Horn-Schunck光流算法在运动目标检测及跟踪中的运用研究

光流技术是提取图像序列全局的或特征点的运动信息并对运动信息加工处理以完成目标的跟踪和检测的方法。具体分析了Horn-Schunck光流算法（简称HS光流算法）,并将该算法应用到视频图像序列中。研究表明,利用HS光流法计算能近似得到图像中每个像素点的运动矢量,通过找到其中光流值不为零的像素点组成的最大连通区域,可以实现运动目标的检测和跟踪。     

图像拼接技术在茶树病虫害防治研究中的应用

为较好地实现茶树全景图像的拼接,针对图像拼接过程中存在同名点检测时间长、非同名点基数大的问题,提出一种顾及排列顺序的图像拼接算法。该算法以基准图像为起始,采用相关性原理,以矩形块为计算单位,提取图像间相关区域;后序图像区域提取基于前序图像区域位置计算;最后在目标区域中完成同名点检测,并实现特征匹配、图像配准与融合。试验结果表明,顾及排列顺序的图像拼接算法基于目标区域提取同名点能有效地减少非同名点数量,缩短同名点查找以及特征匹配时间,能够有效提高图像配准速度并实现茶树全景图像的无缝拼接。     

基于骨架特征的奶牛肢体分解方法研究

通过奶牛各个肢体部位可获取更加精准的奶牛运动细节信息,是奶牛姿态检测、行为分析和理解的基础。为实现奶牛头部、脖子、躯干、前肢、后肢和尾巴的精确分解,研究并提出一种基于骨架特征的奶牛肢体分解方法。该方法在依据深度信息阈值提取深度图像中奶牛目标的基础上,用基于距离场的骨架提取算法生成奶牛骨架,对冗余骨架枝进行剪枝后,提取骨架分叉点并用其生成候选分割线,再用形状视觉显著度和分割线优先级对候选分割线进行优化处理。试验结果表明,奶牛各个肢体分解平均正确率为95.09%,且对较难分割的尾部正确率达95.51%;对仰头、正常行走、微低头和低头体态下的肢体分解平均正确率分别为95.18%、95.00%、94.85%和96.23%,可实现不同体态奶牛的高精度分解。     

基于奇异值分解的多尺度变换域图像细化算法

由于多尺度变换域图像细化可降低图像存储难度与识别难度,图像细化核心即为骨架连通性,围绕保持图像骨架高度连通性这一宗旨,提出基于奇异值分解的多尺度变换域图像细化算法。首先,通过采用基于小波多尺度奇异值分解的图像特征提取算法,全面提取多尺度变换域图像中全部目标特征。然后,通过采用一种有效的图像细化算法判断图像细化时需留下的特征点,并去除图像中冗余像素点与冗余枝线,完成多尺度变换域图像细化。最后,根据本文所提算法将多尺度变换域图像以指纹、不规则图像等为例,对两幅图像细化,进行图像的细化测试。研究结果表明,所提算法细化后的图像纹理清楚,骨架分明,且图像纹络连通性较好;与同类型算法相比,该算法对多尺度变换域图像中冗余像素点和枝线的去除效果最佳。     

序列图像运动目标的检测与提取

本文对视频图像中运动目标的检测与提取的算法进行了研究,并在计算机上做了仿真.本文采用背景差分法,针对序列图像首先建立了基于高斯统计模型的背景模型,然后用差分法提取运动目标,用形态学滤波去除噪声.仿真结果表明,算法是有效的,能够得到较好的结果.     

虚拟果园视频跟踪系统的设计与实现

为提高果园设施的安全性,避免浪费不必要的人力和财力,设计开发了一套可对果园进行实时监控的视频跟踪系统。该系统通过将金字塔Lucas Kannade算法与背景差分法融合,实现了对运动目标位置、速度和大小的提取。然后利用电子邮件将运动目标的信息发送给客户端,并将运动目标的图像实时同步至云空间,是一套具有较高实时性与鲁棒性的虚拟果园视频跟踪系统。     

一种基于Matlab的棉铃虫飞行视频的处理方法研究

为了给昆虫行为学的研究者提供可靠的统计资料,提出了一种从视频流中提取运动目标物的坐标值的方法,并设计实现了该算法。视频文件经过预处理后,提取静止背景,再确定每张图像中试验昆虫的区域,随后选取恰当的阈值,经过维纳滤波和中值滤波,从中提取运动目标物的特征。最后算出运动目标物在图像中的坐标值。通过对提取效果和统计结果进行分析,证明该方法有较高的提取率和可靠性,是实现视频资料数据化的有效手段。     

竞技运动视频识别与比较系统的研究

竞技运动视频的识别与比较系统是现代科技训练方法在竞技运动训练中的实现。以定点拍摄的跳远运动视频为研究对象 ，实现了视频中运动目标分割和提取，进行对运动目标进行合成比较。通过对运动员实际训练体态或动作与标准体态或动作的 比较，达到科学的运动分析与诊断的目的。这些功能的实现都是借助于VC++平台在WidowsXP系统下研究和实现的，系统便携、 操作简单，有现场实效性。     

高清视频车辆检测及跟踪系统的设计与实现

针对目前视频车辆检测与跟踪系统存在检测精度低、跟踪稳定性差等问题,设计基于数字信号处理器(DSP)和现场可编程门阵列(FPGA)结构的高清视频车辆检测和跟踪系统。该系统采用高清摄像机为图像采集单元,利用现场可编程门阵列对采集到的IP视频图像进行实时图像解码和图像预处理,高性能DSP做为系统主控单元实现前景提取、车辆检测、识别和跟踪等功能,DSP与FPGA之间的数据交换通过两路高速串行接口连接,以满足运算处理时大批量中间数据的交互;采用基于背景图像差分检测方法进行运动目标的实时检测,通过计算目标物体的紧密度对运动目标进行分类,利用区域特征跟踪法来快速跟踪图像序列中的车辆目标。试验结果表明:与普通视频相比,高清视频条件下对视频图像进行处理,在定位及寻找物体边缘方面具有优势,提高检测精度10%以上,能够实现对运动车辆的实时、准确、快速跟踪。     

基于分区灰度投影稳像的运动目标检测算法

针对视频监控系统中,复杂环境引起摄像机抖动,造成运动目标检测不准确的问题,提出了一种基于分区灰度投影稳像的运动目标检测算法.首先对每帧图像进行分区,利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析,进行抖动判断,并对抖动帧进行运动补偿.然后利用高斯混合背景建模算法进行运动目标提取.最后对目标提取结果进行形态学处理,以进一步提高目标提取的精度.实验结果表明,本文算法较好地消除了场景中运动目标对运动矢量计算的干扰,实现了在摄像机抖动视频场景中的运动目标的准确检测和提取,大大降低了抖动视频目标检测的虚警率.     

基于openCV的玉米株型骨架提取研究

作物株型形态参数,一直是作物栽培及育种中所关注的指标。以粮食作物玉米的株形图像为研究对象,基于Intel公司的开源计算机视觉库OpenCV,以Microsoft Visual Studio 2008为开发平台,综合运用图像处理与分析技术,提出了一种适应玉米株形骨架提取的简便算法,并开发了玉米株型骨架提取软件。实证检验表明,该软件能实现载入一张复杂背景的玉米株形图像,经过剪切、自适应窗口等前期处理及对原始彩色图像的灰度化处理、图像分割和噪声去除等一系列的预处理,最后采用基于C#版的OpenCV(EmguCV)的一个算法提取出玉米株形的简单骨架。     

水稻稻瘟病图像识别预处理方法研究

为了实现计算机对水稻稻瘟病病害的自动识别,研究了水稻稻瘟病病斑图像的预处理和形状特征提取方法。试验中利用灰度变换、直方图均衡化及中值滤波法有效去除了噪声和增强了图像,利用拉氏算子对病斑图像进行边缘检测,准确提取了病斑的形状特征,实现了稻瘟病图像目标分割。这些研究为进一步的特征参数提取及最终病害确定打下基础。     

基于ISS-LCG组合特征点的油菜分枝点云配准方法

【目的】针对传统点云配准方法准确率低、速度慢等问题,以油菜Brassica napus L.分枝点云为研究对象,提出基于ISS-LCG组合特征点的配准方法。【方法】以成熟期油菜角果分枝点云为对象,去除背景噪声后,得到清晰完整的油菜分枝点云;然后通过内部形状描述子(Intrinsic shape signature,ISS)提取油菜分枝点云的特征点,再使用线性同余法(Linear congruential generator,LCG)伪随机选取油菜点云的部分点构成关键点,将特征点和关键点进行融合,构成ISS-LCG组合特征点;通过三维形状上下文特征(3D shape context,3DSC)对组合特征点进行特征描述,最后采用RANSAC+ICP两步点云配准法进行点云配准。【结果】基于ISS-LCG组合特征点的点云配准算法以30°为间隔对点云进行两两配准时,配准效果最佳,配准误差约0.066 mm,配准精度比未采用组合特征点的配准方法提升了50%～70%;配准时间均小于48 s,平均配准时间为8.706 s。【结论】该方法在可控环境内可以实现成熟期油菜植株高精度、高效率的自动配准。     

基于MVS序列图像的油菜三维模型

为实现油菜作物模型的可视化研究,给油菜作物的数字化管理提供数据基础,以感染虫害的苗期油菜为研究对象,采用MVS序列图像技术,搭建MVS技术的序列图像采集平台。根据SFM和PMVS算法获得虫害油菜的稀疏点云数据和稠密点云数据,同时,探索序列图像数量对于特征点匹配的影响。对MVS序列图像技术获得的虫害油菜三维点云数据,采用滤波、精简、Alpha-Shape曲面重建等处理,得到虫害油菜的三维形态曲面模型。结果显示,使用图像数目多和8邻域匹配两者相结合的方法可以又快又好地匹配图像特征点;在获得合适的Alpha值情况下,Alpha-Shape算法可以真实形象地表现出虫害油菜的生长状态。     

计算机视觉技术在植物病害识别上的研究进展

随着农业和现代化信息技术的交互、联结和碰撞,农业逐渐趋于现代化、智能化和数字化,近年来运用计算机视觉技术对植物病害进行诊断得到广泛应用,比传统方法更加迅捷、精确。分别从图像采集、图像预处理、图像分割、图像特征提取、病害识别和分类5个方面进行阐述,总结了植物病害图像识别技术的要点及存在问题,并对其未来发展进行了展望,为计算机视觉技术在植物病害识别上的应用和研究提供依据。     

几种图象分割算法在棉铃虫图象处理中的应用

本文介绍了6种图象分割算法在棉铃虫图象分割中的应用。结果表明，平均值分割算法和迭代阈值分割算法能够获得较好的分割结果，其中迭代法分割结果较符合实际需要。而P－参数法虽最终能获得较好的分割结果，但需要人为干预阈值的选择过程；Johannsen方法能够正确分割出棉铃虫区域，但无法反映棉铃虫的斑纹特征；而Kapur法和Yager方法则将棉铃虫区域的很多内容分割为背景区域，难以反映出棉铃虫实际特征，本研究为进行昆虫图象的特征提取、特征测量及种类自动识别研究奠定了基础。     

基于角点匹配图像拼接方法的改进

在图像拼接领域,同时提高图像拼接的质量和速度是比较困难的。为了解决这个问题,本研究对图像拼接中的特征匹配和图像融合这2个关键部分进行了改进。在特征匹配方面,传统的用于提纯出匹配特征点的方法是使用RANSAC算法。为了解决其在不匹配点比例较大时提纯效率较低的缺点,本研究提出了一种使用聚类法预提纯特征点再用RANSAC算法精确提纯的方法,在图像融合时,使用了最佳路径法与亮度权重函数相结合的方法,以达到消重影并使拼接结果图像自然的目的。试验证明,经过对图像拼接以上2部分的改进算法效率有极大的提高,并能有效地去除重影使拼接图像更加自然。     

水果采摘机器人视觉系统的目标提取

在田间对作物的果实图像进行实时、准确地目标识别提取，是采摘机器人视觉系统的关键技术，而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时，表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近，体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性，提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表，再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较，本方法基于彩色的信息处理，可将背景除去得更干净；对背景不做分割处理、无复杂运算，有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*，Hsv，YCbCr色彩模型下进行了实验，结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。     

运动捕捉数据结构分析及应用

为了使人们对计算机动画领域的运动捕捉数据有所了解,对三维人体运动捕捉数据结构、骨骼层次关系及数据驱动人体运动的应用进行了详细的分析,最后在人体骨骼模型和操作人员模型的基础上进行了实验,仿真效果良好。