基于轮廓特征的水下混凝土结构表面裂缝检测算法

针对水下混凝土结构表面裂缝难以准确检测的问题,提出了一种基于轮廓特征的水下混凝土结构表面裂缝检测算法;在对采集到的水下混凝土结构表面图像进行预处理和边缘检测后,首先通过计算图像中边缘的长度和曲率来进行初步判别,区分杂点和部分非裂缝;然后根据裂缝轮廓相互匹配的特征,利用模板搜索来检测出真实裂缝;最后连接裂缝边缘断开部分,优化裂缝检测结果;实验结果表明,与其它算法相比,该算法检测出裂缝的准确率与完整率至少提高了3.54%。     

AKAZE结合自适应局部仿射匹配的视差图像特征匹配算法

针对常用的图像特征匹配算法对具有视差的图像在图像特征匹配阶段会产生大量误匹配点的问题,提出了一种AKAZE（accelerated-KAZE）算法结合自适应局部仿射匹配的特征匹配算法。首先,采用AKAZE算法提取特征点;接着,采用二进制描述符M-LDB(modified-local difference binary)进行描述并进行暴力匹配产生粗匹配点对;最后,基于图像的仿射变换可以提供较强的几何约束这一特性,采用自适应局部仿射匹配完成精匹配。实验结果表明,该算法针对具有旋转变化、尺度变化、视角变化的图像匹配,具有提取特征点均匀、匹配准确等效果,提取的正确特征点数量分别平均相对于SIFT算法提升了1.66倍、SURF算法提升了1.08倍、ORB算法提升了6.92倍、GMS算法提升了1.23倍,能够满足具有较大视差图像匹配的需求。     

基于分段轮廓平滑的目标识别

提出了一种基于分段轮廓平滑的目标识别算法.首先通过曲率将轮廓划分为特征区域和非特征区域;然后在不同区域内分别采用不同方差的高斯函数进行轮廓平滑;最后采用基于仿射不变矩的目标识别算法对平滑后的目标轮廓进行识别.结果表明,该算法不仅取得了更好的轮廓平滑效果,而且在强噪音条件下能够显著提高识别准确率.     

基于分段轮廓平滑的目标识别

提出了一种基于分段轮廓平滑的目标识别算法.首先通过曲率将轮廓划分为特征区域和非特征区域|然后在不同区域内分别采用不同方差的高斯函数进行轮廓平滑;最后采用基于仿射不变矩的目标识别算法对平滑后的目标轮廓进行识别.结果表明,该算法不仅取得了更好的轮廓平滑效果,而且在强噪音条件下能够显著提高识别准确率.     

基于极线局部校正的特征匹配方法

针对利用多视图像进行目标三维测量、结构重建时在极线约束下对直接区域灰度相关进行同名特征匹配常常失效的问题,提出了一种基于极线局部校正的特征匹配算法。介绍了极线约束匹配的原理,分析了相关方法在极线约束匹配中的缺陷以及在多种像机位姿配置下的图像特征间的约束关系,在此基础上提出了一种极线局部区域校正的方法,对待匹配区域进行校正使自动相关匹配能有效执行,结合最小二乘匹配得到了高精度的匹配结果。实验结果证明了新算法的有效性,大大提高了自动匹配的可靠性、速度和精度。     

局部图像特征提取算法的性能比较

特征检测算法是图像匹配及物体识别的基础,本文介绍了四种局部特征检测技术：Kaze、Sift、Surf、Orb以及通过一些评价指标比较了它们匹配性能。主要从匹配率,正确匹配率,检测特征关键点速度三个方面进行了比较,实验结果表明：Kaze具有较好的鲁棒性,对光照、模糊的不变性最好,Sift也有较好的鲁棒性,对旋转、尺度有很好的不变性。Sift和Kaze各有侧重点,Surf综合性能一般,但是比前两种速度快,Orb对尺度没有不变性,速度最快。     

基于轮廓跟踪的车载红外视频彩色化方法

提出一种车载红外视频快速彩色化方法,利用轮廓特征点跟踪获取每帧物体类别的轮廓区域,采用类别特征色彩对各区域传递色彩。构建各景物样本特征色彩集,以各类景物在自然彩色图像中表现出来的特征色彩作为红外图像中对应景物的色彩;利用改进的高效K Means方法对红外关键帧进行聚类,得到分割区域,提取轮廓特征点;通过KLT算法跟踪特征点,得到其在下一帧中的位置并同时修正,采用B样条插值进行轮廓复原,得到该帧的各类别轮廓区域;最后将特征色彩按类别赋予各区域,从而给各帧图像着上合适的颜色,实现红外视频序列的快速彩色化。实验结果表明, 该方法与基于运动估计的算法相比可提高近5倍的处理速度,并且能够得到与自然景物色彩较接近的彩色化视觉效果。     

基于稀疏活动轮廓模型的感兴趣目标检测定位算法

传统的基于形状信息目标定位的算法,对目标观测角度发生形变情况下的定位存在不少困难,针对该问题,提出了一种基于稀疏活动轮廓模型的感兴趣目标(OOI)检测算法.首先通过共同勾画算法学习到感兴趣目标的稀疏活动轮廓模型,它能够清晰地定义感兴趣目标模式;同时构成该模型的Gabor轮廓基元可以通过扰动进行局部的调整以适配图像,在一...     

基于特征面片的复杂型面轮廓视觉测量方法

提出一种基于特征面片的复杂型面轮廓三维视觉测量方法.该方法包括多模式局部特征检测与匹配、特征面片集初始化、膨胀、滤波等重构过程,其输入是已标定的立体图像,输出是覆盖表面的可视稠密面片集.该方法不需要目标和场景的任何初始边界信息,能够自动检测和抛弃外部点和缺失部分;不需要对邻域特征进行任何平滑处理,仅需通过局部单演特征一...     

基于局部轮廓和随机森林的人体行为识别

基于视频信息的人体行为识别得到了越来越多的关注。针对人体行为的局部表达,提出了一种新的局部轮廓特征来描述人体的外观姿势,可以同时利用水平和竖直方向上的轮廓变化信息。该特征能有效区分不同动作,与轮廓起始点无关,具有平移、尺度和旋转不变性。针对该特征,提出了一种基于随机森林的两阶段分类方法,使用随机森林分类器对行为视频的局部轮廓进行初分类,并根据每个局部轮廓对应决策类的分类树数目占总分类树数目的比例,提出了一种基于袋外(OOB)数据误差加权投票准则的行为视频分类算法。在测试数据集上的实验结果证实了该方法的有效性。     

无人飞行器视觉SLAM特征检测和匹配算法研究

近几年图像局部特征检测和描述在机器人视觉中得到了广泛的应用,鲁棒的、快速且高精度的视觉特征检测和描述算法对飞行器进行实时的位姿估计和地图构建具有决定性意义。本文针对四旋翼无人飞行器平台的RGB-D传感器同时定位与地图构建(SLAM),讨论FAST、STAR、SIFT和SURF等检测算法和ORB、FREAK和SURF等匹配描述符的性能,对不同的特征算法进行对比评估出最合适的特征检测方法和匹配描述符。最后,基于Eclipse与OpenCV平台进行了实验,实验结果表明FAST检测和FREAK描述符比其他方法更适用于四旋翼飞行器在板视觉SLAM,且能基本满足实时性。     

基于改进的局部表面凸性算法三维点云分割

点云分割是点云分类、识别以及三维重建等处理的基础,分割结果对后续应用影响巨大。本文提出利用连通点集改进局部表面凸性算法中邻近点关系的方法,解决目前激光三维成像系统点云分割算法在处理复杂环境散乱点云时存在分割过度及分割不充分的问题,通过主顶点与周围点构成连通集,作为分割判断局部子点集,形成有效分割区域。该方法解决了常用点云分割方法无法对形状不规则物体进行有效分割的问题,提高了分割精度。算法实验结果表明,相比于最小切割算法和区域生长算法,基于连通点集的改进局部表面凸性算法对实际路面环境信息的分割效果更好,并能在一定程度上避免分割过度和分割不充分的情况,证明该方法适用于复杂环境散乱点云数据分割。     

高光谱成像结合SIS与RFS的蓝莓腐烂病检测

为了能够快速、无损地检测采后蓝莓腐烂病害,利用高光谱成像技术对采后蓝莓腐烂病进行检测。本研究提出光谱信息分割法(SIS)对866.5 nm波段图像蓝莓病害区域进行分割,取得了较好效果。另外根据正常蓝莓光谱曲线和病害蓝莓光谱曲线,提出区域特征筛选法(RFS),并结合竞争适应重加权采样(CARS)和连续投影(SPA)算法对可见光第一区域波段、近红外第二区域波段分别筛选特征波长。最后,采用相关向量机(RVM)模型和径向基(RBF)神经网络模型对蓝莓腐烂病害进行检测。检测结果表明,第一区域与第二区域特征波长组合建立的CARS-RBF模型检测效果最好,特征波长为655.8,710.9,752.2,759.9,761.2,866.5,969.7 nm,训练集和测试集正常蓝莓与病害蓝莓检测准确率分别为98.3%、98.6%和97.5%、98.75%。本研究提出的光谱信息分割法(SIS)和区域特征筛选法(RFS)检测蓝莓病害,为蓝莓在线检测和分拣提供了一种新的参考方法。     

基于特征点匹配的图像配准算法精度提升方法研究

图像配准是多种图像后续处理的基础,较为常见的有图像融合,图像拼接、图像的三维重建等,这些后续操作都需要在一个好的配准前提下才能完成,因此,对于图像配准精度改进的研究具有很重要的实际应用价值。对基于特征点匹配的图像配准算法提出了几个配准精度提升的方法,这些方法分别针对特征检测精度的提升和特征匹配精度的提升来达到图像配准精度提升的目的。     

基于IECM特征匹配的红外弱点目标快速检测算法

提出了一种新的复杂背景下低信噪比红外弱点目标检测算法。根据红外弱点目标在图像中的三维空间特征,从空间认知的角度出发,将三维的灰度分布特征转化为二维的等高线曲线特征,建立红外图像的等高线图(IECM)描述,利用图论中的树结构(等高线树)形式化地表达等高线的空间关系,在此基础上,给出弱点目标检测的等高线树检测准则,同时给出了等高线划分等级的选择方法。理论分析与实验结果表明,该算法具有良好的检测性能,且结构简单,利于硬件实时实现。在信噪比为1.4的情况下,对红外图像序列的检测概率为96.3%。     

Research on Channel Selection and Multi-Feature Fusion of EEG Signals for Mental Fatigue Detection

With the rapid development of modern social science and technology, the pace of life is getting faster, and brain fatigue has become a sub-health state that seriously affects the normal life of people. Electroencephalogram (EEG) signals reflect changes in the central nervous system. Using EEG signals to assess mental fatigue is a research hotspot in related fields. Most existing fatigue detection methods are time-consuming or don’t achieve satisfactory results due to insufficient features extracted from EEG signals. In this paper, a 2-back task is designed to induce fatigue. The weight value of each channel under a single feature is calculated by ReliefF algorithm. The classification accuracy of each channel under the corresponding features is analyzed. The classification accuracy of each single channel is combined to perform weighted summation to obtain the weight value of each channel. The first half channels sorted in descending order based on the weight value is chosen as the common channels. Multi-features in frequency and time domains are extracted from the common channel data, and the sparse representation method is used to perform feature fusion to obtain sparse fused features. Finally, the SRDA classifier is used to detect the fatigue state. Experimental results show that the proposed methods in our work effectively reduce the number of channels for computation and also improve the mental fatigue detection accuracy.     

基于586-Driver的无人机飞控计算机智能检测系统研制

传统飞控计算机检测方法以人工操作为主,存在一定的主观性且效率低下的缺点。采用信号门限检测技术,设计了飞控计算机一键式全功能检测方案。以586-Driver板卡为核心,设计了智能检测系统,实现了在全程无人干预情况下对飞控计算机按预设时序逻辑的自动检测。通过系统测试表明：满足某型飞控计算机的检测需求,提高了飞控计算机检测效率,具有实际工程应用价值。     

基于形态学处理和最小二乘法的海天线检测算法

海天线的检测和提取是舰船红外图像处理中的一个重要内容,在综合分析比较基于边缘检测、图像分割以及小波变换多尺度分析等多种海天线检测算法优缺点的基础上,提出一种基于形态学处理和最小二乘法的算法,仿真分析表明此算法能适应含有各种干扰的海面背景环境,鲁棒性好,并且提取精度高,能精确定位海天线。     

减背景的波段选择算法及其在目标探测中的应用

介绍了正交子空间投影方法,这种方法可将背景信号从接收到的混合光谱中消除,在此基础上运用匹配跟踪算法自动地进行优化波段的选择,达到选择最佳波段进行目标探测的目的。将其运用到大气外目标探测的问题,得到了较好的探测波段的结果,说明此方法选择优化波段进行目标探测是有效的。     

一种基于无监督主动学习的苹果品质光谱无损检测模型构建方法

利用光谱技术实现农产品、食品品质无损检测的实质是建立样本光谱信息与样本品质参数之间的机器学习模型。为了获得具有良好泛化性能的机器学习模型,通常需要大量的标记样本,然而,获取样本的光谱信息相对容易,但标注样本品质参数的过程往往涉及到大量的时间和经济成本,并且具有破坏性。主动学习是一种减少训练集有标记样本数量的方法,通过选择最有价值的样本进行标记,而不是随机选择。因此,主动学习能够控制向训练集添加哪些样本,模型不再是被动地接受用于建模的样本。在分类任务中已经提出较多关于主动学习的算法,但回归任务中的研究却相对较少,且现有的用于回归任务的主动学习算法大多是有监督的,即需要少量有标记样本训练初始模型。本文提出了一种基于无监督主动学习方法的训练样本选择策略。该方法首先通过层次凝聚聚类对无标记（标准值）光谱数据集进行多样性划分,获得不同的聚类簇;然后通过局部线性重建算法在每个聚类簇中选择最具代表性的样本构成训练样本集,最后基于训练集构建模型。利用两个年份三个品种苹果的近红外光谱数据,构建了其可溶性固形物含量和硬度的偏最小二乘预测模型,用于验证所提出方法的有效性。实验结果表明：所提出的方法要优于已有的样本选择策略,可以有效地提高模型精度,减少在模型训练中的破坏性理化实验。同时,与随机采样（RS）、Kennard-Stone算法（KS）、光谱-理化值共生距离算法（SPXY）这三种光谱领域常用的样本选择算法相比,该研究所提出的方法表现出了最佳的性能, 基于所提出的无监督主动学习算法选取200个样本作为训练集所建立的可溶性固形物含量预测模型的预测均方根误差相对于其他三种算法降低了2.0%~13.2%,硬度预测模型的预测均方根误差相对降低了1.2%~15.7%。