基于非极大值抑制的SUSAN算法改进及硬件实现

基于FPGA的嵌入式双目立体视觉系统中要求其边缘检测算法具备抗噪能力强、定位精度高、实时性好、易于硬件实现的特点。本文在SUSAN算法的基础上,提出了一种能够满足上述要求的改进边缘检测算法,先用SUSAN算法计算图像的初始响应和法线方向,再进行基于USAN重心与中心点距离阈值的非极大值抑制,最后进行边缘连接,得到边缘图像。该算法各模块采用Verilog HDL语言编程,并在FPGA中验证实现;边缘检测结果用于立体匹配,匹配效果良好,完全满足设计要求。

使用GIoU改进非极大值抑制的目标检测算法

针对单阈值-非极大值抑制算法中出现的目标漏检和重复检测问题,本文提出了一种使用全局交并比指标GIoU(Generalized Intersection over Union)衡量目标相似度的双阈值非极大值抑制算法GDT-NMS(Generalized Dual Threshold NMS,GDT-NMS).使用双阈值改进NMS算法和soft-NMS算法,抑制多余的检测框;在此基础上,使用GIoU替换传统的IoU计算目标间的相似度,使目标的定位更加准确;进一步,使用非线性函数赋予检测框不同比例的权值惩罚,使检测框的得分随距离呈非线性变化,目标区分度更高.改进算法在PASCAL VOC和MSCOCO上的检测精度分别为74.8%和25.9%,与使用NMS算法作为后处理的Faster R-CNN算法相比,性能分别提升了1.6%和1.5%.同时本文算法具有较快的检测速度.

自适应置信度阈值的非限制场景车牌检测算法

针对车牌检测模型泛化性低,在智慧交通的不同应用场景中复用困难的问题,提出一种自适应置信度阈值的非限制场景车牌检测算法。首先,构建多预测头网络模型,利用分割预测头减少模型复用的预处理工作,利用自适应置信度阈值预测头提升模型的检测能力,并利用多尺度融合机制及边框回归预测头来提升模型的泛化能力;其次,采用可微分二值网络训练方法,利用可微分二值变换联合训练分类置信度及置信度阈值来学习模型参数;最后,利用连通感知非极大值抑制(CANMS)方法提升车牌检测的后处理速度,并引入轻量级网络ResNet18作为特征提取骨干网络,以减少模型参数量,进一步地提高检测速度。实验结果表明,在中国城市停车场数据集(CCPD)的6个不同限制条件特点的场景中,所提算法可获得平均99.5%的准确率与99.8%的召回率,并达到每秒70帧的高效检测速率,优于Faster R-CNN、SSD等锚框类算法的性能;在3个补充场景测试集上,所提算法对不同分辨率、不同拍摄距离、不同拍摄俯仰角等非限制场景下的车牌检测精度均高于90%。可见,所提算法在非限制场景下具备良好的检测性能及泛化能力,可以满足模型复用的要求。

基于灰度均值的自适应FAST角点检测优化算法

光照不均、突变引起的灰度变化会影响图像特征检测效果。为此,设计一种基于灰度均值的自适应FAST-9-12角点检测算法。首先,利用特征点的延展性设计一种小面积双重检测模板,减少像素点与中心点的比较次数,提高区域正检率和检测速度;其次,依据图像局部灰度均值,在每个像素点检测模板内自适应调整阈值,避免灰度变化影响检测效果;最后,根据柔性非极大值抑制的思想设计角点半径抑制原则,筛选鲁棒性更强的角点。在Inria遥感影像数据集上的实验结果表明,FAST-9-12角点检测速度比FAST-12-16,FAST-9-16两种模板提高22%左右,因自适应阈值的提取方式不易受光照影响,检测准确率分别提高4.16和3.11个百分点,实现了图像特征快速和精准检测。

基于改进版Faster-RCNN的复杂背景下桃树黄叶病识别研究

由于桃树黄叶病(以下简称PTYLD)初期症状不明显,现有的基于深度学习的桃树病害识别技术,存在识别准确率不高、识别品种单一的问题,提出一种基于Faster-RCNN的PTYLD识别模型。为提高模型对PTYLD识别准确率和识别多样性,提出使用RS-Loss函数代替RPN中的交叉熵函数、使用Soft-NMS算法代替原来的NMS算法,来改进Faster-RCNN。通过试验对比初始版和改进版Faster-RCNN对PTYLD的识别效果。试验结果显示,改进后的Faster-RCNN对黄叶病识别的各类别平均准确率mAP达90.56%、召回率达94.16%、准确率达92.53%,能识别常见的五种PTYLD。

局部二值模式耦合双阈值LM优化的火焰图像边缘检测算法

为了解决当前火焰图像边缘检测技术易受到近似亮度的影响,使其得到的边缘不够清晰、完整性不强等不足,定义了一种基于局部二值模式(LBP)耦合双阈值(LM)优化的图像边缘检测算法。将彩色图像转换为灰度图像,并根据统计分布调整图像的灰度。采用高斯滤波器平滑图像,消除噪声影响。然后,利用LBP处理图像,并采用全局阈值技术进行计算,获取边缘局部特征。通过非极大值抑制算子来得到更精确的边缘,在非极大值抑制中选择2个阈值来创建2个不同的边缘图像。为了加快这2个非极大值抑制阈值的优化过程,采用LM优化算子,优化了基于均方误差的成本函数,消除了虚假边缘的同时保留了细小边缘。此外,利用火焰图像的面积、平均值、标准差、方差等各种参数对火焰图像进行分析,从而准确得到火焰温度以及预测燃烧的稳定性。通过实验表明,与当前火焰图像边缘检测技术相比,算法能够具有更高的边缘检测质量,火焰边缘完整度更好,可以有效去除噪声和不相关的伪影。

基于自适应阈值的FAST特征点提取算法

FAST特征提取算法阈值选取固定,因此不能满足不同图像的特征点抽取要求,并且提取的结果存在着多个特征点块的现象。针对这些缺陷,首先采用动态全局阈值对原始灰度图像进行初步提取得到候选特征点,然后采取动态局部阈值和非极大值抑制法进一步对候选特征点进行筛选,从而达到自适应选取阈值和抑制多个特征点块的目的。实验表明,改进后的算法稳定性高,对不同光照和对比度情况下有一定的适应能力,并且运算量相对比于其他一些特征提取算法要小得多,满足实时应用的要求。

基于自适应双阈值的SUSAN算法

传统SUSAN算法在提取图像边缘时,会出现漏检现象,且所提取的边缘较粗。为此,运用计算最大类间方差的方法自适应地选取双阈值,取代传统算法中人工设定的单阈值,采用多方向局部非极大值抑制方法进行改进,提出一种新的SUSAN边缘检测算法,并将其应用于遥感图像的边缘提取。实验结果表明,该算法能够有效提高边缘定位精度,降低漏检率,使边缘更细致光滑。

基于动态分块阈值去噪和改进的GDNI边缘连接的溢油遥感图像的边缘检测算法

海上溢油图像的边缘检测技术是最重要的海上溢油监测技术之一。无论是溢油的识别、位置的确定或者溢油量的获取,都需要首先确定溢油区域的边界信息。针对溢油图像的特点,提出了一种新颖的边缘检测算法。该算法由3部分组成:"非极大值抑制"实现了溢油图像的候选边缘检测;动态分块阈值算法实现了对噪声、伪边缘的清除,使获得的边缘更连续;改进的GDNI边缘连接算法实现了对去噪后图像中的中断边缘点的准确连接。通过实验结果证明,提出的算法能够得到清晰连续的溢油遥感图像的边界信息,较好地实现了具有低对比度、模糊边界以及噪声问题的溢油遥感图像的边缘检测,且具有很好的实时性。根据本算法得到的边缘检测信息,海上溢油能够更加容易和快速地被识别。

基于改进Canny算法的焊缝图像边缘检测

目的 针对复杂环境下焊缝图像的边缘检测问题,基于传统的Canny算法,将中值滤波替换高斯滤波,并将非极大值抑制(NMS)进行改进,得到一种面向复杂环境的改进Canny算法的焊缝图像边缘检测方法。方法 对焊缝图像进行中值滤波,保留图像的边缘信息,平滑区域内的细节,接着利用梯度方向局部均值偏差进行改进的非极大值抑制,综合考虑梯度幅值的大小和梯度方向对焊缝边缘检测的影响,最后使用双阈值法检测和连接边缘,根据焊缝图像的特点选择相应的阈值,既可以保证边缘检测的结果的准确性,也可以有效地避免一些噪声干扰。结果 与传统的Canny算法和其他一些滤波器改进的Canny算法等进行对比分析,所提出的方法的边缘保持度和边缘线性连接程度效果是最好的,边缘保持可以使检测结果保留原始焊缝图像的60%左右,同时边缘的连接程度相较于传统的Canny算法均有所提升,并且对焊缝图像中伪边缘的抑制效果也有所改善。结论 所提出的改进的Canny算法通过对滤波、NMS算法的综合优化,可以有效地检测出焊缝图像中的边缘信息,且有良好的焊缝图像边缘检测效果。

基于视频图像识别的电力施工现场安全自动监测研究

电力施工现场安全监测识别结果不理想,为此,提出基于视频图像识别的电力施工现场安全自动监测的研究。通过结合非极大值抑制和自适应阈值生成,实现了双阈值分割操作,并利用三位独热码标记边缘点可能性;通过多维特征匹配和差值评估,有效识别了大部分施工现场的安全隐患。在测试结果中,只有少数情况未达到100.0%,但有效识别次数均超过19次,显著提升了安全监测的准确性。

基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks,R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid,RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。

面向跌倒行人的MP-YOLOv5检测模型

跌倒是高龄人群及复杂作业环境中工人死伤的重要因素,针对原始YOLOv5模型漏检、错检、小目标检测效果差等问题,提出一种MP-YOLOv5检测模型,自建跌倒行人数据集用于跌倒检测研究。为增强Backbone的特征提取能力,设计了深度自注意力变换模块(transformer C3,TRC3),运用多头自注意力(multi-head self-attention,MHSA)模型,拓展网络关注不同位置局部信息的能力,捕捉更丰富的上下文信息;针对原始模型feature map分辨率不足的问题,在YOLOv5原有的模型上增加1个prediction head用于小目标检测,使模型更敏锐地识别小目标;为削弱复杂背景对网络特征提取的干扰,提出一种改进的压缩和激励网络(squeeze-and-excitation network,SENet),有助于网络更精确地关注跌倒姿态;引入软非极大值抑制(soft non-maximum suppression,Soft-NMS)替换YOLOv5原始的NMS降低了漏检率。实验结果表明,在不影响算法识别速度的情况下,MP-YOLOv5跌倒行人检测训练集的mAP从97.62%提升至98.87%,证明了MP-YOLOv5模型比未改进的YOLOv5模型更能满足行人跌倒检测的要求。

基于改进YOLOv7的道路目标检测方法

针对现有方法在道路场景中实施目标检测时存在对小目标检测精度低、泛化性能不佳等问题,提出一种基于YOLOv7的改进方法。在特征融合结构中,引入通道注意力机制来抑制更多负样本参与特征学习,同时在融合层末端输出四个尺寸的特征图,以强化对小尺寸目标的检测精度;使用改进K均值聚类(K-means++)算法生成与真实目标宽高更贴合的锚点框,让模型在训练前期快速收敛;最后在检测输出端使用软性非极大值抑制算法,精准检测重叠度较高的目标。以开源中国交通标志数据集(CCTSDB)与腾讯-清华100K(TT100K)数据集混合构建训练与测试数据集,实验结果表明,与原始YOLOv7相比,改进后模型在m_(AP)@0.5、m_(AP)@0.5:0.95指标上分别提升7.9%与5.6%,同时检测速度仅有少量下降,但仍能完成实时检测,同时在不同场景下保持性能稳定,充分证明了本文所提方法能够在复杂道路场景下开展多类目标的快速精准检测。

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架.构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用.结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的.引入软阈值非极大值抑制(Soft-NMS)算法,改善簇状果实结构中检测框被误剔除的情况.与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.

改进的自适应Canny边缘检测算法

传统Canny边缘检测容易受到环境噪声和光照条件变化等外界因素的影响,导致检测效果不佳,而且需要人工选择参数,算法的灵活性较低。为了提高传统算法的检测效果,使其更好的应用到图像识别等领域中,通过最大类间方差法来获得图像梯度量的最佳分割阈值,动态确定边缘检测的高低阈值参数,能够有效解决传统算法的不足。将改进后的算法用于家用仪表计度轮图像的边缘检测中,与传统算法相比,既去除了噪声干扰,又保留了完整的图像边缘,在取得了良好的检测效果的基础上提高了算法效率。

一种改进的Canny边缘检测算法

针对噪声对图像边缘检测的影响,为抑制虚假边缘,提出了一种改进的Canny边缘检测算法。该算法首先采用分数阶差分方法来计算梯度,同时利用相邻像素的梯度及其梯度差两种信息来改进非极大值抑制过程,最后通过迭代计算的方法,自适应确定梯度图像的分割阈值。试验结果表明,改进算法的抗噪声性能与传统的Canny边缘检测算法相比有明显优势,提高了图像边缘检测的准确度。

一种基于统计的图像边缘检测方法

提出了一种基于统计的图像边缘检测方法。它首先通过计算图像中每一点的梯度向量以及方差—协方差矩阵,然后对每一点的梯度向量进行非极大值抑制,最后使用统计的方法求出局部标准化梯度阈值来检测图像的真实边缘。通过与经典的边缘算子相比较,该方法不仅能很好地检测出图像的真实边缘,而且有效地抑制了虚假边缘的产生,取得了良好的效果。

基于局部熵和方差调整的Noble角点检测算法改进

为了提高角点检测精度,增强算法对伪角点的抑制能力,在Noble算子的基础上充分考虑图像不同区域间灰度统计特性的差异,提出了一种基于局部熵和方差调整的Noble角点检测改进算法.该算法首先选择角点响应函数阈值以及非极大值抑制邻域大小的初始参考值,然后根据区域熵与区域方差分别估计这两个初始参考值的局部调整系数,最后用调整系数对随后的参考值进行加权,获得自适应于真实信号结构的局部阈值以及局部非极大值抑制邻域大小.实验结果表明,所提算法能够精确地检测出大部分真实角点,有效地消除伪角点的干扰.

基于改进的Harris算法检测角点

传统的Harris角点检测算法检测效果比较理想,也有较高的重复率,然而其角点提取的效果几乎完全依赖于非极大值抑制过程中阈值的设定,当参数不改变时,并不具有旋转不变性。文中提出了一种改进的Harris算法,通过二次非极大值抑制,有效地避免设置阈值这一难点;同时,在不改变任何参数的情况下,明显地减小了图像旋转前后角点提取的差异。通过对比实验表明,本算法简单易操作,提取角点非常有效,相较于传统的Harris算法具有更好的角点检测性能。