针对车辆与行人检测的ROI自适应分割算法

在基于图像的车辆与行人检测中,针对固定比例/区域的感兴趣区域(Region of Interest, ROI)图像分割适应性低之问题,提出基于消失点和车辆高度的ROI自适应分割算法：首先,利用车道消失点得出道路位置,避免分割区域浪费;其次,综合车辆实际高度和检测距离计算图像上车辆高度,定位ROI边界,减少车辆及行人目标的不完整分割;最后,循环利用当前帧的车道消失点及其推导的实时俯仰角更新下一帧ROI,实时适应不断变化的路面坡度及车身俯仰姿态。实验表明,该算法计算简单,适应性强,满足不同情况下快速精确的ROI分割要求,提高后续目标检测的实时性和准确性。     

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.     

鲁棒车载热成像行人检测的感兴趣区域提取方法

现有的感兴趣区域( ＲoI) 提取方法很难兼顾较高召回率和较少的 ＲoI 数量． 为了 降低计算开销和 ＲoI 数量,提高召回率,文中提出了适合车载热成像行人检测的 ＲoI 提取 方法:首先,根据行人边缘特征存在的方向差异性判断图像中可能的行人竖直边缘,增强 其幅值;接着,级联行人尺寸约束和自适应局部双阈值分割方法过滤滑窗产生的边界框, 滤除大量的非行人边界框;然后,根据行人的轮廓特征,采用 T 型模板对过滤后的边界框 进行得分评估,在保留可能的行人腿部信息的同时去除边界框内部的无关边缘; 最后,利 用行人的强尺寸约束重新排序 ＲoI,以便在提取固定数量的 ＲoI 时能提高召回率． 在热成 像行人检测数据集 SCUT DataSet 上进行对比实验,结果表明: 当每幅图像提取400 个 ＲoI 时,文中方法的召回率达92%,比 EdgeBox 方法的召回率提高21%,计算时间减少了 10%     

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。     

改进YOLOv3的行人车辆目标检测算法

针对YOLOv3(you only look once version 3)对中小目标检测效果不理想的问题,提出改进算法DX-YOLO(densely ResneXt with YOLOv3).首先对YOLOv3的特征提取网络Darknet-53进行改进,使用ResneXt残差模块替换原有残差模块,优化了卷积网络结构;...     

基于语义分割注意力与可见区域预测的行人检测方法

为改善图像中遮挡和小尺寸行人的检测精度,提出一种基于语义分割注意力和可见区域预测的行人检测方法.具体地,在SSD(single shot multi-box detector)目标检测网络的基础上,首先优化SSD的超参数设置,使其更适于行人检测;然后在主干网络中引入基于语义分割的注意力分支来增强行人检测特征的表达能力;...     

医学图像感兴趣区域(ROI)的分割三维重建算法研究

在医学图像处理与分析过程中,医生通常最关心的信息便占图像中的很小一部分,这部分就是所谓的感兴趣区域,即ROI(Region of Interest)[1],感兴趣区域包含着重要的诊断信息,这些信息是临床诊断和病理学研究的重要依据.基于感兴趣区域的三维重建形成的可视三维图像结果能够帮助医生准确的识别各种组织和器官,并对其进行处理与分析,使诊断更有效、更轻松、更精准,同时它也为医学培训、医学研究和教学提供数字实现手段.     

人脸检测的自适应肤色分割算法研究

为寻找候选人脸区域,从复杂的背景中分割出肤色信息成为一种有效的方式。作者分析了几种常用的彩色空间,提出一种自适应肤色分割算法,即检测出彩色图像中的肤色区域。算法选择了分割效果很好的HSV彩色空间,对Sandeep等人提出的方法进行改进,克服了因为皮肤区域的颜色随着拍摄的光照、角度等因素难于分割的不足。实验结果表明,该算法能有效地从复杂背景中分割出肤色区域,显示出更强的鲁棒性(robust),在人脸检测系统中具有很好的应用价值。     

移动机器人行人目标活动区域快速检测算法

针对移动机器人运动目标检测过程中运动目标与背景均存在位移致使跟踪失效的问题,提出一种显著光流分析法对室内行人目标活动区域进行检测与标识,能够快速有效地为移动机器人视觉检测与跟踪算法提供简便的初始区域定位信息。经仿真实验分析,该算法能够在室内复杂的情况下,快速检测出行人目标的活动区域,方便人物识别与躲避,具有较强的工程应用价值。     

用于海上感兴趣区域实时分割的近似算法

详细介绍了海上运动目标实时检测和跟踪系统中感兴趣区域分割阶段所使用的主要算法及其优化策略.主要分析了系统所涉及的两个方面的工作:(1)引入视觉注意力机制,在构建金字塔结构的基础上,提出了一种迭代的基于倒三角小模板的线性低通滤波方法,快速地实现粗分辨率图像上的平滑滤噪,凸显目标;(2)用近似区域填充算法或是水平放置的最小外接矩形逼近存在较大缺口的边缘连通分支,以构成物体的大致区域.理论分析表明,这些近似算法在提高运算速率的同时,仍然具有较高的近似比.同时实验结果也表明,算法具有实时性好,鲁棒性强等特点.     

图像感兴趣区域检测技术

感兴趣区域（ROI）检测技术，是将图像中最能表现图像内容的关键区域提取出来的技术。论文对现有的静态图像ROI检测技术进行了讨论。在分析了ROI检测技术的产生背景之后，介绍评述了几种当前较具代表性的ROI检测算法。详细讨论了基于视觉特征的ROI检测算法，最后列举了主要的ROI应用方向，并对ROI检测技术的发展前景进行了展望。     

图像感兴趣区域自动提取算法

感兴趣区域提取技术在图像处理和分析领域中有着重要地位。提出了一种ROI的自动提取算法,在显著度图和相对位置指示图的基础上,采用基于子区域的区域生长法,以像素点的显著度、相对位置及颜色纹理信息作为生长条件,颜色、纹理信息的权重可以根据图像的内容自适应调整。实验结果表明,该方法与现有算法相比,在速度和ROI提取的准确性方面均有提高。     

基于自适应区域生长算法的口腔CT图像分割

近年来,随着口腔医疗水平的不断提高,牙科CT因能测量出更精确的图像得到了广泛的应用。区域生长法是图像分割技术中基于区域分割的一种,通过把具有相同特征的区域连通,从而构成最终的分割区域。相较其他分割方法,区域生长有效地利用了图像的局部空间信息,能更好地避免图像分割空间小连续的问题,具有较好的区域特征。为了能提取CT图像中感兴趣的牙齿部分,本研究将对口腔牙齿CT图像采用一种自适应区域生长算法,利用已生长区域的平均灰度、平均梯度以及标准差,在原有生长准则的基础上进行改进,对牙齿CT图像进行分割以及三维重建的实验后,能够显示出单独某颗或几颗牙齿的三维图像,证明了改进后的算法可实现较好的分割效果。     

基于改进YOLOv5s的行人车辆目标检测算法

针对传统的行人车辆目标检测算法因参数量大和计算复杂度高而在现实应用中受限的问题,基于轻量化深度学习网络提出改进的YOLOv5s行人车辆目标检测算法.首先,选用ghost模块替换主干网络中部分卷积模块进行模型剪枝,同时向网络中引入注意力机制,使得网络在减少模型参数量和提升模型性能两方面实现更好的平衡;其次,采用边界框的宽高差值计算代替边界框回归损失函数中宽高比距离的计算,加速网络的收敛;最后,通过构建真实交通场景下的行人车辆目标检测数据集检验模型的准确性和实时性.实验结果表明,在保持原算法较高精度的同时,改进后YOLOv5s算法的参数量下降28%,模型大小降低27%,节省了硬件成本,拓宽了YOLOv5s算法的应用场景.     

基于感兴趣区域的H.265样点自适应补偿算法优化

针对目前H.265环路滤波器样点自适应补偿(sample adaptive offset,SAO)算法复杂度高、计算量大的问题,提出了一种基于人眼感兴趣区域的样点自适应补偿技术.人眼感兴趣区域在视频的空间域对应纹理复杂的区域,在时间域对应运动剧烈的对象.利用图像的时域和空域的二维信息,使用编码单元深度和运动矢量分别检测...     

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.     

基于感兴趣区域聚集层的强化学习算法的目标检测

在传统深度强化学习的目标检测基础上,提出了一种基于感兴趣区域聚集层的策略,改进传统深度强化学习中使用RoIPooling层将感兴趣区域池化为固定尺寸时造成的像素偏差.首先遍历整个感兴趣区域,保持感兴趣区域的浮点数边界;然后将感兴趣区域平均分割成7×7个矩阵单元,保持每个矩阵单元的边界也是浮点数;最后在每个矩阵单元中使用...     

基于自适应池化的行人检测方法

基于卷积神经网络的行人检测器普遍采用图像识别网络,通常会引起多池化层导致小目标行人特征信息丢失、单一池化方法导致行人局部重要特征信息削弱甚至丢失等,针对以上问题,基于最大值池化和平均值池化方法,提出了一种自适应池化方法,结合通用目标检测器Faster R-CNN,形成了有效的行人检测器,达到增强行人局部重要特征信息、保留小目标行人有效特征信息的目的。对多个公开的行人数据集进行大量实验,结果表明,与传统的卷积神经网络行人检测器相比,所提方法将行人检测漏检率降低了2%～3%,验证了方法的有效性。新方法改进了卷积神经网络结构,在无人驾驶领域具有一定的参考价值。     

一种提取MRI图像感兴趣区域的分割方法

以国际标准脑肿瘤MRI图像库为背景进行分割实验,提出一种结合模糊C均值聚类、区域生长和数学形态学的FCM_Region分割方法对MRI脑肿瘤感兴趣区域进行提取.先利用模糊C均值聚类算法对原图进行聚类粗分割,对分割的结果采用形态学双结构算子和区域生长法去除颅骨等非脑组织来获取脑部组织,并平滑图像,最后采用比对法获得肿瘤感兴趣区域.实验结果证明了该方法对MRI脑肿瘤图像分割的有效性.