SURF算法并行优化及硬件实现

加速鲁棒特征（SURF）算法计算复杂度高、硬件实现需要大量的逻辑和存储资源, 且描述符构建过程难以并行实现、无法满足实时性要求. 针对上述问题, 提出一种SURF 算法的并行优化方法, 并给出基于FPGA 器件的硬件实现方法. 首先采用圆形特征区域和径向梯度变换等方法实现旋转不变性, 达到取消主方向计算和特征区域旋转的目的, 实现SURF 算法从积分图像计算到描述符生成的全过程并行优化; 然后基于FPGA 器件, 采用多存储器和多路并行流水结构实时实现SURF 优化算法. 对比实验结果表明, SURF 优化算法的匹配性能与SURF 算法相当, 虽然匹配点数比SURF 算法低5%-20%, 但匹配正确率比SURF 算法高5%-10%; SURF 优化算法硬件实现仅采用13.5MHz的时钟, 对于分辨率为720×576 的视频流, 处理速度达到25 帧/s, 满足了实时性要求.

一种改进的图像局部不变特征提取方法

针对传统局部特征提取算法在提取特征点时效率不高,生成描述子需要计算主方向等问题,结合SURF算法和RGT(Radial Gradient Transform),在精度损失尽可能小的情况下提高局部不变特征提取速度,提出一种改进的AR-SURF(加速径向SURF)算法。该方法在特征检测阶段,在定位特征点时减少构造尺度空间时所计算的响应层个数,将求取对应点响应放在定位阶段。在特征描述阶段,取消确定主方向的过程,将特征点周围区域的Haar小波响应进行RGT变换,然后将特征点周围区域划分为多个同心圆,并统计特征点周围圆形区域内的响应结果,最后利用小波响应结果得到旋转不变的特征描述子。实验结果表明,AR-SURF算法节省了时空损耗,提升了定位速度,提取效果更好,更加合适于海量图片处理。

结合多尺度视觉显著性的舰船目标检测

光学遥感图像海面舰船目标检测易受云雾,海岛,海杂波等复杂背景的干扰。本文提出了一种适用于复杂背景的舰船目标检测方法。首先为了克服目标尺度多变问题,利用视觉显著性生成多尺度显著图,然后使用基尼指数自适应选择最优显著图。考虑到全局阈值分割算法带来的漏检测问题,提出一种新的方案来分离目标和背景像素点。利用图像膨胀原理获取显著图的局部极大值点,然后使用k-means算法判断极大值点属于目标像素点还是背景像素点。接着对目标点邻近区域进行精细分割。最后引入基于径向梯度变换的旋转不变特征来进一步剔除虚警。实验结果表明,该算法能够成功检测出不同尺寸和方向的舰船目标,有效克服复杂背景的干扰。算法检测正确率93%,虚警率4%,优于其他舰船检测方法。

目标鲁棒识别的抗旋转HDO局部特征描述

主方向直方图(Histograms of dominant orientations,HDO)是一种简单但性能优良的局部图像描述子,但是,原有的HDO特征描述不具备旋转不变性.本文提出一种抗旋转变换HDO特征描述方法,在进行RGT(Radial gradient transform)变换后,采用圆形邻域计算给定位置的结构张量,使得求取的主方向和一致性特征分量具备一定的旋转不变性,最后为增强辨别能力,采用了多扇区划分空间池化操作.在公开的MIT人脸数据集中的测试结果显示,如果图片不旋转,本文方法准确率与传统的HDO算法基本持平,达到92.10%,但当样本图片旋转后,本文算法准确率比传统HDO算法高10.36%.此外,在行人数据集、合成的旋转手掌和旋转人脸识别实验中,本文方法的检测结果也明显优于传统的HDO算法.另外本文方法在53Objects、ZuBuD和Kentuky三个数据集上的识别性能也优于大部分现有抗旋转算子.

旋转角可变的人体检测算法

常用的人体检测算法多应用于无旋转角的情况,而在旋转角可变的情况下检测性能有限,为此提出了一种适用于有旋转角的人体检测算法。首先,通过径向梯度转换(RGT)获得具有旋转不变性的梯度;其次,使用类似于梯度方向直方图(HOG)特征中相互重叠块的组合方式,获取多个带有旋转角信息的特征描述子,按旋转角大小将它们一维线性连接成具有旋转不变性的特征描述子组;最后,利用基于支持向量机(SVM)的二级级联分类器实现了带旋转角的人体检测。基于INRIA行人数据库的144个不同旋转角的人体测试集检测率都不低于86%,144个不同旋转角的非人体样本误检率均低于10%。实验证明了该算法可用于在任意旋转角图像上进行人体检测。

基于经验小波变换和梯度提升径向基的变压器油中溶解气体预测方法

电力变压器是电力系统的关键设备,其运行状态与电网稳定性密切相关。变压器油中溶解气体分析(dissolve gas analysis,DGA)是判断其运行状态的重要方法,预测变压器未来时刻的油中溶解气体含量,可以辅助运维人员判断变压器未来的运行趋势,提前掌握运行状态确保稳定运行。然而,由于油中溶解气体的产生机制复杂且受到变压器特殊运行工况、严苛运行环境、复杂电磁环境等因素的影响,油中溶解气体时间序列将呈现非线性和非平稳性的特征,传统的基于回归拟合模型的预测方法很难挖掘时间序列的这些特征,从而导致预测准确性较低,无法用于对变压器运行状态和故障的预测和诊断。为了解决上述问题,该文利用经验小波变换将具有非线性和非平稳的油中溶解气体时间序列分解为多个复杂度较低的分量,使得预测模型更易挖掘其变化特征,随后,以径向基函数神经网络作为基学习器构建了梯度提升径向基,将径向基函数神经网络的最佳逼近、避免局部最小等优点与梯度提升机强大的监督学习能力相结合,实现对油中溶解气体分解分量潜在规律的深度挖掘,并最终实现对油中溶解气体数据的精准预测。基于现场在运变压器对所提方法进行验证,结果表明:对于单台变压器预测准确率可达98.30%,对于某区域电网内的全体变压器准确率可提升9.01%,且可以实现对变压器故障的准确预测。