一种基于光流的行人目标跟踪与分割方法

为了对非限制场景中的行人目标实现跟踪和分割,研究了一种基于光流的行人目标跟踪与分割方法。采用传统光流场的计算方法,获取行人运动所产生的光流场,将光流场中像素点的幅值信息及像素点在帧间运动的方向角度信息相结合,使光流场中所包含的前景目标物体的运动信息更加完整,更具鲁棒性。根据行人在连续帧间运动时,行人和背景之间边界位置像素点亮度变化的特点,实现对行人目标的跟踪。采用改进的内外映射方法,获取动态目标内部像素点,实现对视频前景行人目标的分割。实验结果表明,该方法能够准确地实现对非限制场景中行人目标的跟踪与分割。     

金属图像的自适应分割方法研究

针对金相图中分割问题,在分析对比传统的全局阈值分割方法的基础上,提出了一种自适应阈值分割方法。将原图像划分为若干子块,对每个子块利用最佳阈值的方法进行分割。实验表明,提出的方法简便易行,具有较好的鲁棒性和适应性;在完整、有效分割图像的同时,能够保留原始图像中的大量细节信息,对复杂背景图像的分割处理效果满意。本文研究为今后金相分析提供了可靠的依据。     

基于自适应对抗学习的半监督图像语义分割

现有的自适应对抗学习方法采用固定惩罚因子在不同特征层进行监督学习,并采用FCN(Fully Convolutional Networks)作为判别器的基础框架,模型缺少泛化能力,在分割较复杂场景时易造成类感染和类漂移。针对该问题,提出了一种学习率自适应的对抗学习的图像语义分割方法。该方法设计了一种类似SegNet结构的网络判别器,采用最大池化进行非线性上采样,既继承了FCN的优势,可以输入任一大小的图像,又保留了相对精细化的特征相关性信息。由于提出的模型可以通过自适应学习率调整对抗损失与交叉熵损失的权值,从而更新生成器的分割网络,所以提高了语义分割的精度;此外,提出的模型在判别器中采用了SegNet框架代替FCN框架,克服了暴力池化问题,且能够将未标记目标数据集的边缘信息引入网络结构中,从而能有效纠正网络的边缘区域,较好地保持图像的边缘细节,从而使分割结果更为精细。在PASCAL VOC2012标准数据集进行实验,并与现有的性能较好的弱监督分割模型相比,实验结果表明:本文模型能够更精细地分割出较复杂背景的目标,有效地缓解类感染和类漂移,并且有效地保留了边缘细节。     

基于全卷积孪生神经网络的复杂监控场景下前景提取方法

由于光照变化、相机抖动和动态背景等因素影响,现有基于传统图像处理方法的前景提取算法并不能在复杂场景下获得良好的分割效果。针对此类问题,本文提出了一种基于全卷积孪生神经网络的前景提取算法,仅需任意2帧图像即可准确提取运动前景。将输入的2帧图像分为背景图像与待提取图像,将其输入全卷积孪生神经网络得到二者的相似性度量图,该相似性度量图中包含待提取图像相对于背景图像的各像素变化情况信息;接着将相似性度量图与待提取图像融合,利用编解码网络以实现端到端的前景提取。在CDnet2014数据集上进行综合评估与测试,结果均证明了该方法的有效性。     

顾及动态物体感知的增强型视觉SLAM系统

传统的同步定位与制图（Simultaneous localization and mapping, SLAM）系统在复杂环境下工作时，无法分辨环境中的物体是否存在运动状态，图像中运动的物体可能导致特征关联错误，引起定位的不准确和地图构建的偏差。为了提高SLAM系统在动态环境下的鲁棒性和可靠性，本文提出了一种顾及动态物体感知的增强型视觉SLAM系统。首先，使用深度学习网络对每一帧图像的动态物体进行初始检测，然后使用多视图几何方法更加精细地判断目标检测无法确定的动态物体区域。通过剔除属于动态物体上的特征跟踪点，提高系统的鲁棒性。本文方法在公共数据集TUM和KITTI上进行了测试，结果表明在动态场景中定位结果的准确度有了明显提升，尤其在高动态序列中相对于原始算法的精度提升在92%以上。与其他顾及动态场景的SLAM系统相比，本文方法在保持精度优势的同时，提高了运行结果的稳定性和时间效率。     

基于图像的渲染

传统的基于多边形建模的几何渲染技术由于建模困难,以及渲染时间过长等,已越来越不能适应对大型复杂场景进行精确建模和实时显示.另一方面,随着图像获取设备精度的提高和价格的不断降低,目前已很容易获取到高精度的图像信息,基于图像的渲染技术逐渐成为场景渲染的主要手段之一.本文介绍了基于图像的渲染技术的原理以及其中几种代表性的方法,并分析了进一步的研究方向.     

一种新的鲁棒非线性卡尔曼滤波

Huber方法是一种基于l1/l2联合范数的估计方法,该方法可以实现估计的鲁棒性,同时尽量不损失滤波精度和效率.基于Huber估计的无味卡尔曼滤波虽提高了无味卡尔曼滤波的鲁棒性,但这种方法用统计线性回归模型来近似非线性的观测模型,损失了无味变换的精度.从Huber方法的数学意义出发,对观测信息(观测值或观测噪声)进行重新构造,然后对精确的非线性观测方程进行标准的无味卡尔曼滤波,这种新的基于Huber方法的无味卡尔曼滤波无需对非线性观测方程进行线性近似,在保持鲁棒性的前提下提高了滤波精度.通过一个具有混合高斯分布观测噪声的简明实例,验证了新算法在鲁棒性、滤波精度以及估计一致性方面的优势.     

基于区域气球力Snake模型的运动目标快速跟踪方法

提出了一种包含区域信息的Snake模型用于运动目标检测与跟踪。在通常情况下,基于区域信息的跟踪方法对背景光线的微小变化、位置的微小移动较为敏感,而基于边缘信息的跟踪方法则难以对边缘模糊的图像取得满意的跟踪效果。在算法中同时引入这两种信息,边缘信息使得算法快速而鲁棒性好,区域信息可以对边缘模糊的图像取得正确的跟踪效果。使用双差分图像设计了自动初始化的方法来实现视频的自动跟踪。同时,对目标的下一步运动位置增加了一个预测环节来加快主动轮廓模型的收敛速度。该算法的每帧计算时间一般小于0.1S,能应用于实时系统。     

一种基于低秩矩阵的车流量检测算法

针对传统车流量检测方法在复杂环境中检测精度较低的问题,提出了一种新的基于低秩矩阵的车流量检测方法。首先利用伊辛模型和鲁棒性主成份分析方法(RPCA)得到非凸的能量函数,然后利用奇异值分解(SVD)并且不断迭代的方法分步解决能量函数非凸性的问题,进而优化能量函数检测出最佳车辆前景,最后利用虚拟检测线圈来统计车流量。实验结果表明:该方法与帧差法和混合高斯算法相比,检测车流量的精度得到显著提高,并且能够较好地分割大雾天气的运动车辆。     

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。     

基于尺度时间均衡的高速风洞视频测量图像闪烁修正方法

高速风洞视频测量试验环境中,复杂的光照条件容易导致采集的图像序列出现闪烁,影响测量结果的精度。在测量图像中,由于照明变化导致的灰度变化和目标运动、变形引起的局部变化耦合在一起,导致基于仿射变换模型（线性或非线性）的修正方法难以适用。尺度时间的直方图均衡方法（STE）利用尺度空间理论,对各图像直方图中每一个灰度值组成的曲线在时间维度上进行高斯卷积得到目标直方图,再通过直方图匹配获得闪烁修正后的图像。针对日光灯照明下的相机标定板图像、存在运动和变形的风洞模型变形测量试验图像和存在油膜形态变化的油流试验图像开展了应用研究。结果表明,该方法适用于图像序列的全局闪烁修正,与基于模型的方法相比,其修正效果不依赖于基准图像,对图像抖动、局部存在目标运动或变形等干扰因素的鲁棒性强,且方法简单,计算量小,具有较高的工程应用价值。     

基于区域的GLRT车辆目标检测方法

基于合成孔径雷达(Synthetic aperture radar,SAR)图像的地面车辆目标自动检测是一项重要的SAR军事应用研究。提出一种基于区域的广义似然比法(Generalized likelihood ratio test,GLRT)的目标检测方法,该方法将GLRT目标检测理论与图像分割技术相结合。首先利用普通图像常用的分割聚类方法从SAR图像场景中粗略地分离出陆地杂波区域和目标潜在区域。然后根据分割结果,分别对两区域数据建立合理的统计模型。最后在背景和目标统计特性都已知的情况下,采用GLRT目标检测方法对目标潜在区域的像素点进行逐一检测,获得更为精确的检测结果。对实际SAR数据处理的结果表明,该方法能有效地从陆地场景中检测出地面车辆目标,且具备一定的精确性和快速性。     

共轴刚性旋翼气动干扰数值计算方法

建立了一个适用于共轴刚性旋翼气动特性分析的数值模拟方法。该方法采用任意拉格朗日欧拉方法(Arbitrary Lagrange Euler,ALE)描述的可压缩Navier-Stokes(N-S)方程求解流场,采用低数值耗散的Roe格式进行空间离散;使用多重嵌套网格方法以模拟双旋翼的运动。针对共轴刚性旋翼配平,引入"差量修正"策略解决了传统配平中雅克比矩阵计算复杂的问题。首先,对Harrington-2共轴双旋翼的悬停气动性能进行了计算,然后,对某2 m直径共轴双旋翼的悬停及前飞状态进行了计算,并与试验值进行了对比。结果表明:在典型状态下拉力系数的计算结果与试验值误差在3%以内,扭矩系数的计算结果与试验值误差基本在5%以内;所采用的数值计算方法对旋翼涡尾迹特征具有较高的捕捉精度,可以有效模拟共轴刚性旋翼悬停和小速度前飞下的复杂流场及其细节特征。     

基于粒子图像叠加方法的微柱群绕流流场测量

分析了相关深度对Micro-PIV速度场测量的影响,说明采用低密度粒子图像叠加技术能够有效减小相关深度,提高速度测量的准确性。将该方法应用于微柱群绕流流场的分层测量,雷诺数分别取0.8~3.6,在此基础上计算了空间平均速度。将分层速度场和平均速度廓线与采用平均相关技术获得的结果进行了比较。结果表明,采用低密度粒子图像叠加方法获得的全场绕流速度分布更为合理,通道底部和顶部近壁区的平均“伪滑移速度”分别减小了22.7%和17.2%,通道中心平均速度峰值增加了5.2%。     

基于区域感知的机械零件位姿计算方法

机械零件位姿识别的准确性与高效性是实现生产过程自动化与仓储物流智能化的关键性能之一。本文对一般机械零件的位姿计算方法进行了研究,针对其形状种类多、结构特征明显等特点,结合场景语义分割方法以及点对特征,提出了一种基于区域感知的机械零件位姿计算方法,计算机械零件的位姿。为验证方法的有效性,使用多组数据进行了实验,并和其他方法进行了对比,试验结果表明该方法具有较高的位姿计算精度,且可以有效地提高计算效率。     

面向复杂场景的鲁棒KCF行人跟踪方法

经典核相关滤波(Kernel correlation filter,KCF)目标跟踪算法是判别式跟踪算法中效果最好的一种跟踪算法。但该算法不能很好地适应目标尺度的变化,且在遇到目标短暂消失或被其他物体遮挡等复杂情形时不具备处理目标重显的能力,因此,为使得目标跟踪能够有效地应对遮挡情形,本文从提高特征表达能力、增加尺度匹配策略和抗遮挡3个方面对经典KCF算法进行改进,提出了一种鲁棒的KCF行人跟踪算法。首先对方向梯度直方图(Histogram of oriented gradients,HOG)特征和色调、饱和度、值(Hue-saturation-value,HSV)特征的响应分布进行特征融合。其次,设置动态选择尺度池来改进滤波器的固定尺寸匹配。最后,通过滤波器响应最大值的变化率衡量目标的遮挡情况,并根据上一成功帧的目标信息,通过EdgeBoxes和感知哈希算法找回目标,更新滤波器。本文所提方法在公开视频跟踪数据集Benchmark上进行测试,实验结果表明与其他目标跟踪方法相比,本文算法提高了尺度变化、遮挡等复杂情形下跟踪的鲁棒性,确保了较高的跟踪精度。     

线性结构光条纹自适应中心提取的鲁棒方法（英文）

在采用线性结构光(Linear structured light,LSL)方式的非接触式测量中,光条纹中心的提取精度直接影响整个检测系统的测量精度。针对通用算法无法准确提取宽度不均匀、灰度值分布不均匀的条纹中心的问题,本文提出了一种自适应优化方法。在该方法中,首先分割条纹区域,通过边界检测来计算激光条纹的宽度。通过基于自适应条纹宽度的二次加权灰度质心法计算初始条纹中心点。之后,根据确定的斜率阈值优化这些中心点,重新计算并获得这些中心点的子像素坐标,同时根据提出的提取算法评估指标对算法进行了详细分析。实验中,提取的中心点的均方误差仅为0.1个像素,结果表明该方法可以显著提高激光条纹中心点的提取精度。此外,该方法可以以相对较低的计算时间有效地运行,鲁棒性良好。     

SAR/INS组合导航中基于SURF的鲁棒景象匹配算法

在SAR/INS组合导航系统中,由于合成孔径雷达采用正侧视成像工作方式,会引起SAR图像的严重变形,而且获取的SAR图像还可能存在严重的斑点噪声。为了适应SAR图像的几何畸变和高斑点噪声影响,需要提取出的图像特征具有较高的鲁棒性。本文提出了基于SURF的导航用鲁棒景象匹配算法,算法首先针对惯性组合导航的工作特点,对SURF特征匹配进行了改进和优化设计,然后用RANSAC方法过滤掉错误和低精度的匹配点,最后,进行最小二乘精确匹配获取航向和位置偏差信息。通过仿真分析了算法对SAR图像的适应性、抗斑点噪声性能,匹配精度以及实时性,并与基于SIFT特征的景象匹配算法进行了对比。仿真结果表明,所提出算法性能优越,在匹配适应性、鲁棒性、匹配精度及匹配速度方面都优于SIFT算法,可以满足SAR/INS组合导航系统图像匹配修正的高性能要求。     

基于时空模型的快速视频显著区域检测

传统的视频显著区域检测方法运算量大且难以处理包含复杂运动的视频,本文提出一种基于时空模型的快速显著区域检测方法.该方法用一种新的模糊聚类算法对特征点的运动轨迹进行无监督聚类,对不同运动类型进行分类.在复杂运动情况下,该算法通过计算优化的聚类中心的个数以获得运动类型数,再将异常数据剔除后,生成运动显著图.而在空间显著区检测方面,则利用反差模型以及Gabor滤波器获得图像的静态显著图.在此基础上,还提出一种基于运动优先思想的时空混合方法,将运动和空间显著图动态合成视觉显著图.实验证明,该方法能够有效地提取视频显著区域,与传统的方法相比该方法平均耗时更少且更方便.     

复杂固体边界流场的三维 PIV 测试技术：任意三维边界识别算法

针对复杂固体边界三维流场的 PIV 测试应用,以及流固耦合实验研究中流场和固体结构特征的瞬态同步测试需求,发展了一种基于双相机布置形式的任意三维边界识别算法以精确获取三维表面几何信息;并以基于MLOS-SMART 三维粒子场重构的 Tomo-PIV 算法计算三维速度矢量场,可同步获取三维表面结构运动／变形信息和三维瞬态速度场。这一边界识别算法基于 SURF（加速稳健特征）模式识别算法进行三维曲面重构,可以确定流场中三维物体结构的边界特征。论文采用双相机布置方式获取了三种不同曲率的圆柱曲面图像,验证了所发展的三维边界识别算法的准确性。最后以圆柱绕流 Tomo-PIV 数字合成粒子图像序列为验证对象,采用所发展的边界识别算法和 Tomo-PIV 算法分别高质量地计算出圆柱曲面信息和三维速度场。