融合区域生长与霍夫变换的内窥图像分割算法

为准确地划分出实际内窥图像的有效检测区域,依据此类图像的具体特点提出一种综合区域生长和霍夫变换的分割算法。利用区域生长大致分割出感兴趣区域,可能会存在漏检边缘或虚假边缘,通过二值形态学处理对图像进行平滑滤波和去噪,采用Canny算子在抑制噪声的同时进行边缘检测,应用霍夫变换检测圆的算法确定图像内有效区域的位置。通过对90组实际内窥图像在Visual C++6.0上进行仿真,实验结果表明:有88组内窥图像能够精确地分割强光干扰且划分出有效检测区域;仅有2组图像分割出的强光干扰及划分出的有效检测区域不够准确。

基于面部运动单元和时序注意力的视频表情识别方法

针对视频序列中表情强度不一致,长短时记忆网络(LSTM)难以有效地提取其特征的问题,提出一种基于面部运动单元和时序注意力的视频表情识别方法.首先在卷积LSTM(ConvLSTM)的基础上引入时序注意力模块,对视频序列进行时序建模,在降低维度的同时保留丰富人脸图像特征信息;其次提出基于面部动作单元的人脸图像分割规则,解决面部表情活跃区域难以界定的问题;最后在模型中嵌入标签修正模块,解决自然条件下数据集中样本不确定性的问题.在MMI,Oulu-CASIA和AFEW数据集上的实验结果表明,所提方法的模型参数量低于已公开的主流模型,且在MMI数据集上的平均识别准确率达到87.22%,高于目前主流方法,在整体效果上优于目前具有代表性的方法.

直线模型下的高速公路车道线检测方法研究

为了准确识别出高速公路图像中车道的标志边缘,结合道路图像特点,首先采用Sobel边缘算子对中值滤波后的道路图像进行增强,进而用Otsu算法将图像分割,在感兴趣区域运用基于像素的运算方法去除噪声,最后利用Hough变换进行拟合,识别出车道线。结果表明,对于2616×3488像元的道路图像,特征点与拟合直线的最大偏差为3.7263像元,能够准确识别出图像中的车道线,为智能汽车的安全预警提供了有益的探索。

智能汽车行人检测技术研究

智能汽车行人检测是城市交通环境下智能汽车辅助导航技术中的一项关键技术,也是计算机视觉领域的研究热点和难点。本文介绍了该技术的两个重点环节感兴趣区域分割和目标识别,以及智能驾驶系统行人检测常用的行人数据库。最后总结了现有行人检测技术的难点和亟待解决的问题。

车载行人检测技术研究

车载行人检测是智能汽车辅助导航技术中的一项关键技术,也是计算机视觉领域研究的热点和难点。本文介绍了该技术的两个重点环节感兴趣区域分割和目标识别,以及智能驾驶系统常用的行人数据库,HOG+SVM行人检测算法和深度学习YOLOv3行人检测算法。最后总结了现有行人检测技术的难点和亟待解决的问题。

耦合配准与分割的水平集演化模型

提出一种配准与分割耦合模型.配准项采用基于抽象匹配流的非参数配准模型,解决基于B样条的参数化配准方法与非参数活动轮廓模型在定义形式和求解方法上不一致的问题.分割项采用基于边缘的活动轮廓模型实现对感兴趣区域的分割,对分割模型的改进解决原有模型对初始化敏感的问题.整个模型直接定义在水平集函数上,定义直观,数值求解简单.对单模态及多模态大脑图像的实验,验证该模型的有效性.

车载视觉系统中的行人检测技术综述

作为计算机视觉以及智能车辆领域的一个重要研究方向,车载视觉系统中的行人检测技术近年来得到了业界广泛关注。本文对2005年以来该技术中最重要的两个环节——感兴趣区域分割以及目标识别的研究现状进行综述,首先将感兴趣区域分割的典型方法按照分割所用信息的不同进行分类并对比它们的优缺点,之后对行人目标识别的特征提取、分类器构造以及搜索框架等方面的进展进行总结,最后对未来发展作出展望。