基于简化Mumford-Shah模型的活动轮廓边缘检测模型

在Chan-Vese活动轮廓模型(C-V法)的基础上,提出了一种新的边缘检测模型.在该模型中,图像被定义为两个同质区域的组合,图像边缘检测问题转化为基于Mumford-Shah泛函的能量函数最小化问题.本文在分片常数优化逼近中,添加了图像梯度信息,通过调节该项的权重因子,可以得到基于不同灰度强度的图像边缘图.该方法采用了水平集数值技术,因此活动轮廓具备了拓扑变化的能力,并能克服C-V模型检测不出离灰度均值较远的边缘的问题,实验表明了其有效性.     

基于统计方法和主动轮廓模型相结合的医学图像轮廓提取

采用最小描述长度作为目标函数实现点分布模型上轮廓点的自动选取,提出了一种结合统计方法与主动轮廓模型提取图像轮廓曲线的方法.对一系列图像训练得到该训练集的典型轮廓曲线,初始化新图像的主动轮廓模型曲线后,再用训练集得到的轮廓线约束其变形,提取图像最佳的轮廓曲线.实验表明,与传统主动轮廓模型比较,该方法具有更好的轮廓提取效果.     

基于非平衡问题的高斯混合模型卷积神经网络

为了提升分类模型对非平衡数据的分类性能,提出一种EMWRS(expectation-maximization weighted resampling)抽样算法和WCELoss(weighted cross entropy loss function)损失函数,在数据预处理阶段采用高斯混合模型得知数据分布特点,根据其聚类结果分析每个聚类簇中样本权重,以及样本分布和对应权重对数据进行采样,降低数据集不平衡程度;再依据样本比例权重对少数类和多数类赋予不同的代价损失,构建卷积神经网络模型,提高非平衡数据集的分类准确性。构建的卷积神经网络以F1和G-mean为评价指标,在UCI(university of California irvine)公共数据集adult上与SMOTE(synthetic minority over-sampling technique)和ADASYN(adaptive synthetic sampling)等多种经典算法进行比较,结果显示在这两种评价指标中所提模型均为第一,这表明改进后的卷积神经网络模型能够很好地提高少数类分类正确率。     

基于霍夫变换的图像轮廓检测方法与优化

物体的轮廓信息是一种重要的形态特征,在图像处理过程中起着至关重要的作用.基于霍夫变换的轮廓检测方法,对大量的图像进行轮廓检测,并分析其特点.发现该方法不足之处,并进行改进.还分析了一些影响图像处理的因素,使检测效果得到提升.     

基于演算侧抑制模型的运动目标检测方法

研究了一种新的基于时空信息的运动目标检测方法.引入了多通道的概念,采用演算侧抑制模型ALI进行运动目标检测.首先根据时域信息创建多个图像处理通道,将视频图像在各通道上分别进行时域ALI、时空域ALI运算获取运动信息,然后将各通道运动信息进行融合提取运动目标,并用时空域ALI消除噪声.仿真实验表明,该方法在复杂背景下可以精确获取运动目标的轮廓.     

嵌入自联想神经网络的高斯混合背景模型说话人确认

提出在高斯混合背景模型中嵌入自联想神经网络的方法,并将它用于说话人确认. 该方法利用神经网络 和高斯混合背景模型各自的优点,以极大似然概率为训练准则,将两者作为一个整体进行训练,揭示了特征向量的 空间信息. 嵌入的神经网络起到了数据整形的作用,增强了目标说话人数据的相似性. 在背景模型和目标模型的训 练中交替更新高斯混合模型和神经网络的参数. 实验表明,采用本文提出的模型并结合TNorm方法,比基线系统 的确认率提高26%.     

一种简化凸轮轮廓设计的方法

利用旋转矩阵,将凸轮轮廓作图法设计中的反转原理用于凸轮轮廓面的解析法设计,建立了一套简便有效的设计方法,使复杂的空间凸轮轮廓设计得到简化     

应用空域局部高斯混合模型的LSB匹配隐写分析

考虑到图像是一个局部平稳信源,提出一种局部内容自适应的LSB(least significant bit)匹配隐写分析方法. 该方法将LSB匹配隐写建模为加性高斯噪声,将图像空域细节分量建模为高斯混合模型. 在局部区域内用期望最大化算法估计模型参数,取最小方差值为局部隐写噪声方差的估计. 然后提取局部方差直方图的加权和特征,以反映图像不同复杂度区域隐写前后的变化. 将原始特征和校准特征相结合,作为分类特征. 对未压缩图像库的实验表明,该方法较现有方法具有更好的检测性能,在嵌入率低至25%时仍有较可靠的检测性能.     

一种公交车客流量实时检测算法的研究

提出了一种新的公交车客流量检测算法,实现对视频帧图中仅包含乘客的敏感区域进行背景匹配更新,能较精确地检测到上下车乘客。该算法首先提出了用双差分模型确定上下车乘客最大可能分布的敏感区域,然后采用单高斯背景模型对上述区域进行背景重建,最后运用背景差分得到精确的前景目标。试验仿真结果表明,该算法降低了运算复杂程度,有效提高了检测精度,具有很好的鲁棒性。     

基于主动轮廓模型的序列图像分割

提出一种改进的主动轮廓模型应用于医学序列图像的分割。一方面,对内部能量函数增加约束性条件,制约轮廓的长度,使其尽可能短来避免边缘轮廓收敛到中垂线上的其它组织的较强边缘点;另一方面,利用序列图像之间局部区域的信息相关性,重新构造外部能量函数来排除纹理特征的干扰,更好地捕捉到边缘上的拐角点。实验结果表明,提出的改进算法既可以有效地检测出一些拐角点和凹点,又可以避免目标边缘收敛于某些伪边缘点,可达到良好的分割效果。     

道路监控视频中运动目标分割算法的研究

运动目标分割是交通事件检测的基础,分割的质量直接影响道路事件检测的准确性.依次研究了平均法、连续帧差法、混合高斯建模及阴影消除等算法,并综合应用于道路监控视频的运动目标分割的各阶段.针对连续帧差法和混合高斯建模算法进行了仿真实验,结果表明,混合高斯建模算法更适合做运动目标的分割,但由此得到的前景运动目标常受到阴影干扰,所以在混合高斯建模算法中,加入了消除运动目标阴影的算法.通过实验仿真表明,优化的该算法能够更加清晰地分割出前景运动目标图像.     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

基于颜色特征的同源视频复制-粘贴篡改检测

本文针对同源视频的复制-粘贴篡改方式,提出了一种基于颜色特征的视频篡改检测方法,能够定位篡改位置并修复原视频.首先,计算各帧的颜色直方图,提取颜色特征并字典排序,计算邻近帧的帧间相似度获得匹配帧对;其次,针对全局颜色直方图不能表示颜色的空间分布信息,提取匹配帧对的彩色边缘特征进行复检;最后利用SIFT特征点的匹配精确定位篡改位置,并恢复原视频.实验表明,本文提供的方法在SULFA数据库视频检测上具有100%的准确率和召回率.     

基于像素灰度关联的边缘检测

在量子理论的启发下,提出将归一化的数字图像看作是一个多维量子系统,利用邻域像素的叠加态结构建立了像素灰度的相干性空间,通过叠加态结构运算取代传统的模板操作,从而实现数字图像的边缘检测.仿真试验结果表明,所提出方法相比传统的Sobel算法检测出来的边缘细节更为丰富,轮廓更为清晰,并且对噪声具有更好的抑制作用.     

基于空间矩和Zernike矩的亚像素边缘检测

介绍了两种矩的理论,然后根据建立的四参数边缘模型,分别利用两种矩的性质推导出边缘参数与矩之间的关系,利用矩得到图像边缘参数,最后由边缘参数确定图像边缘.两种矩方法得到的边缘的边缘定位精度都已达到亚像素级.     

一种应用机器学习的车牌定位方法

提出了一种基于Adaboost算法与最小同值分割吸收核法角点验证的车牌定位方法. 该方法采用Adaboost算法排除明显的非车牌区域,从而减少车牌候选区域的数量. 在验证阶段,采用SUSAN角点检测方法计算每个经过初筛的候选区域属于车牌区域的概率,并根据该概率值对候选区域进行排序. 最终输出概率值最大的区域作为车牌检测结果. 实验结果表明,使用该方法进行车牌定位无需调整参数也能适应光照变化的应用环境.