基于自适应非最大抑制的Harris角点检测算法

本文提出一种基于自适应非最大抑制策略的Harris角点检测算法;算法从角点响应函数的局部极大值入手,计算图像中每个像素点的局部极大值通过设置抑制半径与角点响应函数的局部最大值关联最终获取角点。实验表明,该算法检测出的角点均匀分布,提高了检测角点的准确性,算法能够应用于图像特征匹配、运动估计等方面。

自适应非最大抑制的Harris角点检测算法

针对Harris角点检测中存在角点聚簇以及阈值选择困难的问题,通过分析Harris角点检测算法的实现原理,提出了自适应非最大抑制的Harris角点检测算法。该算法首先检测角点响应函数值为局部最大值的像素点,其次对所有局部最大值进行由大到小排序并且设置一个抑制半径,通过不断减小抑制半径提取角点,有效避免了Harris角点聚簇的现象,实现Harris角点在图像空间的均匀分布。同时,该算法能够解决阈值选择困难的难题,增强了算法的适应性。实验结果表明,该算法检测出的Harris角点在空间分布更加均匀合理,能够很好的适应图像拼接、运动估计等实际应用。

基于非最大抑制聚类的视频人数估测方法

对于基准背景已知的固定场景,提出估测人数的四步框架,相比2010年D.Conte等的结果显著提高远距离人群的估测精度.精度提高的主要原因在于"非最大抑制聚类",这种基于密度的聚类方法对不同拍摄距离的人群采取不同的聚类标准,避免类过大造成的后续问题.PETS2010数据库的实验表明,远距离高密度人群因被分为多类,估测精度明显提高.

基于过渡区提取的多阈值图像分割

对基于过渡区提取的多阈值图像分割算法进行了研究 .首先使用局部熵方法提取过渡区 ,然后构造对称非最大抑制滤波器检测过渡区直方图的多个峰值 ,最后使用考虑差异度与位面数的代价函数决定最优类别个数及多分割阈值 .实验研究表明 ,算法得到的阈值准确、稳定 ,较好地解决了基于过渡区提取的图像分割方法中的多阈值分割问题 ,同时也为多阈值图像分割提供了一种新的思路 .

基于Haar与MB-LBP特征的车牌检测算法

针对传统AdaBoost算法中训练耗时及权值扭曲现象,提出了一种融合Haar和MB-LBP特征的车牌检测算法.首先,分别计算使得分类误差最小的Haar与MB-LBP特征,经比较2种特征的误差,选择最优的特征构成弱分类器,并利用AdaBoost算法将各弱分类器进行有效的级联;其次加入了权重阈值,调整了样本权值的更新规则,避免了训练过程中权值扭曲现象.该算法用于检测图像中的数字0～9,利用非最大抑制合并检测到的数字区域,通过车牌的灰度跳变特征过滤候选区域,更精确地定位车牌.实验表明,该方法有效地缩短了训练时间、减少了特征的个数、避免了训练中出现的权值扭曲现象、检测率较高且误检率较低.

一种自适应Harris角点检测算法

针对传统算法检测效果不理想的问题,提出了一种基于自适应非最大抑制策略的Harris角点检测算法;通过设置抑制半径与角点响应函数的局部最大值关联,减小抑制半径获取角点。算法有效解决了阈值选取和"聚簇"的问题。实验表明,该算法检测出的角点均匀分布,能很好地适应特征匹配等实际应用。

一种基于多尺度梯度的边缘提取方法

通过扩展传统的基于梯度的边缘提取方法,提出一种新的简单有效的边缘提取方法。根据梯度在边缘处的响应,基于不同尺度的梯度的有机结合得到一种新的边缘特征定义。该表示方法具有自适应性,然后结合非最大抑制的思想得到响应大的位置,即自适应地将局部极大信息确认为边缘,从而得到具有鲁棒性的边缘提取结果。实验表明,该算法的性能优越,对噪声不敏感。

一种用于精密样板检测的边缘提取方法

为了能够快速有效地检测精密样板的廓形,基于Canny理论提出了一种边缘提取的方法,该方法在保持Canny算法优点的同时,通过修正高斯边缘滤波函数提高了边缘的定位精度,通过使用Sobel算子计算梯度消除了局部噪声的影响,通过使用一维线性插值计算梯度方向上点的梯度幅值,使用动态阀值进行图像分割,减少了Canny算法的空间复杂度和时间复杂度。实验证明该方法能够高效地提取单像素宽度的二维轮廓,如果使用高分辨率的工业摄像机拍照,就可以代替三坐标测量仪检测精密模板。

向量总变分耦合色彩差异的图像边缘提取算法

针对彩色图像边缘提取算法产生伪边缘和间断边缘的不足,提出自适应向量总变分与色彩差异的彩图边缘提取方案。根据图像梯度值与幅值,定义一种自适应向量总变分(vector total variation,VTV)去噪模型,降低噪声对边缘的影响;将图像变换为CIELAB空间,计算其色差和方向;对于不同色差与方向,采用不同的Sobel算子,借助非最大抑制方法(non-maximum suppression,NMS)优化边缘,搜索更多边缘点;利用自适应双阈值(double threshold,DT)提取彩色图像边缘。实验结果表明,与当前图像边缘提取技术相比,所提算法具有更优的检测结果,以及更高的边缘评价因子F与更低的Baddeley误差。

自适应多尺度Canny边缘检测

Canny边缘检测算法中有个可以改变的自由参数,该参数具有内在的尺度意义。根据图像自适应地确定该参数所在的尺度集合,在每个尺度上进行Canny边缘检测,然后组合它们的输出结果以获得理想的边缘。自适应多尺度Canny边缘检测算法可以得到抗噪性能和细节保持兼顾的良好边缘。实验结果表明,与Canny边缘检测相比,该算子检测的图像边缘比较清晰,具有较高的信噪比,而且用来检测含白噪声图像的效果也相当理想。

基于统计的边缘阈值检验方法

本文提出了建立在统计分析的基础上边缘阈值检验方法,每个像素的阈值由像素处的梯度矢量的统计特性决定,这些梯度矢量的统计量用来确定边缘像素选取是否合理,从所获得的结果来看,该方法与以往的边缘检测方法不仅是一致的;而且该方法输入参数值产生的结果比其他边缘检测方法更稳定。

一种基于统计的边缘阈值检验新方法

提出了建立在统计分析的基础上边缘阈值检验方法,每个像素的阈值由像素所处的梯度矢量的统计特性决定,这些梯度矢量的统计量用来确定边缘像素选取是否合理,从所获得的结果来看,该方法与以往的边缘检测方法不仅是一致的;而且,该方法输入参数值产生的结果比其它几种边缘检测方法更稳定。

一种基于SIFT的三角网格图像匹配方法

针对影像对匹配过程中,由于场景复杂,干扰严重,导致错误匹配率较高的问题,提出一种在三角形约束下,基于SIFT(Scale Invariant Feature Transform)算法的图像匹配策略。该方法大致分两步进行,首先是粗匹配,使用SIFT算法和Harris选择区别度较高的特征点,得到良好特征点集。第二步为细匹配,根据良好点集建立Delaunay同名三角网格,对同名三角形再次使用SIFT算法提取特征点进行匹配。实验表明,提出的算法一定程度上提高了特征点复现率和匹配准确率。

经典Canny边缘检测的量子实现

为解决量子图像的边缘检测问题,研究了Canny边缘检测在量子计算机上的具体实现方法。该方法采用移位、堆叠、加权和并行实现高斯平滑滤波和Sobel锐化操作。针对边缘检测所需的梯度和角度计算,通过引入灰度值的二进制补码描述,设计了符号数的加法、乘法和除法等新的算子。针对边缘检测所需的非最大值抑制和双阈值处理,通过引入量子补码比较器分别设计了实现这些任务的量子电路。复杂度分析表明,与经典的Canny边缘检测器相比,量子Canny边缘检测器具有指数级的加速。经典计算机上的仿真结果验证了提出方法的有效性,从而揭示出融合经典图像处理方法研究Canny边缘检测量子实现的研究思路是可行的。

改进Faster-RCNN的低空小型无人机检测方法

低空空域中小型无人机具有尺度小、数量多等特点,导致其纹理特征难以提取,现有的深度学习经典检测算法对此类目标的检测精度较低。针对该问题,提出一种改进的Faster-RCNN模型。以ResNet50为前置特征提取网络,对原图逐层进行特征提取,得到多层特征图;再对特征图使用双线性差值方法进行上采样,并将各层特征图对应融合;最后输入RPN层进行二分类与边框回归,同时在感兴趣区域层利用soft-nms算法优化冗余锚框,调整待检测物的位置信息,减少漏检情况。实验结果表明,Faster-RCNN算法优化后,在自主采集的无人机数据集上针对小目标的查准率和查全率分别提高了11.2%和27.9%。

基于注意力机制的NMS在目标检测中的研究

非最大值抑制算法是目标检测中选择定位准确框的主要算法。针对算法仅以分类得分作为标准可能去除得分低但定位准确的预测框,并且对于有遮挡的情况更不友好的情况,提出了A-NMS方法。该方法将注意力机制融入非极大值抑制算法中,利用位置信息与框的得分信息相结合来调整框的最后得分。此外,还提出了改进的基于距离的交并比损失函数,重新定义了损失项,并将其引入到非极大值抑制中代替IOU来计算框间的交并比。最后将两种改进算法融合到3种经典的目标检测中,在Pascal-VOC 2012和MS-COCO 2017数据集上对上述两种算法进行了验证,结果表明检测精度得到了1%~2%的提升。

Norm-DP模型行人检测优化算法

传统深度金字塔模型作为一种有效的行人检测算法备受关注,融合可变形部件模型和卷积神经网络模型,但特征提取部分使用的算法像素区域的大小不同,导致模型之间不能完全融合,在行人数量多、姿势复杂和有遮挡情况时的检测效果不理想。因此,提出一种基于规范化函数的深度金字塔模型(Norm-DP)算法,使用规范化函数融合可变形部件模型和卷积神经网络模型,直接从金字塔特征中提取正负样本,使用隐变量支持向量机进行模型训练,结合柔性非最大抑制(soft-NMS)算法和边界框回归(BBR)算法对定位框进行优化。分别使用INRIA和MS COCO数据集进行实验验证,在行人数量多、姿势复杂和有遮挡情况时,检测精度高于最优的可变形部件模型算法、卷积神经网络算法、深度金字塔模型算法和结合区域选择的卷积神经网络算法。

一种改进的线搜索式角点检测方法

针对线搜索式角点检测方法在对实际图像进行应用时检测效果的不足,提出一种角点优先级的判别函数,应用自适应非最大抑制(ANMS),并结合二次过滤器来提升检测速度并控制角点数量,使检测出的角点均匀分布,避免角点聚簇的现象。实验结果表明,改进后的算法能使角点检测更为迅速且分布更为合理均匀,能够很好的适应图像拼接等实际应用。

基于分数阶差分滤波器的边缘检测算法

针对边缘检测中存在的噪声敏感性问题,基于分数阶差分滤波器,并结合非局部最大抑制和双阈值分割方法,提出了一种改进的边缘检测算法。先介绍分数阶差分滤波器的设计原理并分析了滤波器长度和阶次的选择,再结合非局部最大抑制原理以及双阈值分割法,给出了改进算法的边缘检测步骤。由实验分析可知,在有噪声情况下,改进的算法比Sobel算法、Canny算法和LOG算法具有更高的峰值信噪比,得到更好的边缘检测效果。

高速公路场景下的车辆检测

随着智能交通的不断发展,高速公路上的视频监控在交通管理中的应用越来越多。高速公路上的车辆数量逐年增加,其中监控路段图像中采样时刻的车辆数量对于交通调查、路段拥堵检测等有重要参考作用。本文采用消失点三维标定,将高速公路检测场景进行归一化,使用车头的HOG特征,通过SVM进行训练,对高速公路场景下的车辆进行了高准确率的检测。