基于物体颜色和尺寸特征的机器人视觉算法

针对基于颜色特征的目标识别方法无法去除相同颜色干扰物的问题,提出了一种基于颜色和尺寸特征的目标识别算法。通过联合HSV(Hue,Saturation,Value)颜色空间转换,采用阈值法和种子生长法对特征颜色进行图像分割,通过双目视觉技术利用目标物体尺寸信息对分割后的图像区域进行过滤,获得颜色和尺寸均符合指定要求的物体图像区域,以此实现目标物体的识别,并提高物体识别的抗干扰能力。通过多次重复实验证明,在进行规则形状物体的识别时,该方法切实有效。     

一种基于图像固有维度的感知物体检测方法

越来越多的心理学行为实验结果支持了基于物体的视觉注意,感知物体的定义和检测是建立基于物体的视觉注意计算模型的前提和关键.本文提出一种基于图像固有维度的感知物体检测算法.结合初期特征分析理论和拓扑性质感知理论的研究结果,由边缘、同质性区域和显著角点定义感知物体.引入图像固有维度的概念及其一种连续形式定义,利用结构张量法度量图像区域的固有维度,并由此检测出图像中的感知物体.感知物体的检测为基于物体的视觉注意计算模型提供了先决条件,可应用于目标识别、图像分割和场景分析中.对真实图像的仿真实验验证了该算法的合理性和有效性.     

基于Shi-Tomasi的太赫兹人体图像边缘物体识别

为了提高太赫兹安检系统对人体图像边缘物体识别的准确率,提出了一种基于ShiTomasi算子的角点特征识别算法。首先对原始图像进行预处理,经二值化、腐蚀膨胀、边缘平滑后消除人体轮廓中孤立的噪声和边缘刺峰;然后将Shi-Tomasi算子筛选后的人体轮廓强角点与垂直方向阈值范围内的相邻角点连线,并根据连线两侧遍历像素变化点,最后通过比对背景侧数值实现人体边缘物体的识别。实验结果表明,该算法识别速度快,对人体边缘物体的识别率高于98%,能够应用于太赫兹人体图像边缘物体的识别。     

基于深度图像技术的可供性物体获取方法

为了提高用户-物体交互行为中可供性物体的识别效率和准确度,为产品形态的可用性设计提供有效的形态特征元素,提出了一种基于深度图像技术的可供性物体获取方法。该方法基于可供性构建了AHO(Action-Hand-Object)可供性模型和HO(Hand-Object)手势,应用深度图像技术获取HO手势的表观特征向量,并训练支持向量机以识别HO手势,结合数理统计方法获取相应的可供性物体。对锅具设计中的两种HO手势识别实验中,该方法能有效地识别出相应可供性物体的形态特征元素。     

基于多级定向执行长度编码快速识别物体特征

提出了一种新的快速物体检测与识别方法,用于检测和识别在运动过程中图像尺寸不断变化的物体。该方法基于多级定向执行长度编码法(MORLC)生成一种新的多级字节编码和物体特征样本形式,其属于字符数据样本,具有数据量小、占用存储空间少、构造过程简单、可根据不同的应用需求选择不同级次的样本形式等特点。对MORLC方法中二级字节编码和样本的系统理论进行了分析,给出了利用MORLC二级字节编码和样本检测和识别运动物体的实验数据。对静态背景中的行人及位置进行了检测和识别实验,结果显示多级字节编码和物体特征样本形式匹配处理速度快,匹配和识别的鲁棒性好,不易产生错误匹配。该方法特别适用于场景中由于被探测物体运动产生投影图像比例发生变化的情况,即对图像大小不敏感。该方法的另一个突出优点是高的执行处理效率。     

基于RGB-D图像的物体识别与位置估计方法

在RGB-D图像包含物体颜色信息与深度信息的基础上,提出了一种物体识别与位置估计方法。采用二维加速稳健特征算法快速从场景图像中识别出模型图像所处的目标区域,进而从场景点云中分割出待搜索的目标点云,减小了三维物体识别的计算量。采用三维霍夫变换从目标点云中识别出模型点云所处的空间位置,从而精确估计出物体位置。在构建日常生活场景常见物品RGB-D图像库的基础上,进行物体识别与位置估计试验,结果表明所提出的方法适应性和稳定性好,具有识别速度快、识别精度与准确率高等优点。     

基于神经网络的智能盲人物体识别和避障仪设计

设计了一种智能盲人物体识别和避障仪,由STM32单片机、摄像头、语音播报模块、电子罗盘定位模块4个部分构成.单片机在摄像头采集的图像中通过算法可以对物体进行识别,准确知道物体的方位.以STM32为主芯片,在图像识别上运用神经网络的数据集来识别物体并采用特征点检测实现避障.采用电子罗盘定位模块确认物体方位的效果和对盲人的运动方向进行实时测量.要帮助盲人"看到"环境信息,分为3个流程:信息获取、信息处理及声音映射.首先辅助仪通过单个摄像头镜头获取周围环境图像,Elman神经网络算法对获取到的图像进行处理,其次STM32单片机通过语音播报模块进行语音播报,将图像信息转化为声音传递给盲人.盲人通过声音判断所处环境,并且做出避障和识别物体的行为,从而达到对日常出行的导盲作用.     

基于神经网络的智能盲人物体识别和避障仪设计

设计了一种智能盲人物体识别和避障仪,由STM32单片机、摄像头、语音播报模块、电子罗盘定位模块4个部分构成.单片机在摄像头采集的图像中通过算法可以对物体进行识别,准确知道物体的方位.以STM32为主芯片,在图像识别上运用神经网络的数据集来识别物体并采用特征点检测实现避障.采用电子罗盘定位模块确认物体方位的效果和对盲人的运动方向进行实时测量.要帮助盲人"看到"环境信息,分为3个流程:信息获取、信息处理及声音映射.首先辅助仪通过单个摄像头镜头获取周围环境图像,Elman神经网络算法对获取到的图像进行处理,其次STM32单片机通过语音播报模块进行语音播报,将图像信息转化为声音传递给盲人.盲人通过声音判断所处环境,并且做出避障和识别物体的行为,从而达到对日常出行的导盲作用.     

基于IMAQ的零件图像特征提取和识别

提出了基于IMAQ的提取零件图像特征的方法,该方法是使用边缘检测算子对零件图像进行边缘检测,然后把检测的图像分成若干个区域并统计各区域的边缘像素量,各区域中的相对边缘像素系数作为特征,利用神经网络实现识别。文中给出特征样本的实验结果,结果表明文中提出的方法能够有效地识别零件。     

高温物体微机图像分析系统的研究

分析了CCD获取的微机图像中高温物体信号与常温物体信号,提出了一种识别图像中高温物体的方法。利用该方法可有效的检测微机图像中的高温物体,并给出了实验结果的分析验证。     

基于候选框提取的可变形部件模型物体清点

已有的利用图像处理进行物体清点的方法对物体本身和背景条件的统一性要求较高,不具备通用性和较高抗干扰能力,而一些准确率较高的算法计算复杂度高,难以满足生产流水线上实时性要求,因此提出一种高灵活性、高鲁棒性及通用的采用候选框提取的可变形部件模型快速物体清点方法,使用快速特征金字塔来训练可变形部件模型,并通过对物体梯度方向直方图(Histograms of Oriented Gradients,HOG)特征按能量大小区域旋转的方法来提高算法的抗旋转能力;然后使用改进的基于先验信息的edge boxes算法提取目标候选框,再对候选框使用训练好的可变形部件模型进行检测;检测出的目标数量即为物体数量。设计了多组对照试验,结果证明,该方法具有较高的通用性和鲁棒性,在准确性和检测效率上也完全能够达到工业生产中实时检测系统的要求。     

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。     

结合主体检测的图像检索方法

为解决图像背景复杂造成图像检索效果差的问题,提出了一种结合主体检测的图像检索方法。该方法首先训练用于目标检测的深度卷积神经网络模型,利用训练好的模型检测查询图像中的物体类别、类别概率和其所在区域坐标及特征。根据物体的类别概率和其所在区域的坐标判断图像主体后,在数据库中查找和主体类别相同的图像。计算查询图像与检索的同类别图像之间区域特征的余弦距离,结合类别概率对所有检索图像进行打分排序,返回分值最高的前10幅图像作为检索结果。最后在VCO2007数据集和自己收集的书页数据集上进行算法验证。实验结果表明,在随机选取的1 000幅测试图片检索结果的全正确率为96.5%,比现有方法提升了6.6个百分点。本文方法可有效排除图像背景的干扰,得到更加准确的检索结果和定位精度。     

动态多目标优化的运动物体图像分割

对小区背景下运动物体图像进行分割时多使用单目标或多目标优化方法,这类方法不能有效适应目标的动态变化,因此本文提出一种动态多目标图像分割优化方法。该方法将时间及环境动态因素作为动态因子,利用K均值(KMeans)算法和和模糊C均值(FCM)聚类算法构造多目标函数;结合动态多目标粒子群算法(DMPSO),使用背景差分法定义环境变化规则,实现动态多目标的图像分割。根据DMPSO算法优化后的聚类结果,分别与K-Means和FCM聚类方法得到的结果进行了对比。结果表明,动态多目标优化的Pareto最优解集分布均匀,图像分割准确率可达到95%,对图像识别的准确率可达到90%,具有较高的识别能力,能满足确定背景下运动物体的准确识别。     

基于Haar-AdaBoost人脸检测算法的研究

针对传统的基于几何特征和模板匹配等方法对于从图像中抽取面部识别所需稳定特征点较为困难、对强烈表情变化和姿势鲁棒性差等缺点,采用了基于Haar-like特征值的AdaBoost算法。其核心思想是针对同一训练集训练不同的分类器,然后将单个分类器级联为更加复杂的分类器,使图像的背景区域快速地被丢弃,并在有可能存在目标物体的区域进行更多的计算。在进行多组人脸图像上的实验结果表明,该方法的效果相较于传统的模型在精度和鲁棒性上有所提高。     

基于视觉的物体特征点检测算法研究

根据测量物体的外形几何特征,提出了用扫描图像的方法进行特征点的提取,该方法能够以较少的特征点最大程度地反映物体三维尺寸.本文方法与Harris角点方法以及基于边缘的角点检测方法通过实验进行了对比分析,结果表明对形状比较规则的物体采用扫描的方式进行角点检测,可以在误差允许范围内,提高测量速度.     

基于模糊聚类分析的边缘检测算法

将模糊c-均值聚类算法(FCM)应用到图像的边缘检测中.首先,将灰度图像中的每一个像素点看成是一个数据样本,将该点的灰度值经过Robert算子、Sobel算子和Prewitt算子处理构成它的特性向量,形成具有三维特征的数据集,然后对这个数据集应用模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.实验结果表明,这种混合算法能得到很好的边缘检测效果,并且得到的结果无需再细化处理,提高了边缘定位的精度.     

基于机器视觉的智能车辆鲁棒车道线识别方法

针对目前传统车道线识别算法在复杂道路环境中识别困难的问题,提出了一种基于机器视觉的智能车辆鲁棒车道线识别方法。为消除噪声干扰以及提高特征检测效率,设计了一种自适应道路感兴趣区域(ROI)计算方法,针对不同情况的车道可自适应地将车道区域与非车道区域分离。对待检测目标采用改进划分角度的检测算子进行车道线特征检测,同时对车道图像有针对性地采用多色域阈值处理,以提高算法的环境适应性。对转换视角后的车道线采用DBSCAN聚类及NURBS曲线进行拟合,并利用随机抽样一致法优化车道线模型以滤除误匹配。实验结果表明,该算法可有效识别出各种道路工况下的车道线。     

使用形态Haar小波法检测目标感兴趣区域

对图像进行面向自动目标识别(Auto Target Recognition,ATR)的压缩其关键是快速而准确地检测到目标感兴趣区域ROI(Region-of-interest),并将其与背景区域分别进行不同比特率的压缩.本文将形态Haar小波法与数学形态学方法相结合来实现目标ROI的检测,设计了新的目标ROI检测算子.对采集图像进行二维形态Haar小波分解,结合目标ROI检测要求的特点,仅在尺度信号域内应用设计的目标ROI检测算子,最终完成目标ROI的检测.仿真实验表明,该方法对目标ROI的检测率最高可达到1.000 0,而最低虚警率仅为0.001 2;对含像素级别为102×102的图像,所需运算时间仅为10-1 s.与传统方法相比,本文算法对目标ROI检测效果好,运算简单,节省了运算时间和硬件资源.     

变圆域罗盘特征图像匹配

针对现有图像匹配算法特征算子计算复杂度高,关键点描述过程中点对选取存在不确定性等问题,提出了变圆域罗盘特征匹配(VCDCM)方法。该方法首先利用罗盘检测法对图像进行关键点检测,采用变圆模式接受域选取理想点对,根据接受域内点对之间的距离将点对分为长点对集和短点对集;然后用长点对集描述关键点方向,短点对集构建关键点描述符。最后采用Hamming距离代替传统的欧式距离进行匹配,并采用随机抽样一致(RANSAC)方法精炼匹配点以避免由于噪声和物体位置移动等原因产生的误匹配。从鲁棒性和实时性两个方面对本文提出的方法与尺度不变特征变换(SIFT)和二元加速鲁棒特征(BRIEF)方法进行了对比试验分析,实验结果表明,本文提出的方法具有匹配速度快、准确性高、稳定性好等特点。