基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

农机障碍物目标识别与预警SIFT算法改进研究

农机障碍物目标识别与预警可以有效减少农机伤亡事故。如果将传统的尺度不变特征变换(scale invariant feature transform,简称SIFT)算法应用在农机障碍物目标识别中,特征描述符的运算相对来说比较错综复杂,匹配特征点的时间也比较长。提出1种改进的农机障碍物目标识别SIFT算法,该算法采取特征向量矢量和的方法构建64维度的简化描述符,依据金字塔的构造来匹配特征点。测试结果说明,改进算法对农机监测到障碍物图片匹配计算时间较原来的SIFT算法大幅减少,实时性提高。系统监测到石头等障碍物时,提出预警,有效减少了事故的发生。     

基于SIFT算法的图像匹配研究

图像匹配是计算机视觉、摄影测量等领域的基本问题,SIFT算法由于具有旋转和尺度不变性等优良性能被广泛使用,但也并非完美。针对SIFT算法的适用性问题展开研究,采取三组图像进行匹配,SIFT算法采用SIFTGPU的实现版本。实验结果表明,大部分情况下,SIFT算法可以得到较多可靠的同名点,但如果图像中纹理单一或者重复纹理较多以及成像时角度差异过大,容易造成SIFT算法匹配质量降低。     

一种基于混合深度置信模型的面部表情识别方法

针对特征提取算法中存在的特征标注困难、有效特征丢失等问题,文中提出一种基于混合深度置信模型的识别方法,该方法利用深度模型来解决维度灾难,实现视觉特征的分层学习,从而提高识别精度.首先,为达到融合局部特征和全局特征信息的目的,本文根据表情特征分布特点进行图像分割,由分割的关键区域图像和整体图像加上不同的贡献度形成混合模型;其次,将图像输入到深度置信网络中,实现数字图像视觉特征的分层学习,抽象出代表表情类别的有效特征,从而避免人工设计特征提取中存在的提取困难和特征丢失的缺陷;最后,利用训练样本求解、更新混合模型组件的贡献度,提升算法的精度和鲁棒性.在JAFFE、Cohn-kanade表情库中的实验结果表明,本文提出的混合深度置信模型方法能对表情视觉特征进行有效学习,提高了表情识别的精度,识别率达到97.94%.     

土壤水分特征曲线模型参数识别的多邻域粒子群算法

Van Genuchten模型(简称VG模型)是目前运用最为广泛的土壤水分特征曲线模型,提出适宜的优化算法进行模型参数识别也是一个非常重要的研究方向。针对标准的粒子群算法易陷入局部最优的缺点,给出了一种多邻域粒子群算法,可以有效地克服粒子群算法易陷入局部最优的缺点,并利用该算法对VG模型参数进行识别,最后用所求解的参数对不同类型土壤持水性能进行了试验。数值实验结果表明,多邻域粒子群算法能够有效地应用于VG模型的参数识别,与其它算法相比在性能和精度上都有所提高,而且对参数的取值范围也可以较大地放宽。因此,多邻域粒子群算法可以作为VG模型参数识别的一种新方法。     

背景互信息约束的SIFT特征匹配

在SIFT局部特征的基础上,扩大了SIFT局部特征描述子,构造了半全局信息的背景环,并将背景环的互信息引入到相似性计算.实验结果表明,该方法与SIFT影像匹配算法相比,有效地提高了匹配的正确率,且对旋转图像的特等匹配具有一定鲁棒性;与全局配准算法相比较,提高了一倍以上的计算效率.     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

基于SIFT检测与匹配算法的奶牛形体图像技术研究

使用普通数码相机拍摄奶牛形体图像,应用SIFT特征点检测与匹配算法进行特征点检测、匹配、基础矩阵和单应投影矩阵的计算.实验结果表明,该方法对图像采集的要求低,能适应野外作业,检测的特征点数量大,精确度高,匹配结果准确.     

特征点提取算法在作物病原镰刀菌图像识别中的应用

提出一种针对镰刀菌图像的特征点提取的算法。该算法利用Harris算子提取待匹配图像以及基准图像的特征点,利用Hausdorff距离方法进行度量优化,从而从基准图像找到待匹配图像。试验证明,该算法可以有效地对镰刀菌图像进行检索与匹配。     

基于词袋模型的林业业务图像分类

针对林业业务图像的特点,提出了一种基于稠密尺度不变特征转换(Dense SIFT)特征的词袋(BoW)模型,并联合直方图正交核的支持向量机(SVM)对图像自动分类。首先采用Dense SIFT提取林业业务图像特征,然后使用BoW模型描述各业务图像,最后利用SVM进行分类识别。实验结果表明:采用Dense SIFT特征比SIFT特征训练时间和识别时间更短,并有更高的识别率,更适应实时性较高的场合;SVM采用多项式核函数(Poly),径向基核函数(RBF),多层感知器核函数(Sigmoid)以及直方图交叉核对3类林业业务图像分类时,直方图正交核取得的平均识别率最高;综合Dense SIFT在局部特征上的优势,加上BoW模型和直方图交叉核SVM分类器,平均识别率达到了86.7%,有较好的识别效果。     

基于加速鲁棒特征的木材显微图像自动配准方法

针对显微镜观测视野狭小而难以采集到全局图像的问题,提出了一种基于加速鲁棒特征(SURF)的木材显微图像自动配准方法.首先使用SURF检测并描述兴趣点,通过最近邻匹配得到匹配点对后,用双向匹配和RANSAC算法剔除错误匹配.然后利用最小二乘法和匹配结果进行模型参数估计,最后通过插值获得配准图像.对阔叶材显微图像配准实验结果表明,该方法具有较好的鲁棒性,无论图像是否有旋转,都可以实现自动的配准.比起尺度不变特征转换(SWT),由于用SURF得到的兴趣点数量更少,运算速度更快,总的匹配速度提升了5倍左右,缩短了整个配准过程的时间,算法更具有实时性.     

奶牛形体图像处理中尺度不变特征变换特征点检测与匹配策略的应用

针对奶牛形体图像,分析尺度不变特征变换特征点检测与匹配算法的应用特点,提出一种全自动图像格式转换,尺寸调整,特征点检测,特征点匹配,数据存储策略.结果表明,该策略定位特征点精确,数据有效性强,匹配结果准确.     

遮挡情况下目标三维点云的提取研究

针对三维信息提取过程中的遮挡问题,提出利用多基线数字近景摄影测量方法进行多光线的影像匹配,基于遮挡区域约束的三维点云滤波算法,即去除了遮挡目标,又可提取部分被遮挡区域的三维数据点。试验表明,该方法适应了空间分布的不连续性,在遮挡情况下较好地解决了目标的遮挡问题,同时多方向交会使前方交会具有冗余观测,增加了三维数据点的可靠性。     

Low and high-level visual feature-based apple detection from multi-modal images

Automated harvesting requires accurate detection and recognition of the fruit within a tree canopy in real-time in uncontrolled environments. However, occlusion, variable illumination, variable appearance and texture make this task a complex challenge. Our research discusses the development of a machine vision system, capable of recognizing occluded green apples within a tree canopy. This involves the detection of “green” apples within scenes of “green leaves”, shadow patterns, branches and other objects found in natural tree canopies. The system uses both thermal infra-red and color image modalities in order to achieve improved performance. Maximization of mutual information is used to find the optimal registration parameters between images from the two modalities. We use two approaches for apple detection based on low and high-level visual features. High-level features are global attributes captured by image processing operations, while low-level features are strong responses to primitive parts-based filters (such as Haar wavelets). These features are then applied separately to color and thermal infra-red images to detect apples from the background. These two approaches are compared and it is shown that the low-level feature-based approach is superior (74% recognition accuracy) over the high-level visual feature approach (53.16% recognition accuracy). Finally, a voting scheme is used to improve the detection results, which drops the false alarms with little effect on the recognition rate. The resulting classifiers acting independently can partially recognize the on-tree apples, however, when combined the recognition accuracy is increased.     

基于图像分析的梅花品种识别研究

针对梅花图像,提出了适合其颜色、形状、纹理3方面特征的描述方法。在颜色特征提取方面,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。改进了对形状特征进行描述的平坦度算法,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。改进了灰度共生矩阵的计算方法,首先提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量;然后再计算4个角度的灰度共生矩阵,累加相应的矩阵元素除以4求出4个矩阵的平均矩阵,作为参与运算的灰度共生矩阵;计算该矩阵的相关参数作为纹理特征的描述。最后对提取到的19个特征采用SVM分类器进行分类和识别。对 660幅梅花图像（每个品种60幅,11个品种）进行测试,330幅作为训练样本,另外330幅作为测试样本。实验结果表明,在对SVM分类器做交叉验证后,识别率可达到93.94%。该识别系统具有较高的识别准确率和稳定性,能够起到知识普及的作用,减轻专业人员的负担,增加梅花的鉴赏性。      

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

Detection and counting of immature green citrus fruit based on the Local Binary Patterns (LBP) feature using illumination-normalized images

Early detection and counting of immature green citrus fruit using computer vision can help growers produce a predictive yield map which could be used to adjust management practices during the fruit maturing stages. However, such detecting and counting is difficult because of varying illumination, random occlusion and color similarity with leaves. An immature fruit detection algorithm was developed with the aim of identifying and counting fruit in a citrus grove under varying illumination environments and random occlusions using images acquired by a regular red–green–blue (RGB) color camera. Acquired citrus images included front-lighting and back-lighting illumination conditions. The Retinex image enhancement algorithm and the two-dimensional discrete wavelet transform were used for image illumination normalization. Color-based K-means clustering and circular hough transform (CHT) were applied in order to detect potential fruit regions. A Local Binary Patterns feature-based Adaptive Boosting (AdaBoost) classifier was built for removing false positives. A sub-window was used to scan the difference image between the illumination-normalized image and the resulting image from CHT detection in order to detect small areas and partially occluded fruit. An overall accuracy of 85.6% was achieved for the validation set which showed promising potential for the proposed method.