目标跟踪算法综述

目标跟踪一直以来都是计算机视觉领域的关键问题,最近随着人工智能技术的飞速发展,运动目标跟踪问题得到了越来越多的关注.本文对主流目标跟踪算法进行了综述,首先,介绍了目标跟踪中常见的问题,并由时间顺序对目标跟踪算法进行了分类:早期的经典跟踪算法、基于核相关滤波的跟踪算法以及基于深度学习的跟踪算法.接下来,对每一类中经典的跟踪算法的原始版本和各种改进版本做了介绍、分析以及比较.最后,使用OTB-2013数据集对目标跟踪算法进行测试,并对结果进行分析,得出了以下结论:1)相比于光流法、Kalman、Meanshift等传统算法,相关滤波类算法跟踪速度更快,深度学习类方法精度高. 2)具有多特征融合以及深度特征的追踪器在跟踪精度方面的效果更好. 3)使用强大的分类器是实现良好跟踪的基础. 4)尺度的自适应以及模型的更新机制也影响着跟踪的精度.

一种改进的CT胸部图像肺组织分割方法

为了对病变肺部图像进行准确分割,对通常的肺组织分割算法进行了分析和改进,将小波变换与数学形态学引入肺分割算法.通过小波变换对图像进行分解,再运用数学形态学对分解后的各个分量执行不同的修补方法:对低频分量作形态学闭运算,对高频分量作形态学开运算;从而在适当的尺度修正图像的基本特征而不影响细节特征,在重构之后获得理想的肺区域.利用改进后的算法,对医院的36组临床HRCT数据进行分割,并与手工分割结果和通常算法的分割结果进行了比较.结果表明,该方法分割结果准确,能有效提高肺组织分割的平均敏感性.

基于卷积神经网络的铁轨路牌识别方法

轨道交通在我国综合交通运输体系中占有重要的地位,随着人工智能的发展,智能感知轨道交通周围环境的信息也变得越来越引人注目.本文结合深度学习与图像处理的方法,设计并实现了一种基于卷积神经网络的高铁轨道周边路牌数字识别的智能系统,该系统通过在高铁驾驶室内安装摄像头的方式采集运行前方的视频,并通过目标识别、语义分割等深度学习算法自动定位并识别路牌内的数字,从而解决了之前人工处理的繁琐和低效率.本算法整体系统由三个子模块构成,分别为目标检测模块、语义分割模块以及数字识别模块,其中目标检测模块基于SSD(Single shot MultiBox dector)模型,并对其进行了改进,使其更适用于轨道交通中的小目标识别;语义分割模块使用了全卷积的方式,对目标检测的结果进一步处理,准确得到路牌中的数字区域;数字识别模块的设计参考了著名的识别MNIST数据集的手写体识别系统,并针对路牌中数字的特点做了相应的改进,实现了对每个数字的准确识别.实验结果表明,本系统可适应白天、夜间情况下轨道交通的路况,识别的综合准确率为80.45%,其中,白天的平均识别准确率为87.98%,夜间的平均识别准确率为72.92%.

基于Snake模型的病变CT肺部图像分割

传统的肺实质分割算法大多基于阈值法、区域增长、边缘提取以及形态学等方法,这对健康肺部CT图像可以得到比较理想的分割结果,但临床上所面临的CT图像大多具有各种病变,严重时会导致肺实质大面积缺失或呈区域性离散块状,这使得传统的肺实质分割算法效果不理想。为此,提出一种以生理解剖学知识为基础并基于Snake模型的肺实质分割算法。通过多组CT图像实验表明,无论肺内有无病变,该算法对CT肺部图像分割效果理想,而且速度快、完全自动。

基于全连接神经网络的三维人体姿态估计

人体姿态估计是计算机视觉领域的重要分支,在实践中有广泛应用,例如:智能交通、安防监控、影视娱乐、司法分析等。现有的三维人体姿态估计算法大多来源于二维人体姿态估计算法的扩展,其识别结果是以三维关节点、线的形式来体现,无法展示更多的人体细节信息,且表达形式比较抽象,难于理解。为解决这个问题,本文引入了参数化人体模型(SMPL),该模型可以实体化的展示三维人体姿态。本文通过二维图像预测人体的三维姿态,该过程分为3个阶段,首先从多角度二维图像中预测人体关节点的二维坐标,然后基于全连接神经网络实现二维关节点到SMPL模型参数的映射,最后根据这些参数构建三维SMPL模型,以展示三维人体姿态。实验表明,本文通过从图像中提取二维关节点坐标,并以此为全连接神经网络的输入,可以快速、准确的估计出人体三维姿态。相比从二维图像直接估计三维人体姿态的方法,本文的模型降低了训练参数,简化了网络结构,加快了模型训练的速度,节约了训练成本。

基于GAN的医学图像仿真数据集生成算法

基于生成对抗网络(generative adversarial networks,GAN),提出了面向肝脏肿瘤CT图像仿真数据集生成深度学习算法.首先,将CT图像数据文件进行格式解析,单独保存为PNG格式的图像文件;然后,将肝脏病变区域统一标注为白色,并结合肝脏CT原图组成配对图片;最后,用生成对抗网络的pix2pix架构仿真生成病变肝脏图像.为将生成图像与目标图像进行定量分析、比较,本文采用了峰值信噪比和结构相似性作为模型的评价指标.实验结果表明,本文算法所生成的肝脏肿瘤CT仿真数据集的平均峰值信噪比为64.72 d B,平均结构相似性为0.9973,证明了所生成的仿真图像数据有着非常高的真实度.

三维脑白质纤维束成像方法

从Riemannian流形的角度分析扩散张量成像,将脑白质中任意两点间的纤维束生成问题转化为计算Riemannian流形中两点间测地线的问题,通过Level-Set方法计算测地线,并将其作为脑白质中两点间的纤维束。利用模拟脑白质纤维束对该算法和传统算法进行比较,实验结果表明,该算法在准确性、鲁棒性等方面有较大改进。

一种基于改进的MobileNetV2网络语义分割算法

基于金字塔卷积神经网络的语义分割算法准确率很高,但是其计算资源消耗巨大、算法执行时间长、无法满足实时性要求.为了解决这个问题,本文做出了以下改进:(1)用MobileNet替换原网络的结构,减少了网络运算时间和内存开销;(2)引入编码器-解码器结构提高输出图像的分辨率,进一步细化分割结果;(3)针对高分辨率图像推断时间过长的问题,本文设计了多级图像输入方法,降低了网络推断高分辨率图像所消耗的时间.本文在VOC 2012数据集和Cityscapes数据集上进行了测试,并与FCN、SegNet、DeepLab、PSPNet以及DFN等语义分割模型对比.实验结果表明,本文设计的语义分割算法在VOC 2012数据集上达到了76.1%的mIoU,在Cityscapes数据集上达到了74.1%的mIoU,略低于传统语义分割算法;处理一张分辨率为1024×512的图片需要18ms,少于传统语义分割算法,满足了实时性要求,达到了准确率与计算资源消耗之间的平衡.

一种改进的交互式CT胸部图像肺实质分割方法

提出一种交互式的肺实质分割算法,该算法充分利用序列CT图像相邻层中肺实质轮廓变化缓慢的特点,结合且改进了Live-Wire模型、Snake模型以及轮廓插值方法,并辅以操作人员的专业知识。首先人工的在序列CT图像中选取肺实质的关键层,然后通过Live-Wire模型交互式的勾勒其轮廓,再进行轮廓插值得到其他层肺实质的初始轮廓,最后通过Snake模型演化得到所有层的肺实质准确分割结果,并加以手工修正。实验结果表明,该算法能快速准确的从序列CT图像中分割出肺实质.

基于视觉注意机制的彩色图像显著性区域提取

图像显著性区域提取是计算机视觉处理的重要步骤。结合人类视觉心理、生理模型,提出一种基于视觉注意机制的彩色图像显著性区域提取模型。通过改进的分水岭算法对彩色图像进行预分割,从而将原图像分成若干子区域,在此基础上运用提出的区域化空间注意力模型对各个子区域进行显著图计算,得到最终的显著性区域提取结果。实验结果表明,提出的显著性区域提取算法可以很好地从彩色图像中得到与视觉注意机制相一致的结果,且满足实时性要求,与传统方法相比,算法提取的区域更完整、更准确。

基于强化学习的三维游戏控制算法

基于强化学习,设计了一个面向三维第一人称射击游戏(DOOM)的智能体,该智能体可在游戏环境下移动、射击敌人、收集物品等.本文算法结合深度学习的目标识别算法Faster RCNN与Deep Q-Networks(DQN)算法,可将DQN算法的搜索空间大大减小,从而极大提升本文算法的训练效率.在虚拟游戏平台(ViZDoom)的两个场景下(Defend_the_center和Health_gathering)进行实验,将本文算法与最新的三维射击游戏智能体算法进行比较,结果表明本文算法可以用更少的迭代次数实现更优的训练结果.

一种新的脑白质分割方法

基于扩散张量成像提出一种新的脑白质分割方法.首先,计算扩散张量成像的各向异性参数和扩散参数,并得到各个参数下的脑部图像;然后,通过期望值最大化(expectation maximization,EM)模型求得各个各向异性参数图像的脑白质和非脑白质区域;最后,通过STAPLE(simultaneous truth and performancel evel estimation)模型融合各个DTI参数图像分割结果,得到脑白质分割结果.实验结果表明,该方法具有较好的分割效果,能有效地从脑组织中分割出脑白质.

多目标显著性区域提取算法

结合对象估计和超像素分割,提出面向多目标的显著性区域提取算法.首先,应用对象估计对图像中的多目标作初步检测,得到若干个显著性区域的初步结果;然后,再将这些显著性区域与超像素分割的结果作图像拼接,完善这些显著性区域;最后,将图像拼接的结果二值化,作为多目标显著性区域提取的最终结果.结果表明:所提算法可实现面向多目标的显著性区域提取.与3个经典算法的比较结果表明:所提算法在面向多目标显著性区域提取时更优.

基于CT图像的自动肺实质分割方法

在肺癌、肺气肿等肺部疾病计算机辅助诊断方法中,肺实质分割是最核心的步骤.提出一种基于三维CT图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题.通过多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效.

RGB空间下结合高斯曼哈顿距离图的彩色图像边缘检测

为了能够更好地利用彩色图像的信息进行边缘检测，提出一种RGB空间下结合高斯曼哈顿距离图的彩色图像边缘检测方法。首先分析了彩色图像到灰度图像转换的信息损失，并给出一种RGB空间下边缘的度量方法。其次，通过引入高斯曼哈顿距离，分别在RGB三个通道进行处理，并通过新的边缘度量法统一获得彩色图像的距离图。最后将距离图映射到0～255的灰度范围内，得到最终的边缘检测结果。实验结果表明，本文方法具有较高的处理速度和较好的处理结果。

基于矢量扩散控制的图像同步去噪增强方法

在图像获取过程中,常得到含有噪声和对比度较差的图像,为更好地去除图像的噪声与增强对比度,提出一种基于矢量扩散控制的图像同步去噪增强方法。分析全变分(TV)模型的构造,指出其存在的问题,通过引入矢量扩散控制的方式改造该模型的后项,更好地控制扩散在图像边缘处的粒度。给出限制对比度自适应直方图均衡的微分模型结构,并与改进后的TV模型融合实现图像的同步去噪与反差增强。通过2组实验从成像质量和灰度分布上比较处理结果,验证该方法的有效性。实验结果表明,该方法不仅较好地解决了TV模型在去噪过程中出现的阶梯效应,而且能够改善图像对比度,提高图像的质量。

同步全变分与限制对比度均衡的彩色图像去噪增强方法

为了更好地实现彩色图像去噪与反差增强的处理,提出一种同步全变分与限制对比度均衡的彩色图像去噪增强方法。首先分析了彩色全变分(CTV)模型存在的问题,并针对这一问题,提出通过引入彩色空间下矢量扩散控制改进该模型,消除阶梯效应。其次,为了避免由于灰度转化带来的信息缺损,给出一种RGB空间下的梯度矢量计算方法。最后构造了限制对比度直方图均衡(CLAHE)的微分模型,将其与改进后的CTV模型融合实现了彩色图像的同步去噪与增强处理。实验结果表明:由于本文方法直接在彩色空间下进行计算,因此可以减少由色彩空间转化带来的信息损失,能够在提高图像的对比度的同时去除噪声,更好地完成彩色图像的去噪与反差增强处理。

基于CUDA加速的SIFT特征提取

提出一种基于统一计算设备架构(CUDA)加速的尺度不变特征变换(SIFT)快速计算方法,用以解决SIFT特征提取计算过程耗时过长的问题.该方法充分利用图像处理单元(GPU)在并行计算、浮点计算、内存管理等方面的优势,合理分配主机端和设备端的资源及其在SIFT特征计算中所承担的角色.实验表明,与CPU架构下的SIFT特征提取算法相比,本文算法可以大幅度加快SIFT特征提取的计算速度,其加速比随着SIFT特征点数目的增加而增加,在本文实验中最大加速比可达19.54.

基于CUDA加速的三维医学图像配准

三维医学图像配准技术是医学图像处理,特别是外科手术导航的关键技术,但现有的三维医学图像配准算法大多存在计算量大、耗时过长的问题,不能满足临床应用中实时处理的要求.针对这一问题,提出一种基于统一计算设备架构(Compute Unified Device Architecture,CUDA)的高性能计算方法,充分利用CUDA架构下GPU(Graphic Processing Unit)并行计算的优势,并结合图像多尺度、最大互信息等方法,实现了三维医学图像的快速配准.实验结果表明,该方法在保证配准精度的前提下,大幅度地提高了三维医学图像配准算法的运算速度,可以满足临床上对配准算法的实时性要求.

一种彩色图像的同步去噪增强算法

在彩色图像获取过程中,由于受到环境、设备等客观因素的制约,常得到含有噪声、对比度差的图像,这些对于后续图像分割与配准的准确性方面都产生较大影响,为此提出一种彩色图像的同步去噪增强模型.首先引入RGB与Ycbcr的变换及逆变换,构造了适用于彩色图像的自适应直方图均衡化偏微分方程.其次,通过计算本征矢与x轴的夹角统一梯度变化率、消除法相扩散,给出了彩色图像的PM模型.最后将上述两种模型通过增加系数调节项的方式进行融合,达到同步去噪增强的目的,实验结果验证了本文算法的有效性与实用性.