用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。

基于融合特征及改进二值化规范梯度特征技术的车辆识别算法

针对高速公路视频监控中基于单一形状特征的车辆检测算法出现较多的误检,且运用支持向量机(SVM)滑动窗口检测存在耗时大的问题,提出一种基于快速提取物体目标候选窗口的融合HOG-LBP特征的车辆检测方法。首先基于二值化规范梯度特征(BING)方法及背景差分快速提取车辆候选窗口,再计算候选窗口图像的方向梯度直方图(HOG)特征和局部二值模式(LBP)特征并进行特征融合,结合SVM分类器进行车辆检测。实验结果表明,融合形状和纹理特征能够有效提高车辆检测性能,而通过快速提取候选窗口可以将SVM检测速度提升8倍左右,满足工程实时性要求。

基于二值化赋范梯度的中厚板表面缺陷检测

目的针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征(Binarized Normed Gradients,BING)的一般对象估计算法来快速准确地提取缺陷感兴趣区域(Region of Interest,ROI),有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征(Normed Gradients,NG),学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。

基于像素点对误差累加的最佳阈值选取与边界检测新算法

研究存在背景噪声和干扰的情况下图像的有效分割及边界检测的问题.提出了新的图像分割准则函数——基于像素点对的误差累加最小准则和梯度二值化算法.算法兼顾了分割效果和处理的实时性,通过编程在实际图像中的应用,证明了算法的有效性和优越性。

旋转尺度不变的实时高精度场景匹配算法

针对场景匹配技术中以二进制稳健基元独立特征(binary robust independent elementary features,BRIEF)为代表的实时算法匹配错误率高的问题,提出一种基于局部梯度二值化的特征描述算法.该算法利用重心向量方向归一化特征描述区域,保证了特征描述符的方向不变性.同时,融合基于局部梯度二值化的区域纹理信息以降低特征匹配错误率.使用国际通用数据库对算法进行了验证,实验结果表明:提出的场景匹配算法其平均匹配准确率比BRIEF算法高44.59%,具有较高的鲁棒性.

基于ObjectNess BING的海面多舰船目标检测

将一幅图像按照一个目标的大小进行缩放,然后计算其梯度特征,再对梯度特征进行标准化,二值化能够极大地提高目标候选区域的选择和检测计算效率,减少耗时。由于对海上舰船目标的检测是具有丰富角点的人造目标,对ObjectNess二值化标准梯度特征(binarized normed gradients,BING)方法中的目标候选区域提取算法进行改进,使其能够更加快速地进行候选区域的选择并保持较高的检测率。分析了海上多舰船目标的图像特征,提出了利用角点确定目标的候选基点,再利用ObjectNess BING检测模型训练获得的多目标尺寸进行候选区域的选择,对互联网上下载的多幅多舰船图像进行处理的结果表明,算法能够有效减少候选目标区域的数量并保持较高的检测概率。

基于BING与卷积神经网络的人脸检测算法

为了提高复杂背景条件下人脸检测算法的训练速度以及检测速度,提出一种基于二值化梯度幅值特征(Binarized Normed Gradients,BING)和卷积神经网络相结合的算法。为了提高算法的检测速度,采用二值化梯度幅值特征算法对目标窗口进行粗略的筛选,快速得到数量较少的候选窗口,以此来减少卷积神经网络后续判定的窗口数。为了提高算法的训练速度,提出了新的卷积神经网络的激活函数反比例线性单元(Inverse Proportion Linear Units,IPLU),并且推导出相应的权值初始化方法。实验结果表明,与激活函数Re LU和ELU相比,反比例线性单元以及相应的权值初始化方法使得网络收敛时间分别缩短了2.3%和8.6%;与FuSt算法和Cascade CNN算法相比,基于BING与卷积神经网络的人脸检测算法的检测速度分别提高了26%和62%。

视觉感知启发的面向出舱活动的物体识别技术研究

为提高航天员出舱活动(EVA)的工效,提出了一种基于视觉感知启发的物体识别方法。首先对视觉观察到的一定区域内的图像进行采集,然后进行二值化赋范梯度的特征提取,并预测物体所在区域的矩形框,选取比该矩形框扩大一定范围的图像作为输入,传递给深度卷积神经网络CNN进行类别识别和精定位。在自建的数据集上进行测试验证,结果表明:该方法达到了88.2%的平均识别准确率,识别速率为0.047 s,可以满足舱外物体识别需求。该方法可为信息化、智能化的出舱活动任务提供参考,对提高出舱活动任务的工效具有重要意义。

基于BING似物性检测的行人快速检测算法

针对传统滑动窗行人检测速度慢、实时性差的问题,为避免全局搜索,利用似物性检测设计了一种快速行人检测方法。首先,算法通过提取正负训练样本的规范化二进制梯度特征,用该特征训练级联SVM分类器得到行人似物检测模型;然后,由该模型获取图像中初始行人候选区域,后进一步利用尺寸调节和聚类算法优化初始候选窗口区域;最后,提取各候选区域的梯度方向直方图特征,并利用SVM分类器对其进行进一步行人识别。实验结果表明,算法在保证行人检测率的同时在检测实时性上有明显提高。

基于BING和GS的图像目标检测中的快速候选框生成算法

候选框生成算法能够有效减少分类器所需处理的图像块个数,提高目标检测效率和准确率。二值化梯度范数(binarized normed gradients,BING)算法计算速度快,检测率高,但是生成的候选框平均召回率很低。在BING算法的基础上,引入基于图的超像素分割算法来提高平均召回率。实验结果表明,文章算法能够有效提升生成的候选框的平均召回率;综合多个参数值下的结果,该算法能够达到60%以上的平均召回率,而BING算法在使用大量候选框条件下的平均召回率仍低于36%。

基于似物目标的快速行人检测算法

针对传统滑动窗口行人检测速度慢、无效窗口数量大和识别率低的问题,提出基于似物目标的快速行人检测算法。该算法首先使用改进的二值化赋范梯度算法生成目标候选集,再利用NDOG特征描述子计算目标特征。通过在INRIA和Caltech-USA两个行人数据库的分析实验,证明该算法可有效减少待检测窗口数量,提高特征表示能力,且计算时间显著降低,使用线性支持向量机作为分类器可获得较高的行人检测率。

基于视觉显著性的信封地址块定位方法

贴条信封具有背景复杂、贴条地址块不固定等特点,传统的基于规则的地址块定位方法难以准确识别信封的背景和目标地址块。针对该问题,提出一种基于视觉显著性的贴条信函地址块定位方法。采用二值化归一梯度方法快速检测出图像中与训练地址块具有相似局部显著性分布的块状区域,作为候选区域,抽取候选区域的位置、灰度、梯度、纹理等基于外观的特征,使用协方差进行非线性融合,生成区域协方差描述子,利用支持向量机实现训练和分类。为了精确定位地址块区域中的文字,用图像签名技术计算稀疏显著性并通过高斯滤波器进行平滑。实验结果表明,该方法能快速准确定位目标地址块,平均准确率达到85.8%,比基于条件随机场的地址块定位方法高33.5%。

海上船舶智能检测及其关键算法研究

海上船舶检测环境复杂、实时监测难度大。针对传统滑动窗口遍历搜索法运算量大、实时性差的问题,提出了一种基于似物性和相似度匹配的快速传播检测算法。首先,提取正、负样本的规范二值化梯度特征,用支持向量机的方法训练分类器,用于检测显著性区域。其次,针对分类器多尺度筛选的问题,引入相似度匹配的过滤算法。最后,针对船舶上人员的检测,运用方向梯度直方图(Histogram of Oriented Gradient,HOG)+支持向量机(Support Vector Machine,SVM)的方式训练分类器,提取候选框的HOG特征作为目标判定。

利用卷积神经网络进行绝缘子自动定位

提出一种基于二值化赋范梯度特征和卷积神经网络的航空影像绝缘子自动定位方法。首先利用二值化赋范梯度分类器提取绝缘子候选窗口,而后利用卷积神经网络算法进行精细识别,获得包含绝缘子目标的窗口集,最后对高重叠度窗口集进行加权迭代合并得到最终绝缘子定位结果。采用广东电网大型无人机实际线路巡检获取的可见光影像对自动定位算法进行验证,实验结果表明,在复杂背景下绝缘子整体回调率为90.5%,定位精度为92%,证明该方法能够对复杂背景下可见光影像中的绝缘子进行有效识别定位,且算法通用性较强,可适应不同背景的可见光影像。