一种基于Kinect相机的室内AGV障碍物检测方法

针对在室内工作的自动引导运输车(automated guided vehicle,简称AGV)面临的障碍物实时检测问题,提出一种基于Kinect相机的检测方法.在深度相机标定的基础上,将相机获得的深度图像准确地变换成相机坐标系内的点云数据,利用点云数据,通过制定障碍物检测规则,实现AGV小车行驶过程中障碍物的快速实时检测,实试验证了该方法的准确性.     

基于Kinect深度图像信息的手势分割和指尖检测算法

为克服传统二维彩色图像处理算法易受周围环境、光照变化、背景等因素的影响,提出利用Kinect深度图像信息,实现一种快速鲁棒的手势分割与指尖检测算法。首先,根据Kinect得到的深度信息对非人体部分图像进行筛选,得到包含人手的人体图像;然后对当前得到的人体图像进行直方图分析,计算能够区分人手与非人手的阈值,并通过该阈值对人体图像进行分割得到人手图像;最后,对人手图像进行形态学处理,计算掌心位置,并提取手部轮廓,结合人手轮廓关键几何特征对指尖进行有效检测。实验表明,该方法能够实时、有效地对指尖进行检测。     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

基于改进BiSeNet的室内障碍物图像语义分割方法

针对室内机器人行驶场景中存在大量不规则形状障碍物及细小类障碍物的问题,提出一种基于改进双边分割网络(BiSeNet)的图像语义分割方法．即以BiSeNet为基础网络构建图像分割模型,一方面在其空间路径中融合可变形卷积,使其更加适应对可通行区域和水渍这类不规则形状目标的定位分割;另一方面在其语义路径中结合特征金字塔结构,提高对细小类障碍物的分割精度;最后在室内多类障碍物图像数据集上,将改进的BiSeNet算法与U-Net,PSPNet等算法进行对比实验,结果显示改进的BiSeNet算法对水渍类障碍物的分割像素准确率达到89.95%,比原BiSeNet算法分割精度提高约3.50%,与UNet,PSPNet等算法相比,改进的BiSeNet算法同样具有更高的分割精度．     

仿人机器人视觉颜色空间的图像分割算法

提出了一种新颖的图像分割算法,用于提高仿人机器人足球比赛中机器人获取的颜色质最.为了使仿人机器人快速获得颜色图像,采用HSI颜色空间,并对现有算法进行了改进,根据每个像素点HSI 3值中有关J值的公式对当前像素的主要特征进行判断,采用了模糊K均值聚类的方法进行图像分割.根据每个像素点S值的分布,动态地决定当前选用的是H值还是I值,这样就能够有效地消除HSI模型的不足,使得机器人的视觉能够适应复杂的比赛环境.实验结果表明所提方法有效.     

基于混合颜色空间的FCM算法

提出一种基于混合颜色空间的改进的FCM算法。这种算法减少了FCM的迭代次数,可以使模糊聚类的速度得到很大程度的提高,从而实现墙地砖彩色图像的快速分割。     

基于图像分割的双直方图均衡算法

双直方图均衡化是一种经典的亮度保持的图像对比度增强算法.为了使直方图分割与图像聚类相关联,提出一种基于K-Means图像分割的双直方图均衡算法.首先利用K-Means对图像进行聚类,得到两个子图像;然后再对两个子图像分别进行直方图均衡;最后合并两个子图.实验结果表明,该算法不仅保持了原图像亮度,而且其对比度增强效果比传统方法更自然.     

基于颜色信息与区域生长的图像分割新算法

提出了一种新的结合了颜色特征与区域生长的彩色图像分割算法B-JSEG．该算法是在彩色图像分割的JSEG算法和边缘检测中的方向算子的基础上实现的．根据已有算法的缺陷，利用新的参数描述纹理颜色信息，并通过区域增长和合并来获得最后的分割结果．由于在JSEG算法中加入了方向算子，同时考虑了区域的相似性和边界的非连续性，减少了过分割．大量图像的实验结果表明，所提出的算法具有很好的鲁棒性，比JSEG算法更符合人类的视觉感知．     

无人驾驶车辆基于语义分割方法障碍物检测

障碍物检测是无人驾驶车辆环境感知重要的组成部分,语义分割技术能够对障碍物进行像素级检测。为满足无人车系统的实时性要求和对障碍物检测精度要求,提出了一种轻量级语义分割模型。该模型构建了特征提取块,通过跳跃层结构将底层级特征与高层级特征相融合,用于提取更加细化的图像特征信息。运用深度可分离卷积代替标准卷积操作,减少了模型参数量和计算量。利用不同膨胀率的膨胀卷积以获取多尺度目标信息,在上采样时融合不同尺度的特征信息,使得语义信息更加丰富。试验结果表明:提出的轻量级语义分割模型在Cityscapes数据集和ApolloScape数据集上取得了较好的障碍物检测结果,同时也满足无人车的实时性要求。     

基于分水岭分割和颜色深度特征的眼球图像识别算法研究

为了提高眼球手术的成功率,提出了基于眼球图像分割和深度学习颜色特征的眼球图像识别算法.联合图像分割技术和深度学习技术,建立眼球精准识别机制.首先,采集眼球手术视频和图像,并结合阈值分割、分水岭分割和颜色区域分割,实现眼球目标的分割;然后,基于卷积神经网络,运用Python和pytorch的开源框架,开发深度神经网络识别模型,并结合大数据中医诊疗经验,构建专家检测系统,以准确定位眼球;最后,根据用户软件需求,开发出具有图像采集、视频采集、电子信息履历保存等应用功能的客户端软件.实验测试结果显示:算法有利于眼球图像分割系统的落地,为智能眼球图像分割系统设备提供了算法和软件参考.     

基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

基于视觉颜色聚类的彩色图像分割

根据视觉的颜色聚类特性，提出一种图像分割算法．根据从色彩空间(RGB)到(HLC)的变换公式和NBS颜色距离的概念，首先将彩色图像量化为256或更少量化级，而不使图像质量降低；然后依据NBS颜色距离的概念将色彩分类；最后，根据某种规则将颜色区域进行分块，并删除小的颜色块．给出了静物图像和自然景物图像的实验结果。     

Lab空间的改进k-means算法彩色图像分割

为减弱经典k-means 算法中ＲGB( Ｒed Green Blue) 空间各个颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响,并克服ＲGB 空间色彩分布不匀的缺陷,提出了一种基于Lab 颜色空间的改进k-means 聚类彩色图像分割方法。首先,将颜色空间从ＲGB 转换为Lab 空间,每个像素点都可以由L、a、b 3 分量组合进行表示。其次,用马氏距离替换欧氏距离进行改进,应用改进后的k-means 算法对图像像素点进行聚类,从而实现分割目的。通过实验证明该改进算法比经典k-means 算法具有更好的分割效果和准确度。     

基于HSI和LAB颜色空间的彩色图像分割

彩色图像分割一直是彩色图像处理与分析中最为困难的不可缺少的步骤,针对图像分割质量直接在很大程度上影响了图像后期分析的效果,提出了一种基于HSI和LAB颜色空间的彩色图像分割方法.该方法在HSI颜色空间用最优阈值方法进行阈值分割,在LAB颜色空间采用基于K均值聚类图像分割,然后将两次分割结果进行区域合并,最后进行加窗滤波...     

基于深度网络模型的牛脸检测算法比较

针对传统检测方法在牛脸检测应用方面存在的检测设备易损、检测结果不理想等问题,根据大数据、多差异性原则,使用手机和相机在某奶牛养殖场采集奶牛数据,构建了一个超过10 000张不同条件下(如遮挡、模糊、光照变化等)的奶牛数据集.在此基础上使用目前有代表性的基于深度网络模型的目标检测方法(如SSD,Faster R-CNN和R-FCN等)对该数据集进行试验对比分析.结果表明:Faster R-CNN模型综合检测精度最高,可达0.990,但其检测速度相对较慢,为11 F·s~(-1);SSD模型的检测速度最快,为47 F·s~(-1),但其检测精度与Faster R-CNN相比略低,约为0.945.     

基于深度学习的水泥颗粒检测方法

水泥生产过程中需要实时检测水泥颗粒粒径、圆度等几何参数。针对粒度离线检测效率低、参数调整滞后的现状,基于深度学习搭建并优化了水泥颗粒图像分割网络模型。实验表明：基于深度学习的水泥颗粒图像分割网络模型对水泥颗粒图像的分割精度达98%、分割准确度达94%,与离线检测的误差在8%以内。提高了分割精度和检测效率,满足水泥生产中过程控制智能化和信息化要求。     

基于彩色图像的移动机器人视觉导航系统

基于移动机器人视觉处理的实践 ,提出了基于颜色模型的图像分割方法 .运用快速聚类的方法处理分割图像并进行目标定位 ,通过实验检验图像分割和目标定位的精度 ,给出了目标定位计算公式 ,对误差的产生进行了分析 .     

基于颜色的目标跟踪系统在机器人中的应用

在机器人视觉技术中,准确跟踪目标的关键是对目标特征的提取和对目标进行图像分割。本文在对比各色彩空间模型的基础上,选择了HSI作为分割图像模型,将色调参数H作为主要参数,同时为了提高在不同光照条件下识别的准确度,结合人的瞳孔对不同光强的反映原理,根据亮度I的值动态地调整第二参数饱和度S的值。并且在图像的融合过程中,运用游程编码技术,计算出目标的重心坐标和面积,为机器人的路径规划提供了原始数据。     

基于三帧间差分的障碍物检测算法

机动车私人拥有量的不断上升,导致了交通事故在逐年的增加。故此,怎样最大程度的减少交通事故成了我们关注的焦点。本文以基于机器视觉的道路识别技术与障碍物检测技术为研究对象,提出了基于三帧间的差分方法,该方法利用相邻三帧图像两两差分,再将两个差分结果相与并进行二值化,最终确定运动目标在图像中的位置。     

基于深度学习的道路表面裂缝检测方法

道路表面裂缝检测是道路安全检测的一项重要指标,随着计算机视觉技术的不断发展,越来越多的基于深度学习的目标检测方法被应用到裂缝检测中.然而这些检测方法大都是对裂缝位置的粗略的检测或分类,无法定量的衡量裂缝为了定量衡量裂缝,提出了一种基于深度学习的像素级道路表面裂缝检测方法.使用卷积神经网络对裂缝原始图像进行分割得到裂缝的二值化图像,并实现对裂缝的面积、长度、平均宽度的自动计算,提高了测量效率并降低了检测成本.实验表明,本系统对裂缝面积测量准确率达到93％,长度测量准确率达到92％,平均宽度测量准确率达到89％.