基于SVM与颜色/纹理组合特征的景物识别算法

受多种因素影响,室外场景变换复杂,因此利用单个特征(通常多使用颜色或纹理)完成室外场景的识别,不能达到满意的效果。首先基于RGB空间的颜色直方图进行颜色特征提取,然后基于Gabor滤波器进行纹理特征提取,最后将两种特征结合,提出了基于SVM与颜色/纹理组合特征的景物识别算法。基于美国加州理工学院的Pasadena Houses2000数据库建立了室外场景中天空、道路、房子、树木和草地等5类样本训练库,进一步完成了基于SVM的单一特征和颜色/纹理组合特征的景物识别。实验结果表明,该算法对仅用一种视觉特征无法区分景物的室外场景图像能取得较好的分类结果。     

目标语义概率模型在类目标识别和地物场景分析中的算法研究

基于文本分析统计模型提出了图像类目标的语义概率模型,并且将这种概率模型应用于目标识别和复杂场景下的地物分析.首先将图像表示成多个特征局部区域的集合,然后根据目标语义概率模型得到图像、特征局部和目标语义之间的概率关系,通过计算后验概率可以实现目标语义类别的识别.目标概率模型通过EM算法获得模型估计参数.实验结果显示,在识别复杂背景中的目标达到了很好的效果.场景分析中根据图像中各局部区域与目标语义的概率分布可以实现场景中感兴趣区域的标注,实验结果说明此方法有可行性.     

基于空洞卷积与多尺度特征融合的室内场景单图像分段平面三维重建

受光照变化和纹理缺乏等因素的影响,基于单幅室内场景图像的像素级和区域级三维重建算法很难恢复场景结构细节.本文提出了一种基于空洞卷积残差连接和多尺度特征融合网络的分段平面三维重建算法.该算法通过融合利用加入空洞卷积的ResNet-101网络产生的浅层高分辨率细节特征,从而减小随着网络结构的层次加深导致空间信息的丢失对三维重建细节的影响,使模型能够学习单幅图像中室内复杂场景的细节特征,并通过将全连接条件随机场优化的定位精度与深度卷积神经网络的识别能力相耦合,更好地处理了边界定位问题.实验结果表明,本文算法对复杂背景的室内场景的平面预测鲁棒性强,平面分割结果准确,且深度预测精度平均可达到92.27％.     

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.     

复杂背景下的快速机动目标跟踪算法

为了解决复杂背景及大视野场景下跟踪机动目标易丢失和跟踪精度低的难题,提出了一种复杂背景下的快速机动目标检测与跟踪算法.利用帧间差分算法提取图像中的机动目标,在初始帧建立机动目标的颜色直方图模型,将后续输入图像的像素值转化为直方图分布下的概率值;根据与目标模型的相似度,将每个候选区域的像素值作为密度;利用自适应均值漂移算法寻找机动目标的真实位置;利用卡尔曼滤波预测目标位置.实验结果表明:算法能够准确地在复杂背景和大视野场景下快速检测并跟踪机动目标.     

利用方向延伸专家场的单幅雾天图像复原

针对已有单幅雾天图像复原算法存在的局部方向性结构信息描述不充分,易导致复原后景物局部细节模糊或丢失的不足,提出一种基于方向延伸专家场的单幅雾天图像复原算法.首先基于大气散射模型获得粗略的大气光传输图估计,并在此基础上建立方向延伸专家场模型对大气光传输图进行优化;为避免在图像景物高亮度区域出现失真现象,利用无黑点约束算法对大气光传输图进行约束及调整,再根据图像中景物的梯度先验信息获取位于无穷远区域的像素集,由此估计出大气光强值;最后根据大气散射模型反向求解,得到复原后的场景图像.实验结果表明,该算法不仅可以显著地改善景物的细节信息、提高图像清晰度,并且恢复后的景物颜色更加自然、真实.     

基于超像素空间金字塔模型的场景识别研究

针对以往场景识别研究中将图像分割成大小相等的矩形区域进行特征提取而导致识别率低的问题,提出了一种基于超像素空间金字塔模型的场景识别方法：先对图像做不同分辨率的超像素分割,在得到的每个图像子区域中提取PACT特征,然后利用K-means聚类构建出图像集的视觉词典。在进行场景识别时,将每幅图像所有分割子区域的PACT特征连接成一个特征向量,并加入bag of words特征进行分类,最终的场景分类结果在支持向量机LIBSVM上获得。实验结果表明该算法能够有效提高识别率。     

复杂背景下人体检测算法

静态图像的人体识别技术在实际视频监控场景中, 面临背景复杂、图像分辨率低、光照影响和噪声干扰等问题, 这些多变性以及可能发生的遮挡给单一图像中的人体识别技术提出了挑战. 设计和实现一种复杂背景下的人体检测算法, 基于HOG人体检测算法, 使用积分直方图计算HOG特征, 并用级联SVM分类器对样本进行训练. 实验结果表明, 该算法在复杂视频监控场景中进行人体检测比其它人体检测算法具有更高的准确率和更快的检测速度.     

一种基于骨架的彩色图像分割方法

在自然场景的图象分割识别中,如何克服光照变化对分割结果的影响是研究面临的一个关键问题.针对传统方法的限制,提出了一种基于骨架匹配的彩色图像分割识别方法.利用颜色和纹理信息对彩色图像进行初分割,然后在初分割的基础上,利用目标的骨架模型在假设检验判决的框架下在初分割的目标近邻区域对包括阴影区域在内的候补目标区域进行融合处理.实验结果表明该算法是一种行之有效的算法,在对自然场景图像的目标分割识别中能一定程度上消除光照变化对图像分割的影响,取得与人的主观视觉感知相一致的图像分割结果.     

基于HOG特征和机器学习的工程车辆检测

针对智能监控在露天矿区中的应用, 提出了一种在大场景、远距离、多角度的环境下自动识别工程车辆的算法. 该算法利用梯度方向直方图特征(HOG)作为图像描述, 并结合支持向量机(SVM)训练分类器的方法, 实现图像中工程车辆的检测. 为提高检测效率和准确度, 采用Hough变换直线检测的方法提取包含目标的区域. 实验表明, 算法能够在较大分辨率的复杂图像中识别出检测目标, 有较高的准确度, 对于实验中不同的环境具有较强的鲁棒性.