基于多尺度卷积神经网络的道路交通标志识别方法研究

为了准确识别不同路况下的交通标志信息,提出一种在Faster RCNN模型基础上改进的深度学习方法。针对交通标志的显著特征,设计了多路并联全卷积神经网络,对原始图像中的交通标志颜色、形状以及纹理进行多路特征提取,将多路特征层进行融合得到最终特征图,通过图像预处理加强了模型在多种环境和天气状况下的适应能力。同时在特征提取网络中加入深浅层特征层的融合特征,保留浅层特征层的细节纹理信息和深层特征层的语义信息,得到最终特征层能够适应多尺度变化的交通标志的识别。在原有RPN候选区域生成网络前,利用交通标志先验知识作为辅助进行目标检测定位,提出了针对交通标志识别更加合理的候选锚框生成办法。从先验知识统计交通标志尺寸和比例结果出发,设计适用于交通标志识别的目标候选框,减少了大量冗余的和负相关的候选框,提高检测准确度减少检测时间;加入针对深浅特征层的多尺度候选框生成方法,在强化多尺度目标识别能力的同时,进一步加强了小目标检测和识别效果;采用国际通用交通标志规范数据集GTSRB/GTSDB以及国内交通标志数据集TT100K对模型识别能力进行识别验证。     

机器视觉的低照度图像缺陷识别方法

对低照度图像实施识别的过程中,现有低照度图像受自身导图以及光线影响,含有噪声图像,导致现有方法在图像照度在15～45 lx的范围内存在缺陷区域图像对比度较低的问题,为此提出一种基于机器视觉的低照度图像缺陷识别方法.通过灰度变换算法改变低照度图像中各像素点的实际灰度值,并通过线性变换增强低照度图像对比度.根据有雾图像与低照度图像的反转图像之间的相似性对低照度图像实施降噪处理,精确估计图像缺陷区域.通过SIFT特征描述低照度图像的特征点,对低照度图像的特征进行提取.根据提取的低照度图像特征,基于机器视觉构建低照度图像缺陷识别模型,实现低照度图像缺陷识别.为了证明基于机器视觉的低照度图像缺陷识别方法实现了缺陷区域对比度的提升,将原有方法作为对比实验方法,比较该方法与原有方法的缺陷区域对比度,结果证明该方法成功实现了缺陷区域对比度的提升,更适用于图像照度在15～45 lx的范围内的低照度图像缺陷识别.     

基于组合矩特征和PTSVM的交通标志识别

针对交通标志识别算法识别精度低、计算复杂度高等问题,提出一种采用组合矩特征分类交通标志的方法。首先对图像进行预处理,并基于颜色特征分割,再采用形态学的方法处理粗分割图像,从而提取目标区域。然后分别提取标志图像的Legendre矩及小波矩特征,利用串行特征融合技术获取组合优化特征,将特征值输入渐进直推式支持向量机,并采用模拟退火算法对其进行参数优化,最后使用优化后的识别算法实现目标图像的识别。仿真结果表明,与现有的其他交通标志识别算法相比,采用组合矩与优化后渐进直推式支持向量机的识别方法有更好的识别效果。     

基于图论的视觉注意模型

为了模拟人眼的视觉搜索结果,提出了一种基于图论的自底向上的视觉注意计算模型.在计算显著图的过程中,构造了马尔可夫矩阵并计算图中每个顶点的度.由马尔可夫矩阵和度的计算提取出图像在颜色、亮度和方向3个特征方面显著的区域,最后生成显著图.实验仿真结果表明:与部分的视觉注意模型相比,本文模型具有目标检测能力强和计算量小的优点     

视觉注意计算模型及其在自然图像压缩中的应用

为了提取自然图像中的主要视觉信息以便更好地对图像进行压缩，提出了一种新的基于感兴趣区域的图像压缩方法.该方法使用一个基于视觉生理和心理物理实验结果的视觉注意计算模型计算图像中的感兴趣区域，并用JPEG算法对感兴趣区域和背景区域采用不同的压缩比进行压缩，对部分图像进行了初步实验.结果表明，用该方法压缩后图像的字节数和每像素比特数等参数均好于JPEG算法；同时压缩后图像在视觉上对比突出了感兴趣区域，有利于对感兴趣区域的观察.     

基于VAM和E-HMM的图像拼接盲鉴别算法

为了提高拼接篡改图像的检测准确率,利用视觉注意模型提出了一种新的图像拼接篡改盲鉴别算法。首先,采用改进的基于OSF的非线性滤波方法提取图像的边缘信息,得到边缘显著图像ECM;其次,利用视觉注意模型提取ECM的注意点,并采用显著边缘定位法锁定图像显著边缘处注意点,进而获取图像关键特征片段;接着,提取图像片段的Cr通道,并计算其小波重构图像;然后,针对小波重构图像,提取其扩展的DCT域的HMM特征,并采用SVM-RFE算法对所提取特征进行降维处理;最后,根据得到的特征向量,利用SVM对特征值进行训练并建立分类模型,从而实现自然图像和拼接篡改图像的分类识别。实验结果表明,针对哥伦比亚大学拼接篡改图像库,本文算法的正确检测率为96.32%。     

基于PC-LDA的交通标志形状特征识别方法

针对PCA方法所提取的特征分类效果较差,而LDA方法通常不能直接应用于图像特征提取的问题,提出了一种基于PC-LDA的交通标志形状特征识别方法.通过对交通标志图像进行归一化和二值化处理,得到交通标志形状特征.将PCA方法与LDA方法相结合用于交通标志二值图像特征提取,可以得到既有最佳描述性又有最佳分类效果的PC-LDA特征子空间.利用标准交通标志图像数据库进行验证,并采用最小距离分类器对所提取的特征进行识别,结果表明,该方法能够快速有效地进行维数约减,提高了交通标志识别率.     

基于视觉显著性和小波分析的烟雾检测方法

基于视频图像的烟雾检测对火灾预警系统性能具有重要作用.该文提出一种基于时空域信息处理的烟雾检测算法:基于视觉注意模型的时空域ROI区域提取,以及基于小波时域分析的烟雾动态特征识别.该文用基于颜色对比度、亮度对比度和运动3个初级视觉特征的显著性图融合捕捉场景中的ROI区域.针对在时域中烟雾区域小波高频能波动小以及归一化颜...     

遥感图像中基于视觉显著性的分层目标检测

针对遥感图像自动判读的应用场景,提出了一种基于视觉显著性的分层目标检测方法。该方法对于每一个特征定义一个偏好函数,并定义一个将各偏好函数计算的多个视觉显著性图像合成为一个视觉显著性图像的合成偏好函数。首先对低分辨率目标图像分别使用各偏好函数计算对应特征的视觉显著性图像;然后使用合成偏好函数计算合成的视觉显著性图像;最后定位出合成偏好函数取得最大值的区域,并将其作为最有可能包含目标的候选区域。这三个步骤在定位出的候选区域对应更高分辨率的图像上反复进行,直到待检测目标被发现或者被确定不存在为止。实验结果证明,该方法能够尽早地略过那些不包含目标的区域,与传统的目标检测方法相比,具有更好的检测效果和更少的计算量。     

视觉注意引导和区域竞争控制的医学图像分割

模糊连接度已经成为医学图像分割的实用方法，但其困难在于需要设定多种子点，自动给定的手段不是很有效.为此将种子点等价于视觉特征显著点，提出了在视觉注意模型引导下种子点给定的新方法.通过研究显著点定位与图像特征概率密度估计之间的关系，引入新的视觉特征估计地图，构造了注意计算模型，采用无阈值方法定位各类物体的视觉显著点并用于引导区域增长方式的图像分割.新的注意计算模型的定量描述能力较以往的模型有很大提高，适用于处理模糊图像.新方法能够完全自动定位种子点，有效分割图像，准确率高.引入多种子点之间的竞争策略加快了图像分割中的区域增长处理过程.     

基于CNN多层特征和ELM的交通标志识别

针对传统神经网络仅利用端层特征进行分类导致特征不全面,以及交通标志识别中计算量大、时间长等问题,提出基于多层特征表达和极限学习机的交通标志识别方法。利用CNN网络提取多层交通标志特征图;采用多尺度池化操作,将提取出的各层特征向量联合形成一个具有多尺度多属性特征的交通标志特征向量;使用极限学习机分类器准确快速地实现交通标志的识别。实验结果表明,该方法能有效地提高交通标志识别的准确率,且具有较好的泛化能力和实时性。     

融合SIFT和MIL的红外人脸识别方法

针对红外人脸识别问题,提出一种新的基于尺度不变特征转换(SIFT)与多示例学习(MIL)相结合的算法。该算法将图像当作多示例包,SIFT描述子当作包中的示例,利用聚类的方法对训练集中的所有SIFT描述子进行聚类,建立"视觉词汇表",再根据"视觉字"在多示例训练包中出现的频率,建立"词-文档"矩阵,采用潜在语义分析(LSA)的方法获得多示例包(图像)的潜在语义特征,将MIL问题转化成标准的有监督学习问题,即在潜在语义空间用支持向量机(SVM)求解MIL问题。基于OTCBVS标准数据集的对比实验结果表明,所提算法是可行的,且识别率明显高于其他方法。     

SIFT特征在图像配准过程中的应用研究

针对现有基于特征的图像配准方法所存在的特征提取的多样性和相似度计算的复杂性等问题,提出了一种基于SIFT特征的图像配准方法．首先利用SIFT算法提取出图像的特征点,用欧式距离比进行特征匹配,然后利用图像位置的先验条件,采用RANSAC算法去除误匹配,最后计算出待配准图像和基准图像间的变换关系参数．实验结果证明了该算法的有效性．     

物体分类识别中视觉词汇生成方法研究

针对目前Bag of words模型将聚类中心作为视觉单词,而导致语义信息表达不完全的问题,提出了一种新的改进的视觉词汇生成方法。首先,提取图像的SIFT特征点并聚类;然后利用核函数进行核密度估计,选取每个聚类中若干个有代表性的特征点;最后,通过SVM训练生成视觉词汇。实验结果表明,改进后的视觉词汇生成方法,在物体分类识别中,与以聚类中心为视觉单词的生成方法相比,增强了语义信息的表达,提高了查全率,使得物体分类识别率大大增加。     

基于RSOM树的图像K近邻求解算法

提出了一种基于RSOM(recursive self organizing mapping, RSOM)树、利用SIFT (scale invariant feature transform)特征为索引的海量图像集中K近邻的求解方案。对图像编号并提取SIFT特征,依据SIFT特征将图像的编号存储至RSOM树的叶节点中;搜索时用匹配的SIFT特征个数作为指标获得K近邻图像的候选集,用迭代Procrustes方法几何约束得到精确求解结果。利用5万余幅图像数据进行实验测试,结果证实了该方法的有效性。     

一种改进的SIFT—PCA算法在图像检索中的应用

针对SIFT算法（尺度不变特征）提取出的图像特征点向量维数较多造成计算量较大、检索效率低等问题,提出一种SIFT和改进的主成分分析（Principal Component Analysis,PCA）相结合的SIFT—PCA算法。该算法首先采用SIFT算法提取图像特征点向量,然后利用改进的PCA算法把特征点向量变换到另一个空间,得到最具有代表性的特征参数,实现对特征点向量的降维。此算法在保证原SIFT算法鲁棒性的同时减少了计算量,增强了实时性。实验结果说明了该算法具有尺度、平移、旋转、光照不变性,在图像检索中应用切实可行且效果良好。     

协同视觉信息与标注信息图像聚类

针对如何有效地利用图像视觉信息与标注信息进行图像聚类的问题,提出了一种基于视觉单词与标注单词共生的聚类算法.在视觉特征空间,采用K-means算法对图像聚类,得到表征图像视觉信息的视觉单词,即聚类中心.在图像标注字空间,计算各聚类中心下标注单词的统计分布,建立视觉单词与标注单词共生矩阵,进而针对图像提取嵌入有视觉信息的标注词特征LDA(latent dirichlet allocation)主题模型作为最终聚类算法完成图像的聚类.通过对Pascal VOC 2007标注图像数据库进行的实验仿真以及对比试验结果表明,基于视觉单词与标注单词共生的聚类算法可以有效地利用图像的视觉信息与标注信息的互补特性,提高聚类算法的性能.     

基于Eye Map和SIFT特征的人眼定位

人脸对齐是人脸识别的前提,精确的人眼定位是人脸对齐的主要手段,为此提出了一种基于eye map和SIFT特征的人眼定位方法。首先根据人眼眼球部分的像素灰度比周围像素灰度更黑的特点,在人脸图像中选出满足该特征的像素点,接着通过排序滤波器得到这些像素点的连续区域及它们的几何中心,然后根据人眼特征点的几何限制粗选出候选的眼球像素点,最后在候选点的特定区域内提取SIFT特征,并采用支持向量机回归的方法得到响应值最大的像素点,该点即为人眼的精确定位点。实验结果分析表明该方法既具有较高的定位精度又具有较快的计算速度。     

抗模糊的图像局部特征描述子

针对提取图像局部特征时,尺度不变特征变换描述子对光照条件变化仅有部分不变性,特别对非线性光照变化不具备不变性,对模糊的目标图像也无法准确提取或仅能提取到很少特征点的问题,利用局部二值模式描述子对光照的健壮性提出了一种符合人类视觉系统的自底向上再到自顶向下的视觉认知过程的新的抗模糊的图像局部特征描述子。实验表明,所提出的描述子对光照变化有更好的健壮性,对模糊的目标图像能准确地提取出更多的特征点,保留了尺度不变特征变换对缩放、旋转和压缩等变换的不变性,并显著地提高了针对模糊图像的匹配率。