计算边界框的回归损失,并在后处理过程中引入加权非极大值抑制.实验结果表明,该模型具有较好的鲁棒性和识别效果,在交并比为0.5时的平均精度均值可达到0.804.     

非接触检测中螺纹图像牙型边界修正研究

利用图像的非接触检测螺纹是一种高效的检测方法。检测中,精准的获取到螺纹图像的牙型边界是检测的关键,而现有的图像处理技术并不能消除由于螺纹旋线对螺纹图像的影响。针对螺纹图像中牙型边界被遮挡的问题,从圆锥螺纹的几何空间关系分析图像产生误差的原因,建立圆锥螺纹数学模型,得到误差的方程。最后再设计了图像检测系统,根据误差方程修正螺纹图像、提取参数,经验证,此方法可以提高螺纹的检测精度,且通用在圆锥螺纹与圆柱螺纹中。     

多波段红外图像的海面舰船目标检测

现有的基于单个红外宽波段的海面舰船目标探测系统在面对复杂海天背景、岛岸背景、恶劣天气、亮带干扰或诱饵弹干扰等情况时,系统的探测率、虚警率、探测距离等性能指标均会受到严重的影响;为此,开展了基于多波段红外图像的海面舰船目标检测方法的研究。通过中波红外多波段数据采集系统实际采集107组五个中波红外波段的图像;波段1-5分别为3.7～4.8,3.7～4.1,4.4～4.8,3.7～3.9和4.65～4.75 μm;对多波段图像进行手动标注构建样本数据集,其中,正样本舰船目标298个,负样本非舰船目标353个。对于多波段红外图像,首先进行PCA降维并采用选择性搜索算法生成初始目标候选区域;针对候选区域中存在大量明显的非舰船目标区域的问题,利用积分图像计算候选区域的局部对比度,依据红外舰船目标的几何和灰度特征从初始目标候选区域中筛选出舰船目标可能性大的区域作为舰船目标候选区域。然后对舰船目标候选区域进行拓展以融入局部上下文信息,对于候选区域对应的5波段红外图像,分别提取每个波段图像的稠密SIFT特征,并将128维SIFT特征向量降为64维,融入SIFT特征的空间和波段位置分布信息得到新的特征向量,基于高斯混合模型对候选区域的特征向量集合进行编码融合得到舰船目标候选区域的费舍尔向量表示,最后利用线性SVM分类器识别出舰船目标。对多波段图像进行舰船目标候选区域生成实验,所提出的基于红外舰船目标的几何和灰度特征的约束方法可以有效地克服选择性搜索算法的不足,从初始目标候选区域中快速定位出舰船目标候选区域,对25组多波段图像进行实验,舰船目标候选区域生成的整体耗时为0.353 s,定位舰船目标区域耗时0.005 s。对100个正负样本进行目标识别测试,所提出的目标识别算法融合了目标的多波段图像特征信息,通过引入费舍尔向量挖掘了多波段图像梯度统计特征的深层次信息,算法的识别率达到了0.97,显著高于单波段红外图像的目标识别率。对25组多波段图像进行舰船目标检测实验,所提出的舰船目标检测方法能够在海天背景、岛岸背景以及亮带干扰等不同场景下完成海面舰船目标的检测工作,舰船目标定位准确,舰船目标召回率达到了0.95,每组多波段图像的平均检测耗时为1.33 s。研究结果表明,充分考虑海面舰船目标在红外图像中与局部海洋背景的辐射差异以及有效地融合舰船目标在多个红外波段图像中的辐射特征,可以增强舰船目标的可分性,提高舰船目标的识别率以及检测率,为基于多波段红外图像的海面舰船目标检测提供了新的技术支持。     

基于特征级融合的多波段舰船目标识别方法

针对复杂情况下海上舰船目标单波段特征识别能力不足的问题,研究可见光、中波红外和长波红外三波段特征图像融合技术,重点解决图像融合方法中存在的算法耗时和融合策略选择的问题,提出了一种新的基于区域协方差矩阵的多波段特征级融合方法,针对可见光图像和红外图像分别设计11维和5维特征向量,协方差矩阵可以将多个特征进行融合,既保证了不同目标之间的区别性,同时又减小计算量。该方法首先利用显著性检测,快速定位图像中的目标区域,然后,针对不同波段图像设计的特征向量定义协方差阵的距离计算公式并进行匹配,通过对图像的一次遍历操作获得积分图像,在协方差计算时达到快速计算的目的,最后利用k-阶最近邻算法对多种舰船目标进行分类识别。利用实拍的3 400余张三波段舰船目标图像作为测试数据。实验主要分为两部分,首先对比单波段和三波段融合识别的识别率,验证所提出的融合方法具有更广的应用范围;然后,在计算效率上对比多种传统的像素级方法,验证采用的特征级融合在计算时间上的优势。实验结果表明,该方法可达到95.1%的识别率,单帧计算耗时约为0.5 s,在实时性和检测率方面都有明显提高。     

基于图像区域Lyapunov指数的海面舰船目标检测

为了检测海面背景中的舰船目标,分析了目标存在时背景信号混沌特征的变化,提出了一种基于图像区域Lyapunov指数的目标检测新方法. 新方法定义了图像灰度距离的概念,基于改进的Wolf方法将一维信号Lyapunov指数提取方法扩展到图像信号,利用图像区域最大灰度距离Lyapunov指数的变化检测淹没在混沌背景信号中的目标信号. 实验结果表明海面背景图像信号具有一定的混沌特征,利用新方法能有效检测出海面背景下的舰船目标,检测结果优于基于统计分析的方法. 关键词： Lyapunov指数 灰度距离 混沌特征 目标检测