基于动态划分感兴趣区域的车道线检测算法

自动驾驶与辅助驾驶中对车道线检测的要求都是极高的。传统车道线检测中对感兴趣区域的划分主要是粗略的截取图像的下三分之二处,导致对一些特殊场景的适用性不高。本文为了更精确的检测出车道线,在传统的车道线检测基础上提出将感兴趣区域进行动态划分,通过行灰度值和列灰度值剔除图像上部天空和左右风景的无关信息。通过实验表明,上诉方法在检测算法中可以更加精确的识别出车道线,并提高了算法的实时性和鲁棒性。

基于感兴趣区域划分的医学图像快速水印算法

为了提高医学版权保护中的水印嵌入算法效率,本文提出了一种基于感兴趣区域划分和一维经验模态分解(EMD)的医学图像快速水印算法。首先,利用Arnold变换和Hilbert曲线降维将水印图像转变为一维信号,同时提高了算法的安全性。其次,确定出宿主图像的感兴趣区域(ROI)与非感兴趣区域(RONI),选择在纹理丰富的ROI区域嵌入水印。再次,对ROI区域进行Hilbert曲线降维和EMD分解,得到不同尺度下的本征模态函数(IMF)和残差函数(res)。最后,选择在IMF1的最值点循环嵌入水印。大量实验结果表明该算法具有较好的鲁棒性和不可感知性,同时提高了医学图像版权保护的水印算法效率。

基于轻量级网络的铁路感兴趣区域异物侵限检测

针对当前基于计算机视觉的铁路异物侵限算法存在错误预警、检测效率低、无法满足轻量级部署等问题,提出了一种基于轻量级网络的铁路感兴趣区域异物侵限检测方法。首先,采用透视变换和三次函数拟合的方法检测铁轨线,通过找到铁轨所在区域,扩展划分出危险区域和安全区域,得到铁路异物侵限检测的感兴趣区域。然后,利用稀疏化和通道剪枝方法对YOLOv3模型进行压缩,构建了轻量级铁路异物检测模型。最后,通过铁路数据集及现场实验进行测试表明,本文方法具有较高的检测精度和检测速度,本文轻量级模型参数空间减小为原有的1/5,检测速度是Faster R-CNN模型的3.4倍,YOLOv3模型的1.3倍,能够快速有效地检测出不同铁路场景危险区域的异物侵限,减少了错误预警。