基于特征显著性的均值漂移鲁棒目标跟踪

在均值漂移算法框架下,提出基于目标显著性的特征融合与在线模板更新策略,实现复杂动态环境下的鲁棒跟踪.通过目标区域与背景区域的特征对比定义了特征显著性测度.提出了基于特征显著性的色彩空间选择以及基于Gabor小波稀疏编码的纹理特征提取算法.通过特征显著性加权实现参考直方图模板的初始化,并在此基础上针对遮挡现象与目标自身形变的区别设计了在线模板更新策略.实验结果表明,本文方法与其他跟踪算法相比具有较强的鲁棒性和较高的准确性.

谱半径和特征显著性约束的随机化社会网络方法

为了保护社会网络的安全性,保证扰动后社会网络的可用性,提出谱半径和特征显著性(非随机化性)约束的多点扰动社会网络的方法。在扰动社会网络过程中,将社会网络的谱半径和特征显著性控制在一定的约束范围内,从而在保证扰动后社会网络的可用性同时,提高扰动后社会网络的隐私保护程度。理论上分析了该方法的安全性更好,并给出相应的算法。最后通过实验比较随机化后社会网络的调和平均最短距离、传递系数和特征显著性结构性质的变化情况,表明该方法能有效地保护社会网络的结构性质,提高扰动后的可用性。

一种基于多特征显著性融合的绝缘子区域检测与定位算法

为解决目前绝缘子区域检测、定位方法效率低的问题,提出一种基于多特征显著性融合的绝缘子区域检测与定位算法。首先,划分绝缘子为若干个2×2的像素块,根据绝缘子的颜色、梯度和纹理特征,分别计算每个像素块的颜色显著性值、梯度显著性值和纹理显著性值;再对每个像素块按照中心距离法进行加权融合,计算每个像素块的多特征显著性值,依据特征值大小显示检测结果,实现绝缘子区域检测;最后用旋转卡壳方法确定绝缘子的最小外接矩形,完成绝缘子定位。结果表明上述方法对不同颜色、不同种类、不同背景的绝缘子图像都有着较好的区域检测与定位效果。

基于特征显著性的地震灾害发生后建筑物裂缝智能检测模型

由于地震灾害发生后建筑物表面具有多纹理性、多目标性特征,导致现有的建筑物裂缝智能检测方法已经不能满足检测需要。为了提高检测效果,该文设计提出基于特征显著性的地震灾害后建筑物裂缝智能检测方法。建立压缩感知去噪框架,通过图像重构消除震后建筑裂缝图像噪点。采用FCM聚类分割法对去噪图像进行分割,引入灰度直方图作为灰度级的模糊聚类样本点,利用灰度样本完成图像聚类。基于人眼视觉特征,对图像背景区域重新划分,完成图像边缘检测。基于提取的二值化图像确定裂纹特征,根据特征值范围确定裂缝种类实现震后建筑裂缝检测。

基于显著性特征的多视角人体动作图像识别研究

为了应对多角度、多姿态特点的人体动作图像识别难的问题,研究一种基于显著性特征的多视角人体动作图像识别方法。通过显著性区域检测模块处理多视角人体动作图像,获取显著性区域序列并拼接成多视角显著性区域拼接图;利用VGG-Net网络从中提取其卷积特征图,输入到CA(上下注意力)模块中,将有利于人体动作识别的区域予以突出显示,并输出人体动作类别标签的概率值,实现多视角人体动作识别。实验结果表明,所提方法能够有效识别多视角人体动作,同时通过整合显著性区域检测和CA模块,可以显著提升其在多视角人体动作识别方面的应用效果。

基于显著性特征检测的低光照图像增强算法

计算机视觉技术在公共安全、智能交通和工业生产等领域有着广泛的应用,如人群分析、密度估计以及目标跟踪、识别、分割等.但是实际成像环境复杂,受雨、雾和低光照等因素干扰,室外环境下拍摄的图像往往存在色彩失真、细节缺失、成像质量差等问题,严重影响了后续视觉任务.为了降低光照和雨雾天气的影响,提高成像质量,改善视觉效果,提出了一种基于显著性特征检测的图像增强方法.首先,针对图像颜色失真问题,提出了一种基于多通道融合和显著性亮度调节的颜色恢复方法.其次,为了增强图像细节,采用了基于显著性特征保留的方法实现图像细节增强.实验结果表明,该方法在客观评价指标和主观视觉效果方面均优于算法.

基于特征显著性的多特征融合车牌定位算法

在分析已有车牌定位技术以及目标检测共有特性的基础上,提出了基于视觉显著性的特征选择方法.算法依据先验样本的统计学习,利用导致最小错误概率判决方法,得到目标的特征显著性分析.在车牌定位过程中,根据得到的特征显著性序列,依次赋予特征不同的权值,然后采用融合的方式得到所需要的车牌区域.实验结果表明,该算法提高了使用单一特征进行车牌定位的准确率.

基于多尺度区域协方差的显著性特征提取方法

针对显著性检测得到区域边界不精确且比较模糊,提出了基于多尺度区域协方差的显著性特征提取算法。提取图像多尺度特征,结合区域协方差提取图像底层特征,计算图像多尺度不确定度权值,对权值进行了优化处理,通过融合得到图像显著性特征。通过与常用的显著性特征提取算法进行比较,实验结果表明该算法提取的区域结果更加接近对象实际边缘,在显著性特征提取过程中对多尺度赋予不同的权值,突出人眼关注部分,能提升显著性特征提取效果。

基于显著性特征的选择性目标跟踪算法

针对长期目标跟踪算法中目标部分遮挡甚至消失情况下的目标有效跟踪问题,提出了一种融合了目标显著性特征的选择性跟踪算法.首先,为了有效抑制背景信息的干扰,综合HOG特征以及颜色统计特征的特点提出了前景概率图来实现增强目标显著性抑制背景干扰的效果.其次,为了减少跟踪漂移和解决重度照明和遮挡等挑战性场景中的跟踪失败问题,引入了具有筛选条件的选择性跟踪和检测框架,用以控制检测器的激活以及最终结果的选择.OTB2013数据集上的实验结果证明,本文算法可以取得91.1%的总体准确率以及67%的总体成功率,结果优于大部分跟踪算法.

新的基于图像显著性区域特征的织物疵点检测算法

鉴于织物疵点类型的多样性和传统人工检测方法的低效率,为更有效地检测织物疵点,提出一种新的基于图像显著性特征的织物疵点检测方法——SGE。将原织物图分成相同两份:一份利用改进的基于频率的显著性区域(FSR)方法提取区域特征,粗定位疵点位置。另一份先Gabor滤波,取Gabor模图为输出特征;再利用基于像素的显著性区域(PSR)方法进行区域特征提取,细定位疵点位置;然后利用最大熵分别对粗细定位的疵点图进行分割,再融合;最后描绘轮廓,计算周长和面积,去除孤立点,得最终检测结果。采用OpenCV算法库,选取了4种具有代表的织物疵点图片进行验证。实验结果表明,这种粗细定位疵点的方法能够获得较好的检测结果,无需事先学习,能够满足实时性要求。

复杂背景下序贯显著性特征海面目标检测算法

根据人眼视觉显著性注意机制,提出基于序贯显著性特征的目标识别算法,把复杂背景下的目标识别问题转化为多特征的融合识别,将目标识别过程分成感兴趣区域检测和感兴趣目标检测两个子过程,并建立序贯显著性特征目标识别算法模型,序贯提取复杂图像区域的显著性特征,逐步缩小感兴趣区域范围,然后以基于D-S证据理论的多特征数据融合方法,通过多特征综合置信度的估计与分析,完成可靠的目标识别.试验研究表明,针对复杂背景下海面舰船目标,在相同的虚警概率下,该算法的检测概率比单一的不变矩算法和基于纹理特征算法平均要高20%.

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。

呈现人脸显著性特征的二维码视觉优化

为了得到视觉美观的二维码艺术图片,提出一种可呈现人脸显著性特征的二维码视觉优化方法,其输入包括一幅人脸图像及该图像对应的文本信息.首先根据文本信息生成标准二维码;然后使用人脸检测算法检测人脸区域,并采用迭代FDo G算法提取人脸的显著性特征;最后使用基于模式替换的方法求解原始二维码中每一个module可替换的最优模式,并利用这些模式重新生成人脸二维码图片.实验结果表明,在保证扫码速度和准确率的基础上,文中方法产生的二维码具有良好的视觉效果.

基于多层信息融合和显著性特征增强的农作物病害识别

现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement,MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95.31%。

基于图像显著性特征的交通标志注视点预测方法

基于图像显著性特征对交通标志的驾驶员注视点进行了预测.以Ltti的视觉注意模型为基础,通过高斯金字塔的生成、多通道图像特征的提取及特征图的生成以及显著性图的生成等步骤,建立了针对交通标志的注视点预测模型.以眼动仪为手段,对模型进行了验证.以相似度和线性距离两项指标对模型精度作了评价,实验结果显示,该模型对复杂交通标志的注视点预测具有良好的精度.

云计算下非显著性特征数据实时挖掘方法仿真

为有效提升网络数据库的语义检索能力和信息分析能力,需要进行基于云计算的非显著性特征数据实时挖掘方法研究。但是采用当前方法进行非显著性特征数据实时挖掘时,随着非显著性特征数量的增加,非显著性特征近似性增强,挖掘性能下降。为此,提出一种基于分段预白化匹配检测的云计算下非显著性特征数据实时挖掘方法。所提方法首先建立非显著性特征数据信号模型,采用现代信号检测技术对非显著性特征数据信号离散数据解析化,建立数据信号解析模型,对非显著性特征数据进行高频信号模拟,对每段非显著性特征数据进行分段匹配滤波检测,得到非显著性数据的特征输入量,结合非显著性数据特征的最优分类面和非显著性数据特征矢量轨迹,实现了非显著性数据特征值的提取,并完成云计算下非显著性特征数据实时挖掘。实验结果表明,所提方法挖掘精度较高,且实时性较强。

基于时空视觉显著性特征的行人检测

在分析现有的行人检测算法的基础上,针对前景提取不完整及检测误差较大等不足,提出了一种基于时空视觉显著性特征的行人检测改进算法。在具有代表性的Itti模型的基础上,使用更接近于人类视觉的Lab颜色空间对其颜色空间进行改进,并将运动特征及基于轮廓搜索的内部空洞填充法引入其中,生成总显著图。提取ROI,采用HOG特征结合SVM分类器对ROI进行行人检测。实验结果表明,该算法在一定程度上避免了误检和漏检的发生,相比较HOG算法具有较好的检效果。

基于仿生算法的显著性特征数据挖掘方法

对大数据信息库进行显著性特征数据挖掘,在故障诊断和模式识别等领域具有重要的应用价值.针对传统方法采用大量分布式计算方法对显著性特征数据进行挖掘时,容易出现局部收敛,计算开销较大,数据挖掘实时性不好等问题,提出基于粒子群仿生算法的大数据信息库显著性特征数据挖掘模型.通过提取显著性特征数据的数据结构特征,完成显著性特征数据信息流拟合分析.采用粒子群仿生算法对显著性特征数据的挖掘过程进行跟踪训练,实现挖掘误差修正,完成显著性特征数据挖掘.仿真结果表明,采用该算法进行显著性特征数据挖掘的全局寻优和收敛性较好,挖掘精度较高.

基于卷积神经网络与显著性特征的皮革缺陷检测

针对目前皮革缺陷形态多样、检测难度高的问题,提出卷积神经网络与显著性特征组合的检测方法。以9种常见的皮革缺陷为检测目标,应用卷积神经网络方法对其进行初步检测,结果表明此方法对其中几种缺陷的检测准确性不够。对皮革缺陷的几何和灰度特征进行数理统计,归纳出缺陷显著性特征描述,提出以卷积神经网络为主、显著性特征为辅的组合检测方法。通过试验验证得出,组合检测方法的准确率可达90%以上,相比卷积神经网络法,检测准确率有所提升且平均处理时间的增幅很小,可满足实际皮革缺陷检测需求。

牙颌点云数据的显著性特征提取

随着激光扫描测量技术的发展,其数据测量精度的逐渐增高使得获取的几何模型表面点云数据的细节信息越丰富,能更准确的反应物体几何表面特征,但如此海量的点云数据同时也带来对应的技术挑战,海量的点云数据在计算机文件存储、数据后期进一步处理以及软件可视化方面都不方便且效率低下.本文中的算法首先采用栅格法对点云进行空间划分及领域关系的建立,其次利用局部表面拟合的方法估算点云法向量,然后利用点云K领域法的向量求解坐标点的显著性值,最后根据显著性的值构建点云八叉树.该算法实现了对点云显著性特征的提取和对点云数据量的进一步简化,它不仅保留了对点云细节特征保持方面的优势,而且在时间效率上得到了提高.