一种改进的基于角度检测的实时指尖检测算法

针对目前指尖检测算法不能同时兼顾检测率和实时性方面的不足,提出一种改进的基于角度检测的实时指尖检测算法.先用背景差和肤色相结合的方法检测出目标手区域,然后提取手区域边缘,再用改进的指尖检测算法检测出候选指尖点,并用聚类算法和凹凸性方法对筛选出的候选指尖进行进一步筛选,最后用一种新的后处理方法对获得的指尖进行排误,以提高指尖的正检率.实验结果表明,该算法在保持较高正检率的基础上,同时具有良好的实时性.     

一种移动车辆遮挡下的车道线检测方法

针对存在移动车辆遮挡等强干扰的情况,提出了一种基于轮廓筛选的车道线检测方法.首先基于轮廓角度和像素数目滤除非车道轮廓进而实现特征点粗提取,然后提取像素点的位置信息,通过设计一种基于相对距离与梯度的自适应双阈值筛选法进行车道线特征点的精提取,进而拟合车道线.实验结果表明,该算法具有较强的抗遮挡能力,且满足实时性要求.     

车载雷达点云的结构化道路边界提取方法

为了提高结构化道路边界检测的准确性与鲁棒性,结合非参数变点统计方法,提出了一种基于32线激光雷达三维点云的道路边界提取算法。基于结构化道路区域和非道路区域存在一定高程跳变特征,该算法利用非参数变点统计,对激光雷达扫描的道路环境三维点云数据中突变的z坐标值进行标记,并提取对应的候选道路边界点(x,y)。利用道路边界方向的最大期望(EM)聚类算法,对候选道路边界点进行聚类去噪。利用最小二乘法拟合道路边界,在不同光照条件下的校园结构化直、弯道路环境进行实车实验,统计直道1 030帧数据和弯道650帧数据。仿真结果表明:算法识别准确性较高且检测距离达18 m,耗时约28 ms,可满足智能车实时性要求。     

三维空间数据点边界快速查找算法设计与实现

利用三维数据点对原始模型进行曲面重建时,快速查找边界点并拟合出边界边是曲面重建的重要环节。提出一种基于K近邻的三维空间数据点边界快速搜索算法,该方法首先找出所有空间数据点的K近邻,并对被测点区域进行八分,判断其任意相邻的2个区域是否有数据点,提高了边界点的查找精度;介绍了基于实验的数据点空洞半径的计算方法,详细说明了算法的设计步骤,给出了算法的运行结果,并对结果进行了比较分析;采用基于K近邻的新八分法查找边界点,对算法进行了改进,使其精确性优于原始四分法,使运算时间优于原始八分法。实验证明该算法边界提取精度较高、运行速度较快,尤其是在凹陷程度较大区域,能更精确地描绘出原始模型的轮廓,为边界曲线拟合提供了优质的边界点数据。     

一种基于边缘判决的空域差错掩盖算法

提出了一种基于边缘判决的解码视频空域差错掩盖算法.该算法首先对丢失块邻域中的像素进行边缘检测,并对检测出的边缘判断其是否会穿过丢失块.然后使用方向选择过程提取多个候选插值方向,并通过边界像素灰度差决定最终插值方向.实验结果表明本算法有效地提高了错误图像的掩盖效果.     

基于联合后置滤波器与分数阶光流模型相结合的运动分割算法

针对传统HS（Horn&Schnuck）光流估计算法存在奇异值、不能保留光流场边界不连续性、不能应对运动目标间相互遮挡等问题,提出一种联合后置滤波器的分数阶光流模型。在该模型中,应用分数阶微分处理HS模型中的平滑项以保留光流场的边界不连续性;通过分析结构张量特征值的数据特征来寻找光流场边缘点,利用联合流场散度与像素点投影差分的方法来检测遮挡区域;采用一种结合MF(Median Filter)中值滤波器、WMF(Weighted Median Filter)权值中值滤波器、BF(Bilateral Filter)双边滤波器的CPF(Combined Post Filter)联合后置滤波器,它能够通过检测是否存在遮挡、图像亮度不连续性、图像运动不连续性,自适应地调节光流场的扩散过程,从而获得更加准确的光流场。实验证明,该算法能在图像中存在光照变化、遮挡、多运动目标等复杂情况下精确地估计出光流场,且算法计算成本低,能满足实时性要求。     

彩色环境下基于惯性矩的椭圆检测算法

提出了在彩色环境下检测椭圆的新算法。首先分析了椭圆的解析结构,根据物理学中惯性矩的概念,推演出一个类椭圆区域的理想椭圆,用该理想椭圆与边缘检测获得的边缘点拟合,求出一个区域的理想椭圆;然后将求得的理想椭圆与区域边缘点集合用近似度和逼近度两个指标拟合,得到与类椭圆区域最匹配的精确椭圆;最终得到类椭圆区域的边界轮廓,该轮廓可以很好地代替目标的真正边界。该算法可以快速检测完整椭圆和椭圆弧。     

一种基于链码向量的图像匹配算法

基于特征的图像匹配算法被广泛应用于图像处理和模式识别领域中,图像特征提取以及采用的匹配算法并直接决定图像匹配的效果。为了尽可能准确的实现图像匹配,提出了一种基于链码向量的边缘特征匹配算法。首先通过改进的Laplace边缘检测算子提取图像中的边缘信息,提高了边缘检测的可靠性;然后,将提取到的边缘信息由边界链码描述,并将边界链码构造成向量,利用数学向量相似度原则进行图像匹配。实验结果表明,该匹配算法简单快速,匹配准确率高,具有较高的实用价值。     

基于路径搜索的车道线检测算法

针对基于特征的车道线检测算法鲁棒性较差的问题,本文提出一种基于路径搜索的不依赖感兴趣区域的车道线检测算法.首先,对预处理图像平滑处理过滤部分噪声,并采用基于梯度的边缘分割方法提取车道线边缘;其次,提出一种基于路径搜索的车道线检测算法,生成两个包含车道线特征点的集合;最后,用三次多项式结合最小二乘法对所得车道线元素点进行曲线拟合,得到两侧车道线.试验结果表明,相比于基于Hough变换的车道线检测算法,该算法在校园道路场景下的鲁棒性更强,且在弯道车道线检测方面表现良好.     

基于分数阶微分Frangi的夜间车道线检测

基于机器视觉和图像处理的夜间车道线检测一直是该领域的研究难题,即使是近年的深度学习方法,检测精度只能达到50%左右.为此,研究了一种新的算法,根据车道线的特点和车辆的行驶速度,将视频中多幅图像融合到一幅图像中;利用图像的特点,在区域合并中识别出有效的车道线检测区域;将有效区域分割成新的图像后,采用基于Frangi和Hessian矩阵的算法对图像进行平滑和增强;为了提取车道线的特征点,提出了一种新的分数阶微分模板进行车道线特征点检测,该算法根据车道线在图像中可能的位置,从4个方向检测特征点;在检测出候选点后,应用递归Hough直线变换得到候选车道线,为了确定最终的车道线,一条车道线的角度应介于25°～65°之间,而另一条车道线的角度应介于115°～155°之间,否则,通过降低线点数的阈值继续进行Hough直线检测,直到获得两条车道线为止.通过对数百幅夜间车道线图像的测试,并与深度学习方法和传统的图像分割算法进行比较,新算法的检测准确率可达70%.