基于目标纹理的机器视觉转角检测方法

目标姿态角度检测系统是确保智能制造设备自动化、智能化的核心部件之一,在智能制造设备中得到了广泛的应用。提出了一种基于目标纹理的机器视觉转角检测算法,该算法通过椭圆聚类提取图像中的感兴趣区域,采用Hough梯度变换寻找感兴趣区域中包含特定纹理特征的区域,结合先验信息对特征区域进行标记、匹配,进而计算出待测物体的滚转角度,算法的运行耗时小于0.5s。采用该算法实现了浮子组件在浮液中的径向滚转角检测,并模拟实际检测环境测试了该算法的精度。测试结果表明,绝对精度小于0.3°,重复性精度小于0.08°,满足实际生产现场对检测精度的要求,解决了人工检测精度低、耗费人力的问题,提升了浮子转角检测的精度和智能程度。

基于偏振双目视觉的无纹理高反光目标三维重构

对于表面光滑、纹理单一甚至缺失、高反光的目标,传统的三维重构方法由于对纹理以及反光特性的依赖会使得重构表面出现大面积的的数据空洞.而基于偏振的三维重构方法不依赖于物体表面的纹理信息,同时偏振成像能够在一定程度上抑制耀光,能够有效解决传统三维重构方法存在的问题.但是,基于偏振视觉的三维重构方法得到的是像素坐标系下的深度信息,因此提出了偏振双目视觉三维重构方法,以由双目立体视觉获得的少量特征点的世界三维坐标为"桥梁",利用双目立体标定得到的相机参数,将偏振得到的图像像素坐标系下的点云数据转化为世界坐标系下的绝对数据.

基于热核共生矩阵的SAR图像纹理目标识别

相干斑噪声是合成孔径雷达(synthetic aperture radar,SAR)成像系统的固有缺陷,严重影响SAR图像的识别率。为此,提出了一种基于热核共生矩阵提取纹理特征统计量的算法,并将此方法用于SAR图像的纹理目标识别。首先通过构建图结构计算出图像每一点的热核特征,生成热核共生矩阵并计算纹理特征统计量;进而将热核特征与纹理特征统计量相结合构成特征矩阵;最后通过计算对应特征向量之间的相关系数,利用相似性度量的方法,实现SAR图像的纹理目标识别。实验结果表明,该方法可以识别SAR图像纹理目标,且识别效果要优于经典的基于灰度共生矩阵提取纹理统计量的方法。

基于光学偏振成像的低纹理目标三维重建算法

针对于视觉任务中表面光滑、低纹理的目标,由于其结构纹理信息的缺乏及高反光的特性,传统三维重建算法无法恢复物体有效的表面形状特征,提出了基于光学偏振成像的低纹理目标三维重建算法。该算法不依赖于目标表面的结构纹理信息,以求解Stokes参数来量化目标表面反射光偏振态,而后结合偏振—几何空间分析,估计目标表面的法向量分布,最后提出了多尺度Shapelets算子将法向量信息积分获取目标的有效深度信息,恢复目标的三维形状。实验结果表明,针对低纹理的高反光目标,该算法能快速准确地恢复其表面的三维形态,并且有效抑制镜面耀光和噪声的干扰,算法实时性高。

偏振多光谱机器视觉的高反光无纹理目标三维重构方法

随着摄影测量及机器视觉技术的迅速发展,对三维重构的普适性有了更高的要求。对于表面光滑、纹理单一甚至缺失的高反光非金属目标,传统的三维重构方法由于对纹理及反光特性的依赖使得此类目标的重构表面出现大面积的数据空洞。针对这一问题,本文提出了基于多光谱偏振的三维重构方法,将摄影测量与机器视觉进行融合,通过获取目标精确的偏振光谱特征实现准确的三维重构。该方法不依赖于物体表面的纹理信息,并且可以解决仅依靠菲涅尔理论无法实现天顶角和折射率同时估计的问题,最终实现天顶角和折射率的联合估计。由于杂散光和漫反射光在不同波段具有不同的偏振特性以及光谱特性,可完成对目标进行耀光去除的预处理,使得后期的三维重构的精度有较大的提高。基于偏振多光谱的目标三维重构方法是摄影测量与机器视觉融合后三维重构的引导性进展,具有更广泛的应用范围。

基于模板匹配的快速少纹理目标识别算法

针对传统的基于模板匹配算法通常考虑模板的整体性往往遇到计算性能复杂的问题。文中提出一种基于二进制方向压缩映射和局部特征加权的快速少纹理目标识别方法。根据目标边缘点的量化梯度方向,利用二进制方向压缩映射方法对目标模型进行特征描述,快速提取出目标候选位置及其对应的尺度、角度信息;在检测出目标候选位置后,再利用局部特征加权方法建立新的模板特征,对目标候选位置计算新的相似度从而确定目标最终姿态。实验结果表明,文中算法与其他具有代表性的算法相比具有更好的识别率,并且识别时间大幅降低。

基于结构光场的目标三维重建技术研究

针对传统被动光场成像在对低纹理目标进行重建时精确度低问题,论文结合光场成像与结构光技术,将颜色通道作为载体,分别对应三个不同频率条纹图,利用一帧复合条纹图投射被测目标表面,接收端在多个方向对目标表面变形条纹进行记录。获取的结构光场通过利用傅立叶分析法,得到相位编码场,由于相位编码场的角度方差在整个深度范围内呈单峰分布,当目标表面深度与重聚焦的深度一致,角度方差最小,以此来确定目标深度信息,相比于传统三维成像技术,提高了重建精度,且易于工程实现。

基于区域梯度压缩的少纹理目标候选框提取算法

针对某些应用中目标表面纹理较少,目标检测困难的问题,提出了一种基于区域梯度压缩的少纹理目标候选框提取算法。该算法是对模板匹配算法OCM的改进。算法对局部区域梯度方向进行压缩,保持了较低的计算复杂度,并且提出了新的梯度方向压缩方法与相似度衡量方法。实验证明,该算法相较于OCM算法,在产生接近数量候选框的情况下,召回率提高了6.5%;在召回率接近时,产生的候选框数量减少了41.9%。

基于约束的多样图纹理合成方法

基于已有的约束的多样图纹理合成算法,提出采用图像金字塔的方法来实现,并在其中利用了纹理的相关性原理,不仅可以合成自然纹理,而且对结构性较强的纹理也取得了较好的效果,合成速度也得到了提高。实验结果表明,该算法在合成质量和合成速度上都有较大的提高,对于控制某种纹理在合成结果图中的位置的纹理合成有广泛的适用性。

一种基于定位和非对称补偿的伪装目标分割方法

伪装是欺骗观察者感知系统的一种手段,善于伪装的个体在纹理特征上与背景具有高度的相似性。为解决前景与背景因相似而导致的像素归属歧义,提出一种基于定位和补偿网络(locating and compensation network,LCNet)的伪装目标分割网络。该方法效仿了捕食者从搜索→确立→聚焦的寻猎过程,涵盖双主干网的强感知提取、定位模块的双注意力以及级联的非对称补偿模块的细化像素模糊。实验表明,在4种评价指标下,LCNet在3个具有挑战的伪装数据集上都显著优于现有的6种最新模型,具有较高分割性能。

采用多特征融合的自动适配区选择方法

局部无纹理目标跟踪是当今空地成像制导领域的一个难点和热点问题,而自动适配区选择是解决该难题的一种有效方法。介绍了一种基于多特征融合的自动适配区选择方法。首先,构造一个融合边缘密度、平均边缘强度、边缘方向离散度以及空间距离的适配性度量函数;然后,采用该函数计算图像中每一点的适配置信度;通过制定适当的适配区选择策略,分割出3个置信度相对较高的适配区,用作匹配跟踪的目标模板。实验结果表明,采用该方法分割出的适配区与通过人工经验判断的结果相近,获得了较好的结果。该方法可广泛用于空地成像制导的局部无纹理目标跟踪以及景象匹配任务规划等应用中。

基于SMF的遥感图像纹理目标识别方法

提出使用标准模型特征(SMF)在遥感图像中提取和识别纹理目标的方法.在预处理阶段进行纹理区域划分,根据纹理差异将图像划分为多个可能目标和背景区域;在识别阶段,对于每个可能的目标区域,运用SMF判定区域中每一像素所属类别,以区域中大部分像素的类别作为该区域的类别,从而排除非目标区域,获得目标区域,得到识别结果.实验表明SMF是识别遥感图像纹理目标的有效特征.

面向工业零件分拣系统的低纹理目标检测

目的 随着工业领域智能分拣业务的兴起,目标检测引起越来越多的关注。然而为了适应工业现场快速部署和应用的需求,算法只能在获得少量目标样本的情况下调整参数;另外工控机运算资源有限,工业零件表面光滑、缺乏显著的纹理信息,都不利于基于深度学习的目标检测方法。目前普遍认为Line2D可以很好地用于小样本情况的低纹理目标快速匹配,但Line2D不能正确匹配形状相同而颜色不同的两个零件。对此,提出一种更为鲁棒的低纹理目标快速匹配框架CL2D(color Line2D)。方法 首先使用梯度方向特征作为物体形状的描述在输入图像快速匹配,获取粗匹配结果;然后通过非极大值抑制和颜色直方图比对完成精细匹配。最后根据工业分拣的特点,由坐标变换完成对目标的抓取点定位。结果 为了对算法性能进行测试,本文根据工业分拣的实际环境,提出了YNU-BBD 2020(YNU-building blocks datasets 2020)数据集。在YNU-BBD 2020数据集上的测试结果表明,CL2D可以在CPU平台上以平均2.15 s/幅的速度处理高分辨率图像,在精度上相比于经典算法和深度学习算法,mAP(mean average precision)分别提升了10%和7%。结论 本文针对工业零件分拣系统的特点,提出了一种快速低纹理目标检测方法,能够在CPU平台上高效完成目标检测任务,并且相较于现有方法具有显著优势。