基于视觉显著性的彩色图像分割

为了提高图像显著性检测的准确性,从数学模型上探索显著性的多特征空间.利用多尺度特征提取算法获得低层视觉特征,对特征矩阵用低秩矩阵恢复理论提取显著图,并在自底向上模型基础上融合了高层视觉特征,由高层视觉特征构成一幅权重的显著图.提高了显著度和显著目标的检测性能.通过自适应阈值算法对视觉显著目标进行分割.实验结果表明,该模型比传统的模型提取的显著目标更完整、更准确.     

基于视觉显著性和活动轮廓的图像分割

提出一种视觉显著性和传统的C-V模型相结合的图像分割方法,该方法首先提取图像的显著图,然后使用改进的自适应阈值法将显著图进行二值分割并提取边缘,并以此边缘作为C-V模型演化的初始轮廓.这样对于具有复杂背景的图像C-V模型可以从靠近目标物体的位置开始演化,从而得到较为准确的边缘,同时,也可以减少C-V模型的迭代次数.     

视觉显著性驱动的运动鱼体视频分割算法

针对养殖监控视频中运动鱼体目标检测问题,提出一种基于视觉显著性计算的运动鱼体视频分割算法.首先,将运动特征通道引入基于图论的显著性计算模型中,对多通道特征进行自动加权,生成全局视觉显著图.其次,利用基于方向梯度直方图的支持向量机分类器对显著区域进行目标确认,得到包含前景目标的感兴趣区域.最后,分割出运动鱼体目标,并将其标注在视频序列中.实验结果表明,所提方法在室内养殖监控数据集上能够很好地剔除水面杂波、反光等复杂背景干扰,实现运动鱼体的视频分割.     

基于视觉显著性的突变运动目标跟踪

针对突变运动下的目标跟踪问题,提出一种基于视觉显著性的粒子滤波跟踪算法.该算法将基于视觉注意机制的视觉显著图引入粒子滤波框架中,根据视觉显著图的显著性区域,按"胜者为王"和"返回抑制"机制进行目标检测,并以检测结果为全局建议分布进行粒子采样,从而完成全局状态空间的搜索,有效地避免了陷入局部极大值.同时,为增强目标区域在视觉显著图中的显著性,将自底向上和自顶向下的计算模型相结合,根据目标模板对各个特征显著图进行自适应权值计算,并按权值融合产生视觉显著图.实验结果表明,针对不同类型的突变运动跟踪场景,该算法均能表现出较好的鲁棒性.     

基于视觉显著性的空中目标检测算法

可见光低慢小飞行目标检测技术在军用民用领域有着特殊的意义,当视频背景中包含动态干扰、复杂云像等复杂情况时,检测诸如民用无人机等低慢小飞行目标十分困难,为此本文提出了一种基于视觉显著性的飞行目标智能检测算法,该算法首先通过帧间差分法提取运动信息,再利用改进SR算法对运动目标周边进行检测,检测时,首先通过局部复杂度分类模块对运动信息进行分类,排除地面的动态干扰信息,再提取目标邻域LAB空间中B通道图像,再对该图像进行云、天边缘部分提取,随后将其与SR算法的输出进行归一化做差获取最终检测结果。实验结果表明该算法在地空背景、复杂云像背景、过曝光背景中可以良好工作,并能达到实时处理需求。     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

一种结合视觉显著性的GrabCut图像分割方法

结合显著区域检测技术和GrabCut算法,提出了一种新的图像分割方法.首先,计算融合中心知识和目标紧致度的多尺度区域对比度,通过Harris特征信息和贝叶斯模型进一步提高显著性,得到更加精确的前景检测模型;然后,对显著图进行分割获得目标的粗略位置,将位置信息用于GrabCut算法初始化,并在GrabCut初始化建模中引入显著值权重;最后,结合形态学运算改进分割的目标.实验结果表明:该方法能够实现自动分割,并且取得了接近甚至优于一些GrabCut方法的结果.     

基于视觉显著性及多特征分析的目标检测

针对视觉显著性分析不能辨别目标且单个特征描述目标具有局限性的问题,提出基于视觉显著性及多特征分析的目标检测.首先,对已标定训练图,生成遍历整幅图像的随机采样区域,通过多特征分析获取每个区域包含目标可能性的先验参数信息;然后,对测试图,依据上述先验信息,基于贝叶斯模型计算每个随机采样区域包含目标可能性的评分值,并将值高的若干区域标记为目标候选区域;最后,结合显著性分析及判别准则,对候选区域进一步判定,以确定最大可能涵盖目标的区域,从而实现目标检测.研究结果表明:显著性分析具有对目标所在区域的主动选择性;多特征结合能有效描述目标以使目标更具可区分性.     

融合注视点预测和流形学习的显著性目标分割

针对现有显著性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显著性目标分割算法,能有效地对复杂场景中的显著性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显著性目标;为了进一步提高显著性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显著性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显著性目标分割的鲁棒性更好.     

基于水平集和视觉显著性的植物病害叶片图像分割

为了提高植物病害叶片图像分割的准确性和效率,提出了一种基于水平集和视觉显著性的彩色图像分割方法.首先采用基于小波变换的显著性检测算法得到活动轮廓模型中曲线演化的初始位置,并构造一个基于显著区域的图像活动轮廓模型,再设计一个向量值图像的边界检测算子,引入到距离正则化水平集演化的改造中,以构造一个初始化轮廓更灵活,演化速度更快,目标分割更精确的新的水平集能量泛函.最后的实验对比表明,该方法具有较好的叶片病害部位分割效果.     

基于视觉显著性的无人机目标跟踪（英文）

近年来,小型无人机在无卫星导航条件下的使用需求日益强烈.针对多目标识别问题,提出一种基于小型多旋翼无人机平台的多运动目标识别定位技术,首先采用一种先快速定位感兴趣区域基于视觉注意机制,再用机器学习算法分析感兴趣区域获取目标的方法.实现了对图像中的指定目标进行追踪,同时还实现对目标的定位,其定位误差小于15 cm.该方法有效降低了光照变化、运动模糊、颜色类似物干扰及复杂背景等因素的影响.以地面机器人作为追踪目标进行算法测试验证,在目标消失时间较短的情况下,能够达到较好的追踪效果.     

基于动态视觉显著性的感兴趣目标提取与跟踪

传统的基于粒子滤波的目标跟踪中,通常待跟踪的目标或者在视频初始帧中由人工指定,或者需要对背景进行建模后由背景差方法进行分割,受人类视觉感知机制的启发,提出一种基于尺度不变特征转换(scale invariant feature transform,SIFT)流的动态视觉显著性算法,结合颜色、亮度以及方向等静态特征以实现对感兴趣目标的自动定位;通过融合静态显著性与动态显著性形成总显著图,并选择显著性最高的目标作为待跟踪的感兴趣目标;通过提取目标区域的颜色、梯度及旋转不变局部二进模式(local binary pattern,LBP)纹理等特征构建目标模板,采用粒子滤波器对目标进行跟踪。结果表明,该算法能够在一定程度上模拟人类动态视觉注意过程,有效地检测感兴趣的目标并进行稳定鲁棒的跟踪。     

融合独立分量分析和视觉显著性的烟雾分割检测算法

在烟雾前景分离中,针对传统高斯混合模型分离的前景仍存在大量噪声点的问题,将独立分量分析(ICA)应用于分离烟雾前景,对传统烟雾前景分离算法进行改进。算法通过ICA消除烟雾前景和背景间的二阶和高阶相关,降低非烟雾成分的干扰;并通过基于图的视觉显著性(GBVS)来缩减预判的烟雾前景区域,得到较为纯净的烟雾区域。实验结果表明,与基于混合高斯模型的烟雾检测算法相比,该算法提取的烟雾区域小而集中,主观视觉评价以及客观指标均显示算法的识别效果更优。     

一种视觉显著性引导的模糊聚类图像分割方法

传统的模糊C均值聚类算法利用图像的灰度、颜色、纹理、强度等底层特征进行聚类,实现图像的分割,它容易受到噪声的影响,且计算量大,不能提供理想的彩色图像分割结果。针对这些问题,提出一种视觉显著性引导的模糊聚类图像分割方法。首先使用显著性检测对图像进行初始化分割,得到带有区域级标注信息的引导图,然后将引导图作为指导信息,引导模糊聚类算法对图像进行细分割。在公共数据集上的实验结果表明,本文方法与其他改进的FCM算法和深度网络分割模型相比,可以取得较好的分割效果,有效减少了分割时间。     

基于曲率滤波和视觉显著性的红外小目标检测

红外成像因具有隐蔽性强、环境适应能力强和抗干扰能力强等优点,被广泛用于军事和民用领域。为了实现对红外小目标的高精度检测,提出了一种基于曲率滤波和视觉显著性相结合的红外小目标检测算法。首次将曲率滤波引入红外小目标检测中,对图像中的背景进行估计,然后将背景估计结果与原图像进行差分,使得图像中的大部分背景被显著抑制。为了减小残余的部分高强度杂波对目标的正确检测产生影响,利用形态学方法将高强度杂波移除。为了进一步提高目标的检测精度,提出了一种局部对比度算法进行杂波抑制及目标增强。最后,采用自适应阈值分割方法得到显著的小目标。对本文所提算法与其他算法在5个数据集上进行了比较分析,结果表明,本文算法的信杂比(SCR)与背景抑制因子(BSF)远高于其他算法,在检测率和误报率方面也明显优于其他算法。     

水下双目视觉系统中的目标分割和目标定位

针对典型灰度化和阈值方法用于水下目标分割时存在的目标分割不完整等问题,提出了基于灰度对比度增强的两步目标分割方法:第一步基于彩色矢量阈值进行目标粗分割;第二步分析局部对比度和区域内均匀性,动态确定不同通道的权值和反向处理,进而增强灰度对比度,完成目标精分割.针对典型标定、立体匹配和目标位置测量方法不适用于本研究环境的问题,提出了基于目标尺寸估计的目标定位方法,首先完成在线外参标定和目标圆心匹配,然后利用双目位置测量数据估计目标的尺寸,最后采用单目位置测量得到定位数据.结果表明:该分割方法能够准确分割目标,分割准确率和错分类比率均优于典型方法,定位方法能够得到目标三维位置数据,研制的双目视觉系统能够有效配合水下运载器-机械手系统完成自主作业任务.     

基于视觉显著性的Wang-Landau蒙特卡罗采样突变目标跟踪算法

突变运动目标的鲁棒跟踪是计算机视觉领域的一个具有挑战性的问题.提出了一种基于视觉显著性的Wang-Landau蒙特卡罗采样(WLMC)跟踪算法,用于解决复杂场景下目标发生运动突变的跟踪问题.该算法首先对全局场景进行分块获取子区域,然后使用WLMC方法进行目标状态采样来跟踪发生运动突变的目标.算法将视觉显著性作为先验引入跟踪框架,提出了结合显著性先验的接受函数,通过每个子区域的显著性计算来引导马尔可夫链的构造.和以往方法相比,该算法既保留了WLMC采样方法对全局状态空间的广度覆盖性,又以视觉显著性特性引导采样,避免了全局采样的盲目性,从而提高采样效率.实验结果表明,该算法对发生运动突变的目标进行跟踪,具有良好的鲁棒性.     

足球机器人视觉系统中彩色目标分割方法

足球机器人(MiroSot系列)仅依赖于其视觉系统获得比赛场上的信息.视觉系统对获取的小车顶部标志块的彩色图像进行处理,以识别小车信息.作者试验了3种彩色标志块的设置,并在第1种方案的基础上研究了一种快速彩色目标分割方法,即根据足球机器人视觉系统所处理的视频图像中,待识别的目标区域(前景)面积远小于其他区域(背景)的面积,运用一种基于全局扫描的快速算法,1次分割出所有感兴趣的目标,缩减了系统中目标识别时间,从而使系统能进行一些额外的图像预处理操作,在提高系统识别速度的同时,提高识别精度.     

基于图像分割以及原目标检测的视觉跟踪

基于图像分割以及原目标检测的视觉跟踪是一种极具潜力的跟踪方法,该方法首先对视频中的图像序列用多种分割方法进行图像分割;然后基于概率潜在语义分析(PLSA)算法对分割区域进行类别估计;再从这些区域中筛选出各自的候选区域,对其进行选择性结合,提取出原目标,从而获得原目标的空间信息.最后基于原目标的空间信息,用贝叶斯算法对目标进行跟踪,并采用EM算法来优化跟踪算法.实验证明,该方法优于其他的跟踪方法,能鲁棒地处理遮挡,分散和光照变化等问题.     

基于计算机视觉的动目标图象分割与跟踪

研制了一种能够实现动目标图象分割、识别与跟踪的简易计算机视觉系统。实验结果与分析表明：该系统在图象分割实时性、动目标跟踪精确性、抗干扰性及快速灵活性等方面颇具特色。