基于多视图前景分割的电网设施三维数字化重建

电网设施高保真数字化建模和可视化是构建数字孪生电网,推动新型电力系统建设的重要步骤。为解决手工建模方式的诸多弊端,满足数字孪生电网设施三维可视化需求,提出了一种基于多视图前景分割的电网设施三维数字化重建方法。基于深度学习网络结合前景分割算法,构建电网设施检测定位与前景分割模型,将相机原始多视图转化为待建设施前景图像,减少图像复杂背景带来的特征误匹配、模型体外噪声增多等问题的影响,提高重建视觉效果。以运动恢复结构为基础原理,提出基于改进加速稳健特征–随机抽样一致性(speeded-up robust features-random sample consensus,SURF-RANSAC)算法的高质量相机位姿估计方法与稀疏点云稠密化方案,最终形成了一种面向分布式电网设施的统一结构化静态模型重建方式。通过实拍图像构建设施重建数据集,分别对电力变压器、变压器绕组、高压真空交流断路器3种典型电网设施进行仿真重建,均取得良好重建视觉效果和较低的重投影误差,验证了方法的通用性和有效性。所提方法不仅为分布式设施在虚拟空间的统一表征、状态监测提供三维模型支撑,也为供需侧电网设施的跨时空互动及供需平衡调节实现提供可能。

基于前景分割的行人检测方法

针对背景复杂情况下行人检测误检率较大的问题,提出一种新的基于前景分割的行人检测方法.本方法在样本训练过程中,通过对图像的初始轮廓线进行有向分水岭转换,然后由超度量轮廓图算法得到图像内一个个封闭的区域,把得到的封闭区域与设定框进行比较,区分封闭区域属于前景还是背景,进而把前景目标分割出来并进行训练;测试时,把待检测图像中的检测区域进行前景分割,求出前景的HOG特征并用SVM分类,确定检测区域内是否有行人.这样保证了在训练阶段和检测阶段都去除了背景噪声的影响,实验结果表明,提出的方法能有效的提高检测精度.

基于前景分割的目标实时检测方法

针对基于单一颜色信息的目标分割算法易受光线因素影响的问题,提出一种颜色及深度信息融合进行前景分割的目标实时检测方法。采用Kinect传感器采集低成本深度(RGB-D)图像,利用改进的ViBe算法及多帧差分法分别对于RGB以及深度图像进行建模。前景分割后,利用选取基准(SC)融合策略优化目标结果,然后通过rg Chromaticity颜色模型计算前景区域直方图信息并与模板匹配完成目标标记。实验结果表明,该方法对于环境光线及噪声干扰具有一定的鲁棒性,对于ViBe算法中背景前景同色误检及"鬼影"现象,对于深度图像分割中前景背景距离过近而造成误检现象都有很好的识别效果。

一种融合分层信息熵的MRF视频运动前景分割算法

针对视频图像中相邻像素的相关性对前景分割的影响问题,提出了一种以熵图像为纽带的分层马尔可夫随机场(MRF)视频运动前景分割算法.通过图像像素层和信息层构建自适应像素模型和动态光滑模型,增强了视频图像中邻域像素的空间一致性和时间连续性.然后在马尔可夫模型的框架下,采用多环置信度传播算法求解最大后验概率估计,提高视频运动前景分割的质量.实验结果表明该方法能够在不同的视频图像序列条件下完成对运动前景的有效分割.

窗口序列PCA投影降噪的二次前景分割方法

针对室外视频包含噪声、复杂气象条件等引起的视频退化问题,对噪声特点及前景目标运动性质的差异进行分析,提出一种二次前景分割方法.使用窗口序列PCA并结合高斯混合模型对室外视频降噪后进行背景建模,初次分割前景目标;通过分析目标重叠区域概率描述不同前景目标的运动性质,并结合初次分割结果对视频进行二次分割,提取感兴趣目标;对雨、雪等非感兴趣目标进行背景修饰,提高视频数据质量.实验结果表明,该方法能够有效地抑制室外视频噪声,去除雨、雪影响,改善视觉效果.

动态背景下基于自更新像素共现的前景分割

针对共现像素-支持块模型(CPB)存在的问题,提出一种新的自更新像素共现模型(SU-CPB).引入经大规模监控场景训练的时空注意力模型(STAM),将STAM分割掩模作为指导,通过3种方法,包括像素-支持块对的动态选择,结构失效支持块的替换与前景相似度的计算,完成对支持块的在线自更新,解决CPB不具备更新能力带来的模型性能下降的问题,并使SU-CPB具备跨场景前景分割能力.实验结果表明,该方法在所有测试场景下均优于CPB,并在未经STAM训练的Wallflower与LIMU数据集下,显著优于单纯的STAM、CPB以及其他参与对比的方法.

一种光环消除方法在视频前景分割中的应用

将人从静态背景中分割出来是视频监控、面向对象编码、模式识别等领域的关键技术．但是，由于场景中光线的原因，使得提取出来的人往往带有光环．本文提出一种基于边缘检测的光环消除算法，实验结果表明，该算法能够较好地实时消除人体周围的光环．

基于三维光场的静态场景前景分割

为解决复杂场景中的前景提取问题提出一种基于三维光场分析的静态场景前景分割方法.首先,通过在一条直线等间距的不同视点上拍摄场景的序列图像构建密集采样的三维光场.其次,用线段检测(LSD)直线检测算法从对极平面图(EPI)中分析提取出场景边缘及其深度信息.借助分段三次Hermite多项式(PCHIP)快速插值算法恢复整个场景的深度信息.最终,通过阈值法实现对不同深度的前景物体的分割.初步实验结果表明,本方法能够较准确地恢复场景中多个物体之间的空间关系,前景分割结果较好地克服了现有基于区域聚类和数学形态学等方法在复杂场景应用中存在的过分割问题.

基于前景分割的扣件状态识别算法

针对在现实场景中检测铁路扣件状态时,因图像背景常包含电缆、油污等干扰物和环境不同而产生的图像亮度差异等因素造成的扣件状态检测精度不足的问题,提出一种基于前景分割的复杂场景下扣件状态识别方法。首先,改进深度学习网络PSPNet的特征提取层,提高算法的运行速度和正确率,并利用改进后的PSPNet分割出扣件图像的弹条区域和钢轨边缘等前景部分,消除复杂背景对扣件检测的干扰;然后,通过LBP算法提取扣件前景的特征,去除光照对扣件检测的影响;最后,将特征使用支持向量机进行扣件状态检测。提出的算法在测试集中总体精度达98.50%,实验证明,该方法在检测复杂场景下铁路扣件状态中具有很好的鲁棒性。

基于帧间高级特征差分的跨场景视频前景分割算法

当前基于深度学习的有监督前景分割方法得益于大量待分割场景的标注信息,其性能大幅超越传统的无监督方法.然而,获取高精度的像素级标注需要耗费大量的人力和时间成本,这严重限制了有监督算法在无标注场景的部署应用.为解决对场景监督信息依赖的问题,设计了一种与传统的帧间差分法相融合的跨场景深度学习架构,即帧间高级特征差分算法.该算法重点围绕时域变化等跨场景共性知识的迁移,在不依赖待分割场景监督信息的前提下实现高精度分割.面向五类不同模式的困难场景开展实验,本文算法的平均F值达到0.8719,超越了当前最高性能的有监督算法FgSegNet_v2(相同的跨场景条件下)和最佳的无监督算法SemanticBS.本文算法对QVGA视频(320×240)的处理速度达到35帧/s,具有较好的实时性.

面向视频的人物前景分割研究

针对目标分割中存在的背景噪声和阴影干扰问题,提出一种改进的分割方法:利用码书背景建模对视频进行分割后,结合梯度因子、Sobel算子对分割结果进一步约束。实验结果表明,该方法可以有效地分割出前景目标,抗干扰能力强。

基于轮廓线统计量的前景分割Markov随机场模型

提出了一种基于轮廓线统计量的前景分割Markov随机场(Markov random field,MRF)模型,和Grabcut等以往模型不同,本文模型通过在分割标签的编码中加入对轮廓线方向的考虑,将Gestalt知觉组织的原则加入分割约束中去,从而使分割边界更为平滑,作为前景分割和Gestalt知觉组织原则研究的基本框架,本文模型的系统结构分为前景分割、注意力选择和信息整合三个子模块,与相关神经生理研究的结论相一致,最后,分别给出了基于本文模型的自动和半自动前景分割实现,结果好于Grabcut等相关算法的结果。

动态双边网格实现的视频前景分割算法

针对视频前景分割技术中前/背景颜色相似、物体遮挡、数据冗余等难点,提出用双边网格的数据结构形式来实现视频前景分割.首先为视频数据构造一个高维的映射空间;然后根据标签数据为空间中每一个节点计算相应的分割值,并采用图割算法进行分割;最后把高维特征空间中的结果降维到当前对应的视频帧中,完成分割.采用DAVIS数据对算法进行实验结果的表明,通过对分割结果的定性分析与定量对比,证明该算法切实可行,并能有效地解决上述问题.

基于前景分割的自阴影去除算法

从视频序列中识别运动物体是计算机视觉中一项基本且重要的任务,也是从静态背景中有效地分割运动物体的一项基本要求。在视频序列中,由于阴影强度的不同以及背景梯度的变化,分割出的前景物体一般都包含自阴影。而且,自阴影在自然界中一般都是模糊且无明显边界的。在视频序列中,为了消除此类阴影,本文提出一种基于平均统计差异推论的Z检验算法。这种统计模型能处理没有光源和表面方向数目限制的复杂、实时场景。实验结果表明,该算法能有效地从分割帧中检测出自阴影。

视频中稳定的跨场景前景分割

通过训练单个模型进行跨场景前景分割是一项具有挑战性的任务,特别是对于大规模视频监控,因为现有的模型通常严重依赖特定场景的信息。光流是描述前景目标的运动信息,但现有的光流机制方法只能表示瞬时特征,对开放的环境变化不具有鲁棒性。为了通过细粒度的运动特征表示并适应场景实现前景分割,一种间隔光流的新模块被设计出来,并使用注意力模块将运动特征融合到模型中。基于这种互补机制,可以构建实现运动和外观特征交互的跨模态动态特征滤波器。与现有方法相比,提出的模块倾向于在前景和背景区域的运动模式之间学习更多的语义信息,从而获得更好的跨场景适应性和鲁棒性。此外,由于数据集偏差问题,在跨场景前景分割任务中小目标的分割结果不佳,因此进一步设计了一个类内尺度的焦点损失函数来平衡前景目标的大小多样性。提出的模块可以即插即用到任意视频监控识别框架中,提高了跨场景前景分割结果的质量。

融合多尺度特征的前景分割方法在高压开关柜异物遮挡检测中的应用

电力系统巡检的一项任务是检查电力设备是否被异物遮挡,确保设备安全运行,并为元件状态巡检任务排除障碍。针对高压开关柜的异物遮挡检测任务,通过合成算法人工合成构建一个开关柜异物遮挡检测的合成数据集,然后将监控视频运动目标分割任务的前景分割方法应用于该任务,并通过融合多尺度特征提高模型对背景存在细微差别的分割精度。实验对比和分析几种主要的前景分割方法与所提方法的优劣结果证明针对任务改进的前景分割方法可以在开关柜异物遮挡检测任务中取得很好的效果。

基于软掩膜前景分割和多信息融合重排序的行人重识别方法

为了提升行人重识别算法的检索准确率,提出了基于软掩膜前景分割和多信息融合重排序的行人重识别算法。通过基于U-Net的软掩膜前景分割算法去除图像背景信息,同时减缓图像分割边界的突变,以保留图像中行人的关键信息;通过基于孪生深度网络的多信息融合重排序算法融合行人图像的多种信息,提升检索结果质量。实验结果表明,提出的两种方法是对行人重识别算法流程的有效补充,可作为提升准确率的有效方法应用于多数现有行人重识别算法中。

基于三维椭圆编码本模型的视频前景分割

针对基于编码本模型的前景分割算法处理颜色较暗的区域存在较高的不稳定性,并且对于克服光照变化和前景目标阴影的参数难以调节这两个缺点,提出了一种基于三维椭圆编码本模型的前景分割算法。该算法在RGB颜色空间中建立三维椭圆模型,根据光照环境调节控制光照变化的椭圆长轴和控制噪声影响的椭圆短轴消除阴影和光照变化带来的干扰;依据像素点的颜色值是否位于该三维椭圆外,则将其判为前景目标;同时自适应更新三维椭圆的中心位置以适应背景的光照变化。对比实验表明,该改进方法在处理视频中的较暗区域效果理想,并且参数直观明确易调整,对于准周期性变化的动态背景也能达到较好的分割效果。

稀疏分解和图拉普拉斯正则化的图像前景背景分割方法

针对现有图像前景背景分割方法的分割结果存在孤立像素点的问题,利用图信号处理理论和稀疏分解模型,提出新的图像前景背景分割方法.将图像的内在结构建模为图,通过图模型有效地刻画像素之间的内在关联性.将图像的像素强度建模为图信号,其中图像背景作为平滑分量,由一组图傅里叶变换基函数线性表示,叠加在背景上的前景为稀疏分量,前景像素间的连通性可由图拉普拉斯正则化项进行刻画.将图像前景背景分割问题归结为包含稀疏分解模型和图拉普拉斯正则化项的约束优化问题,采用交替方向乘子法对该优化问题进行求解.实验结果表明,与现有的其他方法相比,所提方法具有更好的分割效果.

基于邻域相关性和帧间连续性的前景目标分割

提出了一种新的运动目标分割算法。首先利用像素的颜色、空间的和帧间的特性信息结合贝叶斯判别定理对视频图像进行粗分割,得到一个前景目标的二值图,由于该类方法基于像素间彼此独立的假设,导致分割出的前景目标不完整存在很多空洞。其次,基于前景目标局部邻域空间的一致性假设,计算该邻域内像素间的互相关系数;同时,基于背景的帧间连续性和前景的不连续性,计算像素帧间的互相关系数。最后,依据像素的互相关系数在该邻域内进行二次判决,以填补粗分割中前景目标内部的空洞。实验表明,在复杂背景交通视频中该分割算法具有较强的鲁棒性,并能获得更完整准确的前景目标。