基于空间分布特性和局部复杂度的显著目标检测算法

目前的视觉注意显著区域检测算法,主要依赖像素间的相互对比,缺乏从全局角度对显著目标的分析理解。依据显著目标是显眼、紧凑和完整的思路,提出一种基于目标空间分布特性和局部复杂度的无监督视觉注意显著目标自动提取算法。首先根据局部区域与其多个尺度邻域的对比,得到亮度显著图;然后利用颜色信息的显眼性、空间分布和区域一致性得到颜色显著图;同时通过对方向的空间分布和局部复杂度进行多尺度分析得到方向显著图;最后通过显著值的空间分布和面积增强因子相结合的融合策略得到输入图像的显著图,根据显著区域确定感兴趣区域位置,在基础上完成目标检测。将此方法应用于各类具有不同特点的彩色图像进行仿真实验,得到较好的检测结果,表明该算法是切实可行。     

复杂背景下序贯显著性特征海面目标检测算法

根据人眼视觉显著性注意机制，提出基于序贯显著性特征的目标识别算法，把复杂背景下的目标识别问题转化为多特征的融合识别，将目标识别过程分成感兴趣区域检测和感兴趣目标检测两个子过程，并建立序贯显著性特征目标识别算法模型，序贯提取复杂图像区域的显著性特征，逐步缩小感兴趣区域范围，然后以基于D-S证据理论的多特征数据融合方法，通过多特征综合置信度的估计与分析，完成可靠的目标识别．试验研究表明，针对复杂背景下海面舰船目标，在相同的虚警概率下，该算法的检测概率比单一的不变矩算法和基于纹理特征算法平均要高20％．     

多方向加权TV和变换域非局部正则化图像去模糊

针对传统全变差(TV)去模糊对噪声敏感且细节恢复能力有限等缺点,利用边缘检测对传统TV模型进行改进,并受空域非局部自相似性正则化思想启发,将图像的变换域非局部自相似性约束融入去模糊模型,提出一种基于边缘检测的多方向加权TV和变换域非局部正则化的图像去模糊方法.首先,运用边缘检测将中心像素邻域内的像素对划分为同侧像素对和异侧像素对,对不同类型的像素对采用不同的权重,在去模糊的同时尽可能保持图像边缘等细节特征;其次,为充分利用先验信息,将变换域非局部正则化约束融入到改进的TV模型,进一步改善图像视觉质量;最后,对新模型进行有效求解.实验结果表明,本文算法在去模糊的同时可更好地保留图像的边缘、纹理等细节特征.     

基于投影直方图提取目标感兴趣区域的新方法

提出了一种基于灰度投影直方图获取单幅检测样品的目标感兴趣区域的方法,并利用鲁棒的图像匹配算法生成参考图像.首先,采用改进的灰度投影直方图法获得单幅图像的检测样品感兴趣区域,建立感兴趣区域提取模型;其次,利用基于形状的特征匹配算法学习样品图像,生成印刷品检测的参考图像,在此基础上,提出基于图像金字塔数据结构的分层匹配方法.实验结果表明,该方法能够在87 ms内获取首张图像样品感兴趣区域,并且图像匹配过程对图像之间存在的明暗程度、旋转变化等干扰具有良好的鲁棒性,匹配精度可达95%,匹配时间为152 ms,可快速准确地生成参考图像.     

基于亮度感知的前景提取

前景提取是在图像整体认知基础上将感兴趣对象分离出来,本文联合图像亮度视觉感知和水平集方法提出了一种基于亮度感知的前景提取模型。该模型依据像素对的亮度视觉相关性,联合视觉区域内相似性和区域间的差异性,设计了亮度感知能量泛函,运用瑞利熵求解能量泛函得到视觉区域,利用视觉区域特征驱使初始曲线演化至前景轮廓。相对于传统算法,该模型运用图像视觉特征有利于从图像的整体认知上提取前景,提高了水平集方法的前景提取质量。     

基于视觉注意机制的红外弱小目标检测

提出了一种基于视觉注意机制的红外小目标检测算法.通过形态学Top-hat算子对图像背景进行抑制,并根据目标与周围背景的对比度不同生成显著图后分割出目标感兴趣区,在感兴趣区域内对每帧图片在尺度空间采用Dog算子处理提高图像信杂比,获得具有较大信杂比的点.为避免目标在帧中消失,采用PID算法跟踪目标点,在可疑目标点周围小区域内采用视网膜皮层理论(Retinex)算法对图像局部区域增强再重新分割出目标.实验证明:该算法能有效对红外小目标进行检测,算法在不同背景的图像检测性能都趋于稳定,当目标融于背景时,能很好地将红外目标检测出来.     

基于全局和局部卷积特征融合的车辆目标检测

复杂环境下现有的车辆检测算法容易受尺度变化、遮挡以及复杂背景等因素影响,检测效果不理想,提出了一种融合全局和局部深度卷积特征的车辆检测算法。基于卷积神经网络构建车辆检测网络模型,通过建立多尺度感兴趣区域池化层(ROIPooling)获得图像整体结构和上下文信息,提取出目标的全局特征,并利用位置敏感感兴趣区域池化层(PSROIPooling)提取出目标局部特征,在全连接层处对全局和局部特征进行加权融合,最后通过多任务学习联合预测出车辆位置和类别。实验结果表明全局和局部特征具有较好的互补性,与多种主流检测算法相比,本算法具有更强的鲁棒性和准确性。     

一种新的图像感兴趣区域的提取方法

对于Itti的显著图模型的感兴趣区域检测方法中,存在的检测结果与视觉感知有差异以及转移过程中同一目标内出现多个感兴趣区域检测结果等问题,引入灰度尺度变化特征和CV模型,以使感兴趣区域检测结果更符合人的视觉感知。实验结果表明,该算法检测到的感兴趣区域与人的视觉感知结果吻合率为77.6%,高于Itti模型的72.8%。     

基于显著性检测的图像简化

图像简化作为机器视觉、计算机视觉中的一项重要任务,对于提高网络传输效率、加速视觉算法分析处理具有重要意义.针对传统图像简化模型中存在的目标、背景不加区分及尺度效应等问题,提出了一种新的基于显著性检测的图像简化模型,模型首先采用MB+显著性检测算法计算图像的目标显著区域,然后在CIE Lab颜色空间中对L波段上的背景区域进行快速水平集变换,最后按照设定准则合并背景中的非主导区域并输出简化后的图像.     

基于视觉注意机制的红外小目标检测算法

提出了一种基于视觉注意机制的分层阈值化红外小目标检测算法.在采用形态学处理和Gamma校正对图像进行预处理的基础上,通过分层阈值化和连通域分析提取感兴趣区域(ROI),利用高斯滤波提高ROI的信杂比并确定候选目标,最后通过移动式管道滤波剔除伪目标,实现运动小目标的准确定位.实验表明该算法能有效地检测出小目标,且对于低信噪比的图片具有良好的适应性.     

基于视觉注意机制的视频监控中海上舰船目标检测

当天空、海面和岸上建筑等自然背景比较复杂时,容易干扰视觉注意的对象,而影响舰船目标的检测。本文提出了一种改进的视觉注意模型来检测海上舰船目标,首先利用小波变换获得舰船目标图像的高频特征和低频特征;然后利用改进的Top-hat滤波器抑制云雾和较强的海杂波,采用改进的Gabor滤波器得到方向特征,采用离散矩变换（DMT,discrete moment transform）得到边缘纹理特征;同时将图像进行色彩空间转换,由HSI（Hue-Saturation-Intensity）空间提取图像亮度、色调和饱和度来构成运动特征和颜色特征;最后将各特征图通过加权线性融合得到兴趣图,通过自适应阈值分割出舰船目标区域。实验证明该舰船目标检测算法具有较好的检测效果。     

基于显著点提取的红外弱小目标检测

根据人类视觉感知理论,采用bottom-up控制策略的预注意机制和top-down控制策略的注意机制,提出了一种适用于自动目标识别的目标检测算法.该算法首先对输入图像进行非均匀区域分割,根据对象的显著性特点,在已分割好的各个区域提取出显著性点作为潜在目标点,得到潜在目标点集合,之后采用改进的双滑窗算法对这个集合进行更为细致的识别,剔除伪目标,检测出真实目标.实验表明,该算法具有良好的检测效果,预注意机制有效降低了算法运行的时间,改进的双滑窗算法使得检测的鲁棒性更强,对于目标区域带有运动阴影的红外图像以及复杂背景下的红外图像均能进行正确的检测.     

基于深度学习的葡萄果穗检测

果穗检测是农业自动化采摘作业的热门关键技术。针对成熟期葡萄易腐烂、成熟状况不一,以及葡萄果园背景复杂、光照条件多变的问题,基于YOLO v5s算法提出一种轻量化改进的检测识别方法。首先,采用Efficientnet-v2网络作为特征提取主干并在其中融合了不降维局部跨信道交互模块,在保障精度的前提下大幅度缩减模型大小以及参数量,加快模型推理速度;其次,为了进一步弥补模型简化造成的精度损失,在模型特征融合关键位置引入坐标注意力模块,强化对目标的关注度,提升模型应对密集目标检测以及对抗复杂背景干扰的能力,保障算法的综合性能及可靠性。实验结果表明：改进后的算法平均准确率达98.7%,平均检测速度为0.028 s,模型大小仅为12.01 MB,相较于改进前的算法准确率提升了0.41%,检测速度快了22%,模型减小了13.2%。在果园场景图像检测测试中,所提出算法能够良好地检测出葡萄果穗并辨别其状况,对不同环境影响也具有较强适应能力,为自动化采摘技术的发展提供了参考。     

基于多特征融合的显著性跟踪算法

针对在线视觉跟踪中的高效特征提取以及模型漂移的问题,提出了一种基于显著性检测的核相关滤波器(KCF)跟踪算法。将颜色特征(CN)和方向梯度直方图(HOG)进行加权融合;并自适应地调节每种特征的权重。对于模型漂移问题,受生物视觉机制的启发,通过视觉显著性算法获得目标的显著区域;并在该区域内进行采样,实现了全局范围搜索,避免陷入局部极大值。此外,引入了一种基于关键点的模型来解决目标尺度固定的问题。为验证提出算法的有效性,在50个视频序列上与近年来的5种优秀算法进行了对比。实验结果表明,与以往算法相比,该算法在成功率和中心位置误差上都取得较好的效果;而且能有效地缓解目标模型漂移问题。     

复杂背景下改进的红外弱小目标检测

许多研究者关注红外弱小目标检测领域并进行过种种探索，然而复杂背景下检测的难题始终未得到满意的解决。复杂背景下的杂波难以消除，目标检测无法得到显著结果。为此，本文提出了一种基于高升压滤波器的加权三层窗口目标检测算法HB-WTLLCM（High-Boost Weighted Tri-Layer Local Contrast Measure），针对复杂背景的目标检测进行目标增强，从而提高检测率。本文算法首先利用改进的高升压滤波器对红外原始图像进行预处理，再利用三层嵌套窗口，根据目标形状进行局部对比度增强。最后引入一种基于复杂度评估的加权算法，进一步进行目标增强和随机噪声抑制。实验数据显示，本文提出的算法相比于主流算法在多建筑、多树木的复杂背景下目标增强能力更强，检测率更高。上述结果提示，本文提出的HB-WTLLCM算法对于复杂场景下红外弱小目标进行检测具有一定优势。     

基于改进的自适应混合高斯背景模型的车辆检测方法

针对静止摄像机条件下运动车辆的检测问题,提出一种改进的自适应混合高斯背景模型的方法.该方法初始时通过三帧差分法判断运动目标所在区域,运用提出的区域背景更新算法生成初始背景图像,然后在Stauffer等人提出的自适应混合高斯背景模型的基础上融入帧间差分和背景差分相结合的方法用于判定运动目标区域和背景区域,通过对背景区域和运动目标区域设置不同的学习率来更新背景模型,提高了模型的收敛速度.实验结果表明,同传统检测方法相比,改进的算法能较快地初始化背景模型并能有效地检测出运动车辆,有较强的鲁棒性和较好的自适应能力.     

图像亮度特征对ROI提取的影响

提出一个基于改进的Itti-Koch模型的感兴趣区域(Region of interest,ROI)提取算法,同时针对图像亮度特征对ROI提取的影响问题,从2个方面进行分析研究:一是根据不同亮度权重下提取的ROI,分析亮度特征对ROI提取的影响程度;二是对眼动数据提取图像的ROI和基于改进的Itti-Koch模型提取的图像ROI进行区域评价,计算两者之间的点对点区域相似度和位置区域相似度.研究结果表明:当亮度特征和颜色特征同时影响图像ROI提取时,亮度特征所占权重不宜超过0.5.     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

基于视觉显著度的H.264冗余片编码技术

针对现有显著度模型不能同时兼顾快速运动场景和慢速运动场景的问题,对显著度模型建模方法中的运动特征提取算法进行改进,提升运动显著度子图的精确性。在此基础上,考虑到人眼视觉系统对图像局部内容更关注的特点,将改进的显著度模型用于H.264视频的冗余片编码技术中,对图像中人眼关注的区域进行冗余片编码,从而提高视频流的传输容错能力。实验结果表明,该技术在丢包网络中能明显提高解码图像的主客观质量。     

一种基于视觉感知的复合医学图像分割算法

为提高医学图像分割的视觉效果,依据人类视觉感知的分层特性,提出了一种新的复合医学图像分割方法.该方法通过提取医学图像的底层特征,利用Fuzzy-ART神经网络作为像素的分类器,对医学图像进行连续两次分割.实验结果表明,该医学图像分割方法能有效地解决局部信息与整体分布边缘淡化等相关问题,达到良好的分割视觉效果.