基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于形态学的散乱点云轮廓特征线提取

采用逆向工程领域切片技术和数学形态学方法提取点云的轮廓特征线.空间散乱点云密度高且无拓扑关系,通过切片分层可将空间点云转换为不同层的平面切片点云.借鉴图像处理方法,将切片点云转换成二值图像,使用形态学运算提取其轮廓像素,将轮廓像素转换为轮廓特征点并采用B样条曲线拟合成轮廓特征线.实验验证该方法可以得到高质量轮廓线,并可以有效地解决"多环"切片难以正确提取轮廓特征的问题.     

基于2D先验的3D目标判定算法

提出一种基于2D先验的3D目标判定算法.首先用轻量级MobileNet网络替换经典SSD的VGG-16网络，构建出MobileNet-SSD目标检测模型；其次，通过改进网络结构，提高模型对小目标的检测能力，并引入Focal Loss函数来解决正负样本不均衡和易分样本占比较高的问题；在相同数据集上，将改进算法与Faster R-CNN、 YOLOv3及MobileNet-SSD进行对比测试，其平均精度mAP分别提高了7.2%、 8.8%和10.6%;最后，通过改进算法获取ROI,利用深度相机将二维ROI转换为ROI点云，并借助直通滤波来判断目标物体是否为真实场景物体，既省去了传统点云识别中的诸多步骤又避免了点云深度学习中三维数据集制作难度较大的问题，在识别速度和识别精度上达到了较好的平衡.     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

激光扫描数据的等值线分层提取和多细节表达

从地面三维激光扫描技术得到的点云,数据多,精度高,特征复杂,不能直接采用传统方法提取等值线.对此,首先提出点云的分层模型,并分析点云在Z坐标轴方向数据量分布以及分层点的空间分布情况,提出在高精度、高细节的采样下,将分层点云作为等值线的采样数据.然后,用迭代的凸包算法对无先验连接信息的分层点数据连接.结果表明,得到的等值线符合一般等值线的特点,不会产生边缘交叉等问题.最后,按照凸包算法的迭代次数,对等值线分类,可以表达不同细节程度的等值线,层次越高,等值线所表达的物体表面信息越多.最终通过实例说明方法的适用性.     

基于关键点的点对特征三维目标识别算法

针对复杂场景下的三维点云目标识别速度慢,准确率低的问题,提出了一种基于关键点的点对特征三维目标识别算法. 通过直接对关键点建立点对特征,避免了周围邻域局部曲面的特征计算,具有空间维度小和计算速度快的特点. 使用哈希表存储,加快了特征匹配的时间. 利用快速投票方案对模型点云和场景点云进行匹配识别,生成候选位姿,利用贪婪算法对候选位姿进行聚类与筛选,采用ICP算法对物体位姿进行优化,基于配准后的点云重叠情况完成目标识别. 对提出的算法在多个数据集以及真实场景下进行了实验,验证了所提出的识别方法具有可行性和有效性,且对噪声的鲁棒性较强,具有一定的实际工程应用价值.      

基于不变角度轮廓线的三维目标识别

三维物体的快速准确识别是研究的热点.根据局部特征变换的特点,提出了不变角度轮廓线的识别方法.算法通过点云矢量特征对物体进行局部分割,利用欧式距离、测地距离以及角度三个变量,建立其不变角度轮廓特征描述,进一步提取不变矩特征,构建特征向量数据库集.被识别物体的特征描述和数据库中特征进行夹角余弦匹配,可完成物体的识别.通过识别实验以及识别算法性能分析,结果表明算法具有较高的识别率和识别效率,可以用于复杂点云物体识别.     

融合边缘检测的 3D 点云语义分割方法研究

针对点云分割中分割目标不明确,边缘不清晰,全局特征与边缘特征未能有效融合等问题,提出 了一种融合边缘检测的 3D 点云语义分割算法。 首先,通过 3D 点云语义分割网络对点云数据进行初步提取 区域内的全局语义特征;然后,采用引入了注意力机制的语义边缘检测网络,能够更好地对点云数据中的物 体进行特征提取增强,抑制非边缘信息的产生,得到了具有丰富的语义信息的边缘特征;最后,通过融合模块 将属于同一物体的语义特征融合起来进行分割细化处理,使得分割目标更精确;此外,使用了双重语义损失 函数,使网络产生具有更好边界的语义分割结果。 通过搭建实验平台和使用 S3DIS 标准数据集进行测试,改 进后的算法在数据集上的平均交互比为 70. 21%,在精度上较 KPConv 语义分割算法有所提高。 实验结果表 明:该算法能够有效改善物体边界分割不清晰、边缘信息模糊等问题,总体分割性能良好。     

海量点云数据轮廓特征线的快速生成算法

从海量点云数据中快速生成轮廓特征线,是实现基于特征的模型重建的关键.提出了一种基于切片的轮廓特征线快速生成算法.该算法首先对点云数据进行切片,将数字图像的方法应用到基于切片的特征点提取中,通过设置数字栅格平面的边长快速地提取特征点,并根据提出的双向索引连通法快速构造特征线,最终实现了点云数据的曲线模型.实例证明:本算法可以快速、准确地生成海量点云数据的轮廓特征线.     

一种快速手势识别算法的实现与验证

基于大多数的手势识别算法,需要提取高维度的特征,限制了手势识别在实时系统中的应用。文中针对这种问题,提出一种快速的手势识别算法。首先,在原始图像上提取轮廓块边缘对目标区域进行分割。其次,提取目标区域的形状特征。然后,在数据库中,对每种手势只记录一幅标准的参考图像。最后,通过比较参考图像与待检测图像中的手势特征,来匹配和标记手势的含义。实验结果表明,文中提出的快速算法能够准确地识别手势。     

基于正态分布变换的多位姿手掌部三维静脉识别

研究基于三维点云匹配的多位姿手部静脉识别.考虑手部静脉点云的特点,结合双目视觉原理,建立了一种结合三维特征阵列和静脉点云的扩展数据库,提出了一种基于三维特征阵列的静脉点云粗配准算法.在双目静脉图像中提取稳定特征并重建为三维特征,根据三维特征匹配结果初步消除静脉点云位姿差异.并采用改进的正态分布变换算法完成静脉点云匹配.实验表明,本文算法能够有效提高多位姿下的静脉点云识别率,即使手部位姿变化范围较大时,系统的识别率仍超过90%.      

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

基于软件工程与叠层深度学习的工件文本识别算法

目的解决当前图像特征训练不充分,系统软件不规范,导致文本识别不准确的问题。方法分别从系统软件开发和识别算法验证的角度出发,提出基于软件工程与叠层深度学习的工件文本识别算法。首先,根据系统功能需求,进行软件模块化分析,设计出集算法计算、硬件控制、逻辑通信和数据存储于一体的系统架构。然后,基于自适应阈值分割与图像校正,对工件文本图像进行预处理,得到准确的包含文本目标的二值图像区域。最后,利用叠层DAE构成L层深度网络,计算权值矩阵,达到对文本图像轮廓特征深度训练学习的目的。结果利用所提算法获得了复杂干扰条件下的文本识别结果。结论实验测试结果显示:与当前文本识别技术相比,本文算法拥有更高的准确性与现场实用性。     

基于智能视频监控的老人跌倒识别算法研究

如何识别老年人跌倒是图像处理的一个技术难题,为了达到识别老人跌倒行为的目的,提出了一种新的老年人跌倒识别算法。利用三帧差法提取视频中的目标图像轮廓,然后对模糊轮廓进行去噪,膨胀腐蚀,Canny边缘检测等处理,然后求二值图像重心,利用重心的位置和加速度大小来判断老年人的行为是否为跌倒,跌倒则发出报警信。实验结果表明,该算法能达到较好的识别结果。     

利用三维激光扫描数据和KNNS-ICP算法进行变形分析

利用KNNS-ICP算法对扫描物体的变形量进行分析,提取目标物变形量的6个参数,即3个旋转变量和3个平移变量,充分利用了扫描点云中的几何信息,通过对目标物点云的整体分析来提取变形量,避免了利用单点进行变形分析的偶然性.ICP算法主要从不同目标物点云数据的获取、变形前和变形后点云的整体配准、对全局配准后的每个目标物点云进行局部匹配来获取变形量等3个阶段来进行.通过理想状况下的实验模型及非理想状况下的实验模型进行实例分析,论证了利用该方法进行变形监测的可行性.     

基于轮廓跟踪的虹膜定位算法

提出一种基于轮廓跟踪算法的虹膜定位算法. 该算法先通过像素点扫描查找二值虹膜图像中轮廓的起始点, 然后由起始点进行轮廓查找、 轮廓编码、 轮廓筛选确定虹膜内轮廓, 再通过虹膜外轮廓和巩膜间的灰度突变点到内轮廓圆心距离的平均值确定外轮廓半径, 实现虹膜内、 外轮廓的定位. 实验结果表明, 该算法具有较快的定位速度、 较高的准确率, 性能稳定.     

二值图像中目标物体轮廓的边界跟踪算法

分析了二值图像识别中常见的边界跟踪算法,在此基础上提出一种通用性强的边界跟踪算法,能够根据上一边界点的位置判断轮廓走向.在搜索下一个边界点时,只需要对候选的5个点进行判断,便可以找到下一个边界点的位置,从而减少了搜索的次数,使得边界跟踪的时间大为减少.算法对于轮廓不封闭的线段也可以一次扫描得到其轮廓信息.实验表明,算法不仅速度快,而且轮廓识别准确.对于目标物较复杂的图像,算法更能体现出其优越性.     

基于轮廓线的任意形体三维重建

由二维灰度图像恢复形体的三维形状已经成为计算机视觉领域的一个研究热点.对该问题进行了深入的研究,提出了一种基于单幅图像,利用轮廓线进行形体三维重构的方法.该方法从一幅二维灰度图像的断层剖面中使用行扫描线法提取带有孔洞的轮廓线,并且根据一定的准则对其进行分层处理,采用曲率法对各相邻层轮廓线中的分层轮廓线进行匹配,结合最小对角线优化策略完成三角面片拼接,最终实现任意形体表面的三维重建.实验证明,该方法可以根据形体的二维灰度图像方便有效地重建出其三维形状.     

基于三阶样条曲线拟合的改进Snake模型在医学超声图像分割中的应用

鉴于医学超声图像所具有的复杂性,采用基于样条曲线拟合的改进Snake模型来实现对心脏超声图像的分割.为了克服传统Snake模型对初始轮廓的依赖性,采用扇形法获得靠近目标边界的初始轮廓点,并且得到的轮廓点是有序点集.能量最小化过程运用贪婪算法来获得图像的特征边缘点,最后采用三阶样条拟合的方法来获得连续的图像边缘.实验结果表明,采用本方法可以获得连续、封闭的边缘曲线,能够较好地将目标从图像中提取出来.