深度图像的目标潜在区域提取算法

目标检测和识别算法通常使用复杂特征以多尺度滑动窗的方式进行分析,运算效率往往非常低。因此,目标性被引入进行目标潜在区域的快速预判断,减少复杂特征需要分析的窗数,从而达到加速算法效率的目的。针对逐步普及的Kinect深度像机,该文提出了一种基于深度图像的目标性分析算法,以提升深度图像的目标检测识别算法的效率。首先基于深度图像的法向量,提出能够有效描述深度图像边缘信息的特征,然后通过支撑向量机学习目标性的分类器,以得分的形式给出候选区域中存在目标的概率,最后基于人眼的视觉机理对不同尺度的目标进行加权。通过深度图公共数据库的实验对比,该算法给定1000个候选区域时达到94.1%的召回率,保证了准确率的同时大大减少了区域数量,能有效的提升目标检测识别算法的效率。      

基于参数优化支持向量机的火焰图像识别

图像型火灾探测的主要问题是关于火焰和干扰物的识别。通过提取火灾图像特征,利用支持向量机来进行识别。为提高火灾准确预报率,用参数优化后的支持向量机来预报。提出一种混沌粒子群算法对支持向量机进行参数优化。实验表明,改进的粒子群算法比传统方法的火灾准确预报率有大幅提高,可以进一步降低火灾探测系统的误报。     

基于混合高斯模型和帧差的火焰前景提取算法

随着计算机视觉技术和模式识别技术的进一步发展,利用图像处理技术识别火焰引起了人们的重视,文中将帧差法和混合高斯模型法相结合,提出了一种新型火焰前景提取算法。接下来根据火焰的静态特征和动态特征,通过火焰频率特征、相关性特征、圆形度特征、色彩特征等,能准确识别出几种不同室内环境下突发的火焰,同时能有效地避免光线移动、人影晃动所造成的干扰,实验结果表明,此算法的识别准确率在90%以上,识别时间大约在5s~20s。     

一种基于图像多特征的火焰识别算法

火灾探测技术的稳定性高、误判率低是目前研究的热点,重点分析了火灾火焰燃烧过程中色彩形态的变化过程.提出用火焰色彩、面积变化、尖角数、质心位置移动等信息作为火灾识别的依据,采用逐步排除、渐进的识别方式作出火灾判断的算法.实验结果表明,基于图像多特征的火焰识别算法能够有效识别出火灾火焰,并有很强的抗干扰能力.     

面向虚拟视点图像绘制的深度图编码算法

针对不同区域对绘制虚拟视点图像质量产生不同的影响,以及深度估计不准确导致时域抖动效应影响压缩效率的问题,提出了一种面向虚拟视点图像绘制的深度图压缩算法。通过彩色图像帧差、深度图边缘提取等相关处理过程,提取深度图的静态区域、边缘区域以及动态区域。对深度图边缘区域使用了较低的量化系数,以提高深度图边缘区域编码质量;根据深度图各个区域的编码模式特点,仅对部分编码模式而不是所有模式进行率失真优化搜索,以提高深度图的编码速度;对于深度图P帧的静态区域,合理地采用了SKIP模式,以消除由于深度估计算法的局限性导致时域抖动效应对深度图压缩的影响。实验结果表明,与传统的H.264编码方案相比,本文方案在传输码流大小基本不变的前提下提高了最终虚拟视点图像边缘区域的绘制质量,其余区域主观质量相近,而深度图编码时间则节省了约77～87%。     

基于改进卷积神经网络的无人机异常飞行检测

在无人机异常飞行姿态检测过程中，受到姿态识别模型的影响，导致算法的时间复杂度较高。因此，提出了基于改进卷积神经网络的轻小型无人机异常飞行姿态检测算法。通过无人机姿态坐标的转换，获取图像采集位置。针对采集图像进行处理和分割，提高了图像特征采集精度。基于改进卷积神经网络构建识别模型，完成飞行姿态快速识别。最后，运用高斯混合模型聚类方法建立异常姿态判别规则，实现无人机异常飞行姿态检测。实验结果证明，比较两种对比方法，文中设计的检测算法分时间复杂度降低了48.27%和67.81%。     

融合一致性与差异性约束的光场深度估计

光场图像深度估计是光场三维重建、目标检测、跟踪等应用中十分关键的技术.虽然光场图像的重聚焦特性为深度估计提供了非常有用的信息,但是在处理遮挡区域、边缘区域、噪声干扰等情况时,光场图像深度估计仍然存在很大的挑战.因此,提出了一种基于极平面图(Epipolar plane image,EPI)斜线像素一致性和极平面图区域差异性的深度估计算法用于解决遮挡和噪声问题.EPI斜线像素的一致性采用旋转线性算子(Spinning linear operator,SLO)的颜色熵度量,能够提高深度图边缘的准确性以及抗噪能力;EPI区域的差异性采用旋转平行四边形算子(Spinning parallelogram operator,SPO)的卡方x2度量,能够提高深度图深度渐变区域的准确性,并使用置信度加权的方法将两种度量进行融合,可以减少遮挡区域和噪声的干扰.另外,充分利用像素邻域的颜色相似性,使用引导保边滤波器和马尔科夫随机场(Markov random field,MRF)全局优化策略进行后处理,进一步减少深度图的边缘错误,得到遮挡边缘准确的深度图.在HCI光场数据集上进行了实验,并与经典光场深度估计算法进行了对比,结果表明该算法在主观质量和客观指标两方面都有明显提升.     

融合一致性与差异性约束的光场深度估计

光场图像深度估计是光场三维重建、目标检测、跟踪等应用中十分关键的技术.虽然光场图像的重聚焦特性为深度估计提供了非常有用的信息,但是在处理遮挡区域、边缘区域、噪声干扰等情况时,光场图像深度估计仍然存在很大的挑战.因此,提出了一种基于极平面图(Epipolar plane image,EPI)斜线像素一致性和极平面图区域差异性的深度估计算法用于解决遮挡和噪声问题.EPI斜线像素的一致性采用旋转线性算子(Spinning linear operator,SLO)的颜色熵度量,能够提高深度图边缘的准确性以及抗噪能力;EPI区域的差异性采用旋转平行四边形算子(Spinning parallelogram operator,SPO)的卡方x2度量,能够提高深度图深度渐变区域的准确性,并使用置信度加权的方法将两种度量进行融合,可以减少遮挡区域和噪声的干扰.另外,充分利用像素邻域的颜色相似性,使用引导保边滤波器和马尔科夫随机场(Markov random field,MRF)全局优化策略进行后处理,进一步减少深度图的边缘错误,得到遮挡边缘准确的深度图.在HCI光场数据集上进行了实验,并与经典光场深度估计算法进行了对比,结果表明该算法在主观质量和客观指标两方面都有明显提升.     

基于分割的离焦图像深度图提取方法

针对影视作品中的大量离焦图像,提出了一种离焦图像的深度图提取方法。将离焦图像的聚焦前景和离焦背景进行分离。对离焦背景提出了深度图模型匹配的方法,构建深度图模型并结合人眼视觉对场景深度的敏锐判断,将背景与对应的深度图模型进行匹配,实现背景深度图的构建;提出了基于颜色分割的深度图再处理,来进一步提高场景深度图的精度。对前景采用单深度赋值,并结合背景深度图融合生成最终深度图。实验表明采用该方法提取的深度图在深度跳跃和深度平滑区域都得到了好的效果。     

采用几何复杂度的室外场景图像分割和深度生成

本文提出一种采用几何复杂度的室外场景图像几何分割和深度生成算法。该算法首先通过图像中主要线段的角度统计分布将室外场景图像的几何结构规划为四种类型;然后,利用meanshift分割算法将输入图像分割成若干小区域,依据该图像的场景几何结构将这些小的区域逐步融合成为三个大的区域,每个区域具有一致的深度分布特点,由此实现输入图像的几何分割;最后,根据几何类型定义标准的深度图,结合输入图像的几何分割结果获得图像的深度图。实验结果表明可以通过简单的线段角度统计分布实现图像的几何分割,并进一步获得图像的深度图,与已有算法相比,提出的算法可以更好地保持深度图细节,更接近场景的真实的深度信息。      

基于目标跟踪和多特征融合的火焰检测算法

针对目前视频火焰检测算法无法达到高检测率、低误检率和实时的工业需求,提出一种基于目标跟踪和多特征融合的火焰检测算法.首先利用混合高斯背景建模获取前景图像,在HSV色彩空间中根据火焰的颜色特性分离出疑似火焰区域,对火焰疑似区域采用卡尔曼滤波器实现运动目标的跟踪,再结合火焰的相似度、区域增长率和跳动频率特征用加权求和得到的值与报警阈值相比,最后根据判断比较确定真实火焰区域,并且实现对火焰的持续跟踪.实验结果证明,该算法能够对火焰区域进行有效的检测与跟踪并且具有良好的实时性和抗干扰能力.     

基于火焰图像红外动态特征的早期火灾识别算法

针对普通彩色图像对早期火灾高危点的有限检测能力,提出一套基于红外图像动态特征的早期火灾识别算法,该算法使用改进的梯度算子结合图像的动态特征来判断火焰。通过实验,该算法能够快速地识别火灾火焰和早期火灾高危点。算法结构清晰,效率较高,便于工程实现。     

一个基于视频图像检测火灾的算法

针对传统火灾检测技术在面对大空间结构建筑及复杂环境中的不足,提出一种基于视频图像检测早期火灾的算法。该算法首先对视频图像进行阈值分割,然后根据火焰的颜色特征获取其中的疑似火焰区域。在此基础上计算疑似火焰区域的圆形度,并将圆形度与其整体特性相结合进行火灾的早期探测和预报。     

视频火灾识别方法研究综述

火灾发生时,其火焰和烟雾具有特有的静态和动态特征,在分析总结火灾图像特征的基础上,以火焰和烟雾特征为线索,介绍了火灾提取和识别的典型方法,侧重于分析各种特征在火灾识别中的应用及所采用的算法,最后对未来视频火灾识别方法的发展方向作了展望。     

基于高斯混合模型的火焰检测算法

火灾作为对社会和环境危害最大的灾难,一直是人们重点防范的对象。但目前现有的火灾预警系统都存在误报率过高的问题。因此,文中提出了一种基于火焰闪烁动力学的火焰检测框架。在该框架中,火焰颜色分布模型采用高斯混合模型。此外,采用概率显著性分析方法和一维小波变换提取运动显著性和滤波后的时间序列作为特征,描述火焰的动态特性和闪烁特性。通过实验证明了提出的方法对比现有方法具有较好的精确度,能够获得95%以上的精度,并且具有较低的误报率,满足实际需求。     

于Ohta颜色空间的火焰检测

为了提高火焰检测算法的准确率和满足实时性的要求,在分析火焰颜色特征的基础上,提出一种基于Ohta颜色空间并利用最大熵阈值分割法改进的火焰颜色特征模型.该模型可有效提取疑似火焰区域,然后通过光流法分析火焰运动方向特征,进一步判断是否有火灾的发生.实验结果表明,该算法具有较好的实时性,能够有效地提高火灾识别的准确率,降低误检率,在日常消防系统中具有重要的应用价值.     

T-S型RBF神经网络在红外火焰探测系统中的应用

基于T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络,提出了一种应用于三波段点型红外火焰探测器的识别算法,同时实现了硬件电路以及软件程序的设计。针对火焰探测器在检测过程中可能出现的数据丢失、失真、饱和等复杂情况,本文利用RBF网络较优的逼近精度和泛化能力,同时结合T-S模型用少量的模糊规则可生成较复杂的非线性函数的特点,实现了火焰与干扰源的准确识别。实验证实,T-S模型RBF神经网络相比于BP(Back Propagation,反向传播)网络在逼近精度、收敛速度、鲁棒性等多个方面都有所提升。     

红外遥感图像舰船尾迹提取及检测

中低空间分辨率的红外遥感图像中,海面上的舰船所占像素很少,目标的几何形状和具体的纹理结构等特征难以获取。为提升探测的极限信杂比,将呈现线状特征的舰船尾迹特征作为检测要素,对其进行数学表征。创新性地建立了Dot-Curve检测体系,以二维曲率滤波为基础进行初步的舰船检测和尾迹特征提取,建立特征集,从中选取与背景干扰项差异较大的包含尾迹灰度方差、尾迹两侧灰度斜率正负性、尾迹线性度、与船体检测结果距离在内的多项特征,鉴别候选目标的检测结果,去除干扰项,提取目标。结果表明,经过目标鉴别,在不同波段红外图像中,舰船误检率降低到8.40%以下,检测率得到提升,至少达到94.53%。该船只检测算法结合尾迹物理特性和图像特征,适用于多种场景和波段,算法精炼有效,物理规律清晰,所需样本少。