基于图论的复杂交通环境下车辆检测方法

目前现有的基于图像的车辆检测系统大多数是利用滑动窗口法来确定车辆候选区域.为了提高车辆检测的速度并减少计算量,提出了一种新的基于图论的车辆检测方法.该方法针对每幅图像通过简单线性迭代聚类(SLIC)算法得到含有若干个超像素节点的图像,分析节点间的相互关系最终确定车辆候选区域.在检测阶段,本文把大量不同视角的车辆图片作为正样本进行训练,得到多视角的分类器;基于候选区域的几何信息,选择适当的多视角分类器进行检测.由公共交通分析数据集(KITTI)检测结果表明:与目前最新的、具有相同提取特征和分类器的算法相比,本文的方法具有更好的检测精度,在复杂的背景下也能取得很好的检测结果.     

基于有监督显著性检测的目标跟踪

通过构建基于超像素的图作为视觉表示引入超像素间的空间信息.采用基于图模型的流形排序作为显著性检测方法得到第一阶段每个超像素的显著性,判别式表观模型则通过基于中层特征的分类器进行判别并利用空间信息对分类结果进行调整,将流形排序和分类结果结合作为先验信息选择随机游走种子点.结合随机游走得到的第二阶段的显著值和分类结果,最终得到当前帧的置信图.在置信图的基础上,采用积分图方法快速计算得到候选的观测值,将观测值最大的候选作为跟踪结果.在数据集上的实验结果表明,该方法可以有效处理快速运动和形变等问题,从而实现复杂背景下鲁棒的目标跟踪.     

基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.     

改进的多特征融合人行道检测算法

道路检测相关研究多基于KITTI等车道公开数据集展开,由于车道与人行道存在颜色、材质和周围环境等差异,准确地检测出人行道区域成为一个需要解决的问题。本文将应用场景设置为室外人行道,提出了一种改进的基于多特征融合的人行道检测算法。首先使用SLIC超像素算法获取超像素图以减少噪声干扰和后续训练维度;然后计算各超像素块特征,利用新的Gabor滤波器纹理提取方法降低时间复杂度,并加入基于主成分分析(PCA)的光照不变空间特征和三维的深度梯度特征提高检测准确度,选用Adaboost分类器对融合的特征向量进行训练并预测人行道区域;最后采用马尔可夫随机场对分割结果进行优化。本方法是通用的,不依赖于道路外观和结构的先验,在创建的人行道数据集上进行实验,证明了该算法的有效性。     

基于超像素分割的图注意力网络的高光谱图像分类

针对卷积神经网络(CNN)仅能应用于欧氏数据,无法有效获取像素间的全局关系特征以及长距离上下文信息的问题,构建一个基于超像素分割的图注意力网络SSGAT.该网络将超像素分割后的超像素块视为图结构中的图节点,有效减少了图结构的复杂度,并降低了分类图的噪声.在3个数据集上对SSGAT及对比算法的分类精度进行测试,分别获得了94.11%,95.22%,96.37%的总体分类精度.结果表明该方法性能优异,在处理大尺度区域的分类问题时优势明显.     

一种基于超像素的局部判别式跟踪算法

针对目标在复杂环境下容易受到外界干扰而发生漂移的问题,提出了一种基于超像素的局部判别式跟踪方法.首先,对视频序列前10帧的目标区域进行分割,得到超像素,并利用kmeans方法对其进行聚类以构造初始字典;其次,通过训练样本集来训练线性分类器;然后,为了减少目标发生漂移的可能性,将初始训练的分类器与更新后的分类器线性加权之和定义为似然函数;最后,在粒子滤波的框架下,将似然函数值最大的粒子作为跟踪的结果,每运行U帧更新一次字典和分类器参数,以捕获目标表观的变化.仿真结果表明,所提算法在目标发生遮挡、光照变化的复杂环境下仍然能够跟踪目标.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

基于超像素特征表示的图像前景背景分割算法

图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对光照和颜色较为鲁棒的特征,来消除同种物体在光照和颜色差异下的影响;用所得特征训练分类器,判断每块超像素属于前景或背景;最后将超像素分类结果作为初值用图分割的方法进行修正,得到最终的二值分割结果。实验结果显示算法能较好的完成前景背景分割的任务。此外,本算法易于和现有的分类算法相结合,具有较强的可移植性。     

基于SLIC0超像素分割的阴影检测算法

对单幅阴影检测问题,提出了一种基于SLIC0（simple linear iterative clustering zero）超像素分割的阴影检测方法。首先采用SLIC0超像素分割算法对含阴影图像进行分割,生成超像素块检测出阴影轮廓,然后提出一种融合特征的支持向量机方法,将超像素块分类合并,检测出阴影区域。通过实验对比Otsu阈值法、传统SVM分类法与本文算法的检测效果,验证了本文算法的有效性,通过结构相似度（SSIM）与峰值信噪比（PSNR）指标对比表明,本文算法较参考算法的检测性能更优。     

数据流滑动窗口方式下的自适应集成分类算法

针对基于数据块的集成算法,存在数据块大小影响分类效果,且不能及时应对完整式概念漂移的问题,提出了一种考虑数据流局部特征的和能应对多种类型概念漂移的集成分类算法.用滑动窗口作为概念漂移检测器,当检测到概念漂移时,则建立新的分类器并加入到集成分类器中.本文提出的算法在人工合成和真实数据集上与经典算法进行了广泛的对比实验.结果表明:提出的算法在分类准确率上具有明显优势,消耗更少的内存,更适合多种类型概念漂移的环境.