基于区域生长的机器人路标识别方法研究

针对移动智能机器人基于单目视觉的路标识别问题,提出了一种基于当前最大聚合中心的区域生长算法.在经RGB视觉模型的实验阈值分割后的图像中,探测若干可能区域,结合外形轮廓特征,判定路标并定位其区域,然后反馈到灰度图,通过图像局部二次分割完成整个路标提取.对多幅自然场景图像进行的实验表明,该方法能够快速有效地从图像中自动定位与提取路标图像.     

基于高阶CRF模型的图像语义分割

图像语义分割方法大多基于点对条件随机场模型, 不能定位到单个目标, 并且难以利用全局形状特征, 造成误识。针对这些问题, 提出一种新的高阶条件随机场模型, 将基于全局形状特征的目标检测结果和点对条件随机场模型统一在一个概率模型框架中, 同时完成图像分割、目标检测与识别的任务。利用目标检测器和前背景分割算法获取图像中目标区域, 在目标区域上定义新的高阶能量项。新的高阶条件随机场模型就是高阶能量项和点对条件随机场模型的加权混合模型, 其最优解即为图像语义分割结果。在MSRC-21类数据库上进行的实验验证了该模型能够显著提升图像语义分割性能, 并定位到单个目标。     

基于轮廓线统计量的前景分割Markov随机场模型

提出了一种基于轮廓线统计量的前景分割Markov随机场(Markov random field, MRF)模型. 和Grabcut等以往模型不同, 本文模型通过在分割标签的编码中加入对轮廓线方向的考虑, 将Gestalt知觉组织的原则加入分割约束中去, 从而使分割边界更为平滑. 作为前景分割和Gestalt知觉组织原则研究的基本框架, 本文模型的系统结构分为前景分割、注意力选择和信息整合三个子模块, 与相关神经生理研究的结论相一致. 最后, 分别给出了基于本文模型的自动和半自动前景分割实现, 结果好于Grabcut等相关算法的结果.     

基于视觉非线性的图象分割新方法

本文分析了在感知目标与其背景时Otsu判别准则与人类视觉机理间的不一致性,并根据视觉的非线性和适应性原理提出了新的目标图象分割计算模型和算法.实验结果表明,与传统的分割法相比,该方法具有优良的从低反差图象中抽取目标的性能.     

结合局部特征和全局信息的自适应活动轮廓模型

提出一种新的基于全局图像信息和局部图像特征的活动轮廓分割模型。模型的总能量函数主要包括3项:全局能量项、局部能量项和自适应调节项。其中,全局能量项整合了图像的全局信息,局部能量项则考虑了图像的局部特征,而二者的权重会根据上下文内容自适应调整。由于在模型中充分利用了图像全局信息和局部特征,因而有效地提高了分割的精度。此外,加入了凸优化技术,以获取模型的全局最优解。最后,采用Split-Bregman方法进行快速求解,使得模型的分割效率大大提高。实验结果表明,该模型对初始化具有较好的鲁棒性,在分割精度上有了较大的提升,特别是分割速度比C-V模型快1.5倍到2倍。     

数字式射线图像缺陷检测的C-V方法

数字式射线图像（DR图像）缺陷检测主要是进行缺陷区域的分割和测量,分割精度将直接影响到测量精度。C-V模型是一种新的基于曲线演化理论和水平集方法的图像分割模型,它结合区域信息使得分割结果全局最优,可以很自然地处理轮廓线拓扑结构的变化。针对工件DR图像特点,研究了一种DR图像缺陷检测的C-V方法：首先应用C-V模型进行DR图像缺陷区域的分割,在此基础上,完成缺陷区域几何参数的测量。实验表明,C-V方法能准确地分割出DR图像中的缺陷区域,并获得缺陷形心和面积等参数。     

图像分割研究综述

图像分割是指将一幅图像分解的若干互不交迭区域的集合,是图像处理与机器视觉的基本问题之一。本文对常见的分割方法按照数据驱动与模型驱动两大类型进行了综述,并介绍了图像分割中的物理模型与随机场模型、半自动分割策略、图像分割的定量评价方法等。     

基于模糊连接度的交互式活动轮廓模型

由于活动轮廓模型能量函数是非凸的,图像分割的结果易于陷入局部最优.为了克服该问题,提出一种基于凸活动轮廓模型的交互式彩色图像分割方法.该方法的新能量函数不仅充分利用边缘信息和颜色信息,还包含一种新定义的空间位置信息.通过模糊连接度构造空间位置信息,将其自适应地融合到活动轮廓模型中.在数值优化过程中,采用分裂Bregman方法获得新模型的全局最优解.针对多幅彩色自然图像作对比实验,结果表明新方法能够准确、快速地得到理想的分割结果.     

基于格式塔心理学原理的几何活动轮廓模型

基于格式塔心理学原理提出了一种几何活动轮廓模型,并将其应用于图像分割。当轮廓曲线远离目标边界时,应用格式塔心理学目标-背景原则,其能量函数主要由区域间差异性组成;当轮廓曲线位于目标边界附近时,应用格式塔心理学接近性原则,其能量函数主要由区域内一致性组成。该模型符合知觉特性,是几何活动轮廓模型的一般形式,且融合图像区域信息和边界信息。通过侧脑室和肿瘤医学图像分割实验,其结果表明,该模型对模糊边界图像的自动分割具有一定的普适性,能达到满意的分割效果。将该模型应用到多目标的免疫细胞图像分割中,能一次性完成将细胞质从细胞核和体液两种不同背景中分割出来的任务。     

基于树形聚类匹配的脑肿瘤自动分割方法

提出一种基于树形聚类匹配的脑肿瘤自动分割方法.为了去除非脑组织对于脑肿瘤定位的影响,首先提出一种新的脑组织提取算法,这种算法无需完整的序列影像,可直接对三维影像数据进行分割.其次对分割后的脑组织影像进行中心定位,建立树形索引匹配结构,采用一种节点匹配算法完成粗分割,最后根据粗分割结果,采用形变模型完成精确分割.算法的特点是无需数据集的训练,能够较为准确的完成脑肿瘤的自动分割,实验结果验证了算法的实用性及可行性.     

一种基于感知物体的场景分析注意机制

基于物体的选择性注意在心理学领域正日益为广大研究人员所认可,而计算机视觉领域中现有的注意模型大多数是基于特征的,或者是基于空间的.本文给出了一种基于物体的选择性注意计算模型.该模型将“感知物体”作为引起注意的基本单元,并给出了感知物体及其邻域的定义.该注意模型包括两个步骤：（1）在给定图像中选择第一个注视点;（2）在整幅图像中实现注视点的有效转移.在该注意模型中,感知物体与其邻域之间灰度值的绝对差异--对比度,被作为该感知物体显著性的一种度量,并且注视点在图像中的转移顺序是由每个感知物体的显著度的次序来决定的.该模型的优点有：首先,由于该模型是完全基于感知物体的,使得其输出结果可以很容易地应用到物体识别、图像分割和场景分析中;其次,该模型是多尺度的,也就是说,它可以根据实际任务的需要进行适当的调整.大量的真实图像实验表明,所提出的模型具有一定的合理性.     

Visual segmentation by contextual influences via intra-cortical interactions in the primary visual cortex.

Stimuli outside classical receptive fields have been shown to exert a significant influence over the activities of neurons in the primary visual cortex. We propose that contextual influences are used for pre-attentive visual segmentation. The difference between contextual influences near and far from region boundaries makes neural activities near region boundaries higher than elsewhere, making boundaries more salient for perceptual pop-out. The cortex thus computes global region boundaries by detecting the breakdown of homogeneity or translation invariance in the input, using local intra-cortical interactions mediated by the horizontal connections. This proposal is implemented in a biologically based model of V1, and demonstrated using examples of texture segmentation and figure-ground segregation. The model is also the first that performs texture or region segmentation in exactly the same neural circuit that solves the dual problem of the enhancement of contours, as is suggested by experimental observations. The computational framework in this model is simpler than previous approaches, making it implementable by V1 mechanisms, though higher-level visual mechanisms are needed to refine its output. However, it easily handles a class of segmentation problems that are known to be tricky. Its behaviour is compared with psycho-physical and physiological data on segmentation, contour enhancement, contextual influences and other phenomena such as asymmetry in visual search.     

Density‐enhanced perceptual mosaic on GPU

Image mosaic effects are wildly applied in print media, domestic decoration, and many image beautification applications. However, the current image mosaic methods are mostly based on fixed‐size image tiles, simple color adjustment, and irregular image segmentation, which are inaccurate and very time‐consuming. In this paper, we present a graphics processing unit‐accelerated perceptual mosaic using density tiles replacement and brightness lighting optimization, keeping original image structure details and providing more expressive visual effects. Automatic density replacement map segmentation and color‐based region tiles replacement are performed to facilitate the mosaic. Delicate brightness optimization and perceptual color correction are further applied to enhance expressive lighting effects. We also consider the salience perception of images and similarity correlation among neighboring tiles for our perceptual mosaic. The experimental results have shown the efficiency and high‐quality performance of our density‐enhanced perceptual mosaic on graphics processing unit. Copyright © 2016 John Wiley & Sons, Ltd.     

基于精细神经元的类脑感知学习模型

大脑如何实现学习以及感知功能对于人工智能和神经科学领域均是一个重要问题.现有人工神经网络由于结构和计算机制与真实大脑相差较大,无法直接用于理解真实大脑学习以及处理感知任务的机理.树突神经元模型是一种对大脑神经元树突信息处理过程进行建模仿真的计算模型,相比人工神经网络更接近生物真实.使用树突神经网络模型处理学习感知任务对理解真实大脑的学习过程有重要作用.然而,现有基于树突神经元网络的学习模型大都局限于简化树突模型,无法完整建模树突的信号处理过程.针对这一问题,提出一种基于精细中型多棘神经元网络的学习模型,使得精细神经网络可以通过学习完成相应感知任务.实验表明,在经典的图像分类任务上,所提模型可以达到很好的分类性能.此外,精细神经网络对于噪声干扰有很强的鲁棒性.对网络特性进行进一步分析,发现学习后网络中的神经元表现出了刺激选择性这种神经科学中的经典现象,表明所提模型具有一定的生物可解释性,同时也表明刺激选择特性可能是大脑通过学习完成感知任务的一种重要特性.     

Shape-Based Object Detection via Boundary Structure Segmentation

We address the problem of object detection and segmentation using global holistic properties of object shape. Global shape representations are highly susceptible to clutter inevitably present in realistic images, and thus can be applied robustly only using a precise segmentation of the object. To this end, we propose a figure/ground segmentation method for extraction of image regions that resemble the global properties of a model boundary structure and are perceptually salient. Our shape representation, called the chordiogram, is based on geometric relationships of object boundary edges, while the perceptual saliency cues we use favor coherent regions distinct from the background. We formulate the segmentation problem as an integer quadratic program and use a semidefinite programming relaxation to solve it. The obtained solutions provide a segmentation of the object as well as a detection score used for object recognition. Our single-step approach achieves state-of-the-art performance on several object detection and segmentation benchmarks.     

Exoskeleton: Curve network abstraction for 3D shapes

In this paper, we introduce the concept of an exoskeleton as a new abstraction of arbitrary shapes that succinctly conveys both the perceptual and the geometric structure of a 3D model. We extract exoskeletons via a principled framework that combines segmentation and shape approximation. Our method starts from a segmentation of the shape into perceptually relevant parts and then constructs the exoskeleton using a novel extension of the Variational Shape Approximation method. Benefits of the exoskeleton abstraction to graphics applications such as simplification and chartification are presented.     

基于注意覆盖的感兴趣区域增强策略

提出一种基于注意覆盖的感兴趣区域增强策略。将感知表面作为注意选择的基本单元,将自顶向下的注意信号引入表面填充机制,利用非线性扩散机制在感知表面形成一种形状拟合分布,使得被注意的感知物体活性得到增强。仿真结果表明,该策略可以有效地增强感兴趣区域,具有神经生理和心理学合理性,输出结果可用于区域分割、目标识别和场景分析。     

基于深度学习的草图分割算法综述

草图一直是人类传递信息的重要工具之一.草图可以通过简单明了的形式更快地表达人类的一些复杂思想,因此,草图处理算法一直是计算机视觉领域的研究热点之一.目前,对草图的研究主要集中在识别、检索和补全等方面.随着研究者对于草图细粒度操作的重视,对草图分割方面的研究也得到越来越多的关注.近年来,随着深度学习与计算机视觉技术的发展,出现了大量基于深度学习的草图分割方法,草图分割的精确度和效率也都得到了较大提升.但是,由于草图自身的抽象性、稀疏性和多样性,草图分割仍然是一个非常具有挑战性的课题.对基于深度学习的草图分割算法进行整理、分类、分析和总结,首先阐述了3种基本的草图表示方法与常用的草图分割数据集,再按草图分割算法的预测结果分别介绍了草图语义分割、草图感知聚类与草图解析算法,然后在主要的数据集上收集与整理草图分割算法的评测结果并对结果进行分析,最后总结了草图分割相关的应用并探讨未来可能的发展方向.     

轮廓组织研究进展

轮廓提取是图像信息处理、机器视觉等领域中的经典难题之一。轮廓组织,即基于感知组织的轮廓提取技术为解决这一经典难题注入了新的活力。从轮廓提取与感知组织之间结合点出发,按照时间顺序对轮廓组织的研究现状进行比较,全面总结并分析现有方法的特点和不足,最后指出了进一步研究的发展方向。     

结合MASP和语义分割的双链路行人重识别方法

行人重识别是通过不同的摄像机识别同一个人。由于人的姿势多变,背景杂乱以及拍摄角度不同等,提取强大的行人特征成为一个有挑战性的任务。为了提取良好的行人特征表示,提出了一种结合MASP与语义分割的双链路行人重识别模型。该方法对网络不同深度的特征进行采样,不同深度的特征图具有不同的表达能力,使网络可以学习到行人身上更加细粒度的特征。上层链路针对网络过深导致行人信息丢失的问题,提出了MASP模块,对浅层特征进行采样,然后与高级特征连接,对深浅层级特征交融,增加特征的多样性。下层链路基于语义分割结果,对提取的中间层行人特征映射,得出语义部位特征。在测试阶段,将全局特征与语义部位特征结合生成多层次特征,加强模型的表征能力。在Market-1501和DukeMTMC-reID两个数据集上与其他方法的对比以及消融实验表明,提出的结合MASP与语义分割的双链路重识别模型有效提升行人重识别性能。