基于SURF-HOG与显著性特征的红外可见光图像配准融合

针对现有红外与可见光图像配准不精确,边缘及细节纹理缺失,融合时间较长,不能突出重点目标等不足,提出一种基于SURF-HOG描述符与红外显著性特征的红外与可见光图像融合方法。首先,在红外与可见光图像配准阶段,在SURF(Speed-Up Robust Features,SURF)框架内构建基于HOG(Histogram of Oriented Gradient,HOG)的特征点描述符,并通过NNDR(Nearest Neighbor Distance Ratio,NNDR)进行红外与可见光图像的特征点匹配;其次,在显著特征提取阶段,先通过四叉树算法对源红外图像分解,然后通过贝塞尔插值法重建红外图像背景,接着分别对红外图像中的背景及目标进行自适应抑制以提取目标红外显著性特征;最后,结合已配准的可见光图像与重建后的红外图像以获取最终融合结果。实验结果表明,所提方法对不同场景下的红外与可见光图像具有较高的配准精度,不同场景下的融合结果不但主观视觉上具有显著的目标特征,同时背景纹理和边缘细节清晰,整体对比度适宜,运行时间最短,并且在客观评价指标上也取得了较好的效果。

基于互补特征合成的医学图像自动标注

针对图像匹配过程存在的精度较低问题,提出一种基于特征融合提取机制的医学图像深度神经网络自动匹配的方法,它可以非常有效地用于医学图像序列的识别和分类。首先,基于图像快速鲁棒特征(Speed Up Robust Feature,SURF)和梯度直方图特征(Histogram of Oriented Gradient,HOG)对图像进行预处理,并提出互补特征不确定性融合,形成主要描述形状和兴趣点两方面视觉感受的特征描述符;其次,基于深度神经网络分类器进行图像特征匹配,并针对深度神经网络隐藏层级较多,计算效率不高的问题,提出基于Hessian矩阵优化的改进深度神经网络,并应用于上述图像匹配过程。实验表明,该方法在数字医学图像匹配方面具有较高精度,可用来构造医学图像自动匹配系统。

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD(Tracking-Learning-Detection)算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题,提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本,其背景作负样本,获取手势HOG特征并投入到卷积神经网络中加以训练,得到手势检测分类器,从而确定目标手势区域,实现手势的自动识别;再利用TLD算法对手势进行跟踪与学习,对正负样本进行估计检测并实时校正,同时运用SURF特征匹配更新跟踪器。实验结果验证,该算法对比TLD经典算法跟踪精度提高了4.24%,增强了运动手势的跟踪效果,相比经典跟踪算法拥有更高鲁棒性。

基于Feature Forest的图像检索

基于语义树(Vocabulary tree)的图像检索方法是效果最好的方法之一,但目前存在的基于Vocabulary tree的方法都是建立在一种特征上的,当图像库比较大时很难达到理想的效果。基于此,提出一种多特征检索结果的融合框架Feature forest,根据各种特征的检索结果好坏动态确定对应特征树的权值。实验结果证明,相对于单种特征的特征树,该方法有一定的优越性。

基于消防安全疏散标志的高精度室内视觉定位

为解决室内交通无法利用GPS进行定位的问题,针对室内普遍存在并且均匀分布的消防安全疏散标志,研究了基于消防安全疏散标志的高精度室内视觉定位算法。以计算当前位置距离地图中最近的1个消防安全疏散标志地点的位姿为目标,利用消防安全疏散标志的颜色特性进行颜色阈值分割。结合方向梯度直方图(HOG)特征与支持向量机(SVM)检测候选框中是否含有消防安全疏散标志,然后用加速鲁棒特征(SURF)全局特征进行特征匹配,利用最邻近(KNN)方法选取全局特征距离最小的K个地点作为候选定位结果。用SURF局部特征进行特征匹配,选取局部特征匹配数目最多的1个地点作为图像级定位结果,并计算当前位置在地图中的位姿。通过在地下停车场和大型办公楼进行实地测试,图像级定位的准确率在96%以上,平均定位误差在0.6m以下。实验结果表明,该算法满足了室内定位精度的需求,并具有良好的鲁棒性。

基于特征算法的塔式光热电站镜场云识别技术研究

地表太阳辐照度是塔式光热电站稳定运行的关键影响因素。针对电站镜场云层遮挡会影响地表辐照度数值,带来设备安全与集热量之间的矛盾问题,利用全天空成像仪对镜场上空云层进行实时监测。结合Otsu、Surf和HOG算法,提出颜色、边缘和纹理组合视觉特征算法。根据真实采集云层图像对所提组合算法与单一算法进行准确率对比分析。结果表明,组合算法对各类云状识别准确率远高于单一算法,验证了所提方法的有效性和优越性。

一种基于邻域粗糙集特征选择的图像分类方法

在图像分类中,单一特征提取容易造成图像信息的缺失,而多特征融合则会生成大量的冗余特征,使得图像分类的准确率降低。针对上述问题,通过改进邻域粗糙集特征选择算法,使其可以处理多维的图像特征,并将该算法应用于图像分类中。利用HOG和SURF结合空间金字塔匹配模型,得到最终的图像描述;利用线性SVM类性能和鲁棒性。

基于多分辨率的动车车轴图像快速配准算法

为降低高分辨率图像配准的高耗时,优化动车组运行故障动态图像检测系统(trouble of moving emu detection system,TEDS),设计一种基于多分辨率图像的动车车轴图像快速配准算法。利用SURF(speeded up robust features)算子的旋转缩放不变性在低分辨率图像中进行粗配准,对经典的HOG(histogram of oriented gradient)算法进行优化,在高分辨率图像中利用优化了的HOG算法进行筛选及精确配准。实验结果表明,该算法提高了配准性能,加快了配准的速度。

基于机器学习的NAO机器人检测跟踪

为了解决对人形NAO机器人的检测跟踪问题,提出了一种机器学习与特征匹配相结合的方法。向梯度直方图(Histogram of Oriented Gradient)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,在行人检测中取得了较好的效果。将其应用于人形NAO机器人的检测跟踪,并结合Ada Boost算法通过机器学习的方法,从大量的训练样本中自动抽取HOG特征并建立级联分类器,利用分类器找出视频帧中含有机器人目标的区域,并在此基础上利用SURF(Speed Up Robust Features)特征匹配方法与模板图像进行特征匹配,以提高目标识别的正确率。实验结果表明,该方法对NAO机器人在室内光线无遮挡的情况下取得了稳定的跟踪效果。

基于车载视频监控的乘客检测及跟踪算法

针对公交车上乘客相互遮挡及光照变化明显的问题,提出一种基于头肩部边缘特征和局部不变特征的人体检测及跟踪算法。首先对待检测图像进行自适应阈值背景差分,实现乘客目标分割;然后用样本的梯度方向直方图(HOG)特征训练支持向量机(SVM)基础分类器,结合自适应增强(Ada Boost)算法提炼出最终的强分类器,对前景图像进行扫描实现乘客目标检测;最后提取目标区域和当前搜索区域的快速鲁棒性特征(SURF),通过特征点匹配实现乘客目标跟踪。实验表明,在乘客相互遮挡及光照变化明显的情况下,该算法仍具有高于80%的检测率和跟踪率,且满足系统实时性的要求,可用于客流计数。