融入视觉注意机制的路面裂缝检测与识别

针对实际路面裂缝检测中存在复杂噪声干扰的问题,根据裂缝和背景像素的视觉差异,设计一种融入视觉注意机制的路面裂缝自动检测与识别算法。通过灰度校正和各向异性扩散滤波的预处理方法滤除部分噪声,利用全局和局部灰度对比度信息计算裂缝显著值,融合生成综合显著图粗定位裂缝区域。在此基础上,依据裂缝区域的形状特征使用形状分析法进行去噪和目标提取,实现裂缝的精确定位。实验结果表明,该算法能快速有效地检测出裂缝区域,与基于阈值分割、边缘检测或小波变换的裂缝检测算法相比,具有较高的检测精度。     

尺度自适应的SAR图像显著性检测方法

人类视觉系统能够通过对场景中感兴趣的不同事物进行显著性检测,有效地配置处理资源。基于视觉注意机制的显著性检测方法能够简化遥感影像场景分析、目标解译的复杂程度,节省处理资源。以视觉注意机制为基础,提出了一种尺度自适应的SAR图像显著性检测方法,通过不同尺度下的局部复杂度和自差异性来度量图像的显著性测度,设计显著性尺度确定算法以及融合显著性尺度和显著性测度以生成显著图,完成显著性检测的流程。实验结果表明该方法能够有效应用于SAR图像显著性检测,较之其他主流显著区域检测算法更适用于SAR图像场景分析。     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

结合NSCT和图像形态学的路面裂缝检测

路面图像的复杂性及裂缝信息的弱信号性导致对路面裂缝进行检测非常困难,为此提出一种基于非下采样contourlet变换(NSCT)和图像形态学的路面裂缝检测算法.首先对图像进行NSCT得到不同尺度、不同方向上的变换系数,在NSCT域中根据变换系数自适应地确定阈值,并应用广义非线性增益函数来增强较弱细节的局部对比度;然后对增强处理后的变换系数进行反变换;最后用图像形态学方法和中值滤波实现裂缝检测及孤立噪声点去除.通过对实际的高速路面图像测试表明,与直方图增强、小波变换及contourlet变换相比,该算法能更有效地增强弱对比度的细小裂缝,克服了常规算法易受离散噪声点以及光照条件等干扰的问题,具有较强的鲁棒性且高效实用.     

融合多特征与格式塔理论的路面裂缝检测

路面裂缝常常混杂着随机的路面颗粒纹理和自然环境下的多种干扰,基于单一特征的检测方法无法较为准确地提取裂缝,为此提出一种多特征融合与格式塔理论相结合的路面裂缝检测算法.将多尺度局部区域中裂缝的灰度差异、出现概率以及边缘特性作为低层显著特征,根据裂缝纹理的不均匀性,结合裂缝不规则曲线结构的空间延续性,提出一种新的纹理各向异性度量方式(LFIA),以高效削弱噪声点与伪裂缝的干扰;然后引入格式塔理论中的相似性、接近性和完整性原则,采用迭代剪裁预分割LFIA图,基于区域内部以及区域间连接度的裂缝空间一致性增强策略,突出裂缝.在收集的各类裂缝图像数据库上的实验结果表明,该算法抗噪性能好、鲁棒性强;裂缝提取的准确性、完整性要优于已有的算法.     

一种桥梁路面裂缝的检测方法

为了增强桥梁路面裂缝提取的效果,在分析桥梁路面多种常见噪声的基础上,结合桥梁路面图像中不同噪声本征信息,提出了一种新的基于桥梁路面裂缝的分步式裂缝检测模型。整个分步式裂缝检测模型包括转灰度图、对灰度图裂缝的初步提取、图像中块噪声的滤除、图像中伪裂缝的去除。同时,对光照不均时细小裂缝的提取,提出了自适应阈值选择模型。通过实例表明,该检测模型可靠、稳定,能够处理大量含有综合噪声的复杂桥梁路面裂缝图像。     

基于多尺度积视觉特性的多聚焦图像融合算法

针对传统多尺度图像融合算法不能有效抑制噪声的缺陷,提出一种基于提升静态小波变换（LSWT）多尺度积的多聚焦图像融合算法,并在LSWT域中引入了局部可见度以及局部视觉特性对比度的概念.在融合低频子带系数和各高频子带系数时,分别提出了基于局部可见度和基于多尺度积的局部视觉特性对比度的系数选择方案.实验表明,该算法不仅能有效抑制噪声对融合算法的影响,而且能够得到比传统方法视觉效果更好和更优量化指标的融合图像.     

一种随机的视觉显著性检测算法

图像处理与模式识别技术一样,依赖于高质量的视觉显著性图(saliency map)才能得到较好的处理结果.现有的视觉显著性检测技术通常只能检测得到粗糙的视觉显著性图;这些粗糙的视觉显著性图应用于图像处理中将严重影响图像处理的最终结果.本文提出了一种随机的基于内容的视觉显著性区域检测算法;该算法整合多层次粗糙的视觉显著性图到结果显著性图中,并逐步自适应地精化可信度不高的显著性值,最终得到一个考虑了多尺度特征的精细的视觉显著性结果.因为随机算法具有执行效率高,占用内存少等特点;本文的高效随机视觉显著性检测算法不需要建立额外的辅助数据结构来加速算法,只需占用少量内存就能快速检测出精细的高质量视觉显著性结果.并且高效随机的视觉显著性检测算法可以直接移植到GPU上并行执行;大量的实验结果表明本文的算法可以得到更加精细的显著性结果,这些精细的显著性结果应用于基于内容的图像缩放中得到了较好的处理结果.     

多方位结构元素路面裂缝图像边缘检测算法

在数学形态学基础上,针对路面图像中噪声和裂缝类病害不同的像素分布特点,提出了多方位结构元素形态学边缘检测算法。该算法利用类间最大距离法确定路面裂缝图像中发生梯度变化的点,后对其采用多方位结构元素腐蚀操作,提取出路面裂缝边缘像素点并滤除噪声。实验结果表明：较传统的边缘检测算法,该算法在准确地检测路面裂缝边缘的同时有效地抑制了噪声干扰,检测效果良好,运算速度快。     

基于视觉显著性的区域立体匹配算法

针对区域立体匹配算法对光照变化敏感,视差图存在目标和弱纹理区域的错配、边界不平滑等问题,提出一种利用视觉显著性特征改进的快速区域立体匹配算法。该算法先利用显著性检测定位图像主要目标区域;再结合索贝尔(Sobel)边缘特征和相角特征完成特征匹配、得到粗视差图;最后通过检测粗视差图中的视觉显著性,消除图像弱纹理区域的突兀噪声。相比绝对误差累计(SAD)、平方误差累计(SSD)和归一化灰度互相关(NCC)算法,所提算法对光照变化不敏感,得到的视差图完整,匹配率高,有利于实时系统应用。     

基于图像分析的飞机蒙皮裂纹检测

为实现飞机蒙皮裂纹的自动检测，在通过云台搭载长焦成像系统进行扫描成像的基础上，研究蒙皮图像处理与裂纹参数提取算法。针对飞机蒙皮图像的特点，首先通过光照一致化、自适应灰度拉伸、分区大津（OTSU）法阈值分割等处理得到裂纹的二值化图像；然后利用连通域的面积、矩形度等特征剔除块噪声；在去噪的基础上，对二值化图像中的裂纹部分进行细化、去毛刺等操作，并通过去节点获取各条裂纹枝干；最后以枝干像素为索引，逐点跟踪获取各条裂纹枝干的长度、平均宽度、最大宽度、起点坐标、终点坐标、中心坐标、裂纹走向及数目等信息并由检测软件输出裂纹检测报告。实验结果表明，所提方法可有效检测宽度大于1 mm的蒙皮表面裂纹，为飞机机身和机翼蒙皮表面裂纹的自动检测提供了一种可行手段。     

融合双目多维感知特征的立体视频显著性检测

目的 立体视频能提供身临其境的逼真感而越来越受到人们的喜爱,而视觉显著性检测可以自动预测、定位和挖掘重要视觉信息,可以帮助机器对海量多媒体信息进行有效筛选。为了提高立体视频中的显著区域检测性能,提出了一种融合双目多维感知特性的立体视频显著性检测模型。方法 从立体视频的空域、深度以及时域3个不同维度出发进行显著性计算。首先,基于图像的空间特征利用贝叶斯模型计算2D图像显著图;接着,根据双目感知特征获取立体视频图像的深度显著图;然后,利用Lucas-Kanade光流法计算帧间局部区域的运动特征,获取时域显著图;最后,将3种不同维度的显著图采用一种基于全局-区域差异度大小的融合方法进行相互融合,获得最终的立体视频显著区域分布模型。结果 在不同类型的立体视频序列中的实验结果表明,本文模型获得了80%的准确率和72%的召回率,且保持了相对较低的计算复杂度,优于现有的显著性检测模型。结论 本文的显著性检测模型能有效地获取立体视频中的显著区域,可应用于立体视频/图像编码、立体视频/图像质量评价等领域。     

基于对数Gabor的超复数视觉显著性检测算法

为在没有先验知识的情况下准确获取图像显著性目标,提出一种基于对数Gabor滤波器和超复数傅里叶变换的视觉显著性检测算法。利用对数Gabor滤波器模仿人类视觉感受野,对输入图像进行预处理,提取颜色、纹理方向等特征。根据所得特征构造各尺度下的超复数图像,并求其傅里叶变换相位谱,将多尺度超复数相位谱反变换后进行归一化,从而获得视觉显著图。实验结果表明,该算法与传统的算法相比具有更高的准确率,应用于复杂场景下的交通标志检测能取得较好的检测效果。     

结合背景和前景先验的显著性检测

目的 显著性检测已成为图像处理过程中的一个重要步骤,已被应用到许多计算机视觉任务中。虽然显著性检测已被研究多年并取得了较大的进展,但仍存在一些不足,例如在复杂场景中的检测不准确或检测结果夹带着背景噪声等。因此,针对已有图像显著性检测方法存在的不能有效抑制背景区域,或不能清晰突显出完整的目标区域的缺点,提出一种结合背景先验和前景先验信息的图像显著性检测算法。方法 首先选取图像的边界超像素作为背景区域,从而根据每个区域与背景区域的差异度来建立背景先验显著图;然后通过计算特征点来构建一个能够粗略包围目标区域的凸包,并结合背景先验显著图来选取前景目标区域,从而根据每个区域与前景目标区域的相似度来生成前景先验显著图;最后融合这两个显著图并对其结果进一步优化得到更加平滑和准确的显著图。结果 利用本文算法对MSRA10K数据库内图像进行显著性检测,并与主流的算法进行对比。本文算法的检测效果更接近人工标注,而且精确率和效率都优于所对比的算法,其中平均精确率为87.9%,平均召回率为79.17%,F值为0.852 6,平均绝对误差（MAE）值为0.113,以及平均运行时间为0.723 s。结论 本文提出了一种结合两类先验信息的显著性检测算法,检测结果既能够有效地抑制背景区域,又能清晰地突显目标区域,从而提高了检测的准确性。     

自动特征选择和加权的图像显著区域检测

视觉显著性度量是图像显著区域提取中的一个关键问题,现有的方法主要根据图像的底层视觉特征,构造相应的显著图。不同的特征对视觉显著性的贡献是不同的,为此提出一种能够自动进行特征选择和加权的图像显著区域检测方法。提取图像的亮度、颜色和方向等特征,构造相应的特征显著图。提出一种新的特征融合策略,动态计算各特征显著图的权值,整合得到最终的显著图,检测出图像中的显著区域。在多幅自然图像上进行实验,实验结果表明,该方法在运算速度和检测效果方面都取得了不错的效果。     

利用背景先验的显著性检测算法

目的 针对图像的显著区域检测问题,提出一种利用背景先验知识和多尺度分析的显著性检测算法。方法 首先,将原始图像在不同尺度下分解为超像素。然后,在每种尺度下根据各超像素之间的特征差异估计背景,提取背景区域,获取背景先验知识。根据背景先验计算各超像素的显著性,得到显著图。最后,将不同超像素尺度下的显著图进行融合得到最终显著图。结果 在公开的MASR-1000、ECSSD、SED和SOD数据集上进行实验验证,并和目前流行的算法进行实验对比。本文算法的准确率、召回率、F-Measure以及平均绝对误差均在4个数据集上的平均值分别为0.718 9、0.699 9、0.708 6和0.042 3,均优于当前流行的算法。结论 提出了一种新的显著性检测算法,对原始图像进行多尺度分析,利用背景先验计算视觉显著性。实验结果表明,本文算法能够完整、准确地检测显著性区域,适用于自然图像的显著性目标检测或目标分割应用。     

一种鲁棒的夜间图像显著性对象检测模型

基于人类视觉注意机制的显著性对象检测模型作为能主动感知图像中重要信息的有效方法,对探索视觉早期认知过程的大范围知觉信息组织具有重要意义.然而由于夜间图像具有低信噪比和低对比度特性,现有的视觉显著性对象检测模型在夜间场景中容易受到噪声干扰、弱纹理模糊等多方面因素的影响.有鉴于此,本文提出了一种基于区域协方差和全局搜索的夜间图像显著性对象检测方法.首先将输入图像分割为超像素块,并分别计算它们的协方差.然后使用超像素块协方差的差异性作为适应度函数,并结合全局搜索算法来优化各个超像素块的显著值.最后通过图扩散方法来精炼显著图结果.实验测试采用了5个公开图像数据集和1个夜间图像数据集,通过与11种目前主流的视觉显著性对象检测模型进行对比,综合评价了本文所提出模型的性能.     

结合整体一致性和局部差异性的图像目标显著性检测

目的 为准确描述图像的显著信息,提出一种结合整体一致性和局部差异性的显著性检测方法,并将显著性特征融入到目标分割中。方法 首先,利用频率调谐法(IG)对目标整体特征的一致性进行显著性检测。然后,引入NIF算法检测显著目标的局部差异性。最后结合两种算法形成最终的显著性检测方法,并应用于图像目标分割。结果 在公认的Weizmann数据集上验证本文方法显示目标的绝对效率并与其他算法对比,实验结果表明本文方法在精确率,召回率,F1-measure(分别为0.445 6,0.751 2,0.576 4)等方面优于当前流行的算法。并且在融合显著性的图像目标分割中,取得满意的实验结果。结论 提出一种新的显著性检测算法,综合体现目标的整体和局部特征,并在公开数据集上取得较高的统计评价。实验结果表明,该算法能够对自然图像进行较准确的显著性检测,并成功地应用于自然图像的目标分割。     

Human detection using a mobile platform and novel features derived from a visual saliency mechanism

Human detection is a key ability to an increasing number of applications that operates in human inhabited environments or needs to interact with a human user. Currently, most successful approaches to human detection are based on background substraction techniques that apply only to the case of static cameras or cameras with highly constrained motions. Furthermore, many applications rely on features derived from specific human poses, such as systems based on features derived from the human face which is only visible when a person is facing the detecting camera. In this work, we present a new computer vision algorithm designed to operate with moving cameras and to detect humans in different poses under partial or complete view of the human body. We follow a standard pattern recognition approach based on four main steps: (i) preprocessing to achieve color constancy and stereo pair calibration, (ii) segmentation using depth continuity information, (iii) feature extraction based on visual saliency, and (iv) classification using a neural network. The main novelty of our approach lies in the feature extraction step, where we propose novel features derived from a visual saliency mechanism. In contrast to previous works, we do not use a pyramidal decomposition to run the saliency algorithm, but we implement this at the original image resolution using the so-called integral image. Our results indicate that our method: (i) outperforms state-of-the-art techniques for human detection based on face detectors, (ii) outperforms state-of-the-art techniques for complete human body detection based on different set of visual features, and (iii) operates in real time onboard a mobile platform, such as a mobile robot (15 fps).