定量相位显微技术容易受到环境扰动的影响。如何克服环境扰动对量化相位成像的影响,一直是相位成像领域研究的热点。着重介绍了物参共路数字全息显微技术和单光束定量相位显微技术。前者主要包括斐索干涉显微、Mirau干涉显微、离轴和同轴点衍射干涉显微、双球面照明的数字全息显微和空间复用数字全息显微;后者主要包括共轴数字全息和基于平行光照明、超斜照明和多点离轴照明的定量相衬显微。希望该综述能为构建高稳定性、实用化定量相位显微装置提供有益参考。

采用动态加载仪和医用CT机对混凝土进行单轴原位压缩应力分层扫描,选取试件中部层面的CT图像作为对象,对混凝土的组成部分进行CT阈值划分,分析裂纹的产生及发展过程。利用数字图像相关(DIC)法测量混凝土内部的位移场及应变场,结合位移场与应变场分析变形局部化区域的产生及发展过程,得到高应变产生区域与CT图像的裂纹产生区域一致;结合CT值的平均值与最大主应变随应力的变化曲线,分析混凝土破坏过程的各阶段,得到CT尺度裂纹阶段开始于峰值荷载的70.3%处。实验结果表明,DIC法与先进的CT技术相结合的方法可以直观地以图像的形式对混凝土试件内部的应力应变过程进行呈现,为研究混凝土内部结构的变形、破坏和稳定性提供有效的可视化手段。

针对基于深度学习的传统方法对于次显著细节信息关注不足的问题,提出一种基于多尺度注意力机制的多分支网络来统筹图像的显著信息及次显著信息。首先,将多尺度特征融合方法(MSFF)与注意力机制相结合,设计了一个多尺度注意力模块(MSA),使得网络可以根据输入信息自适应地调节感受野大小,实现了对于不同尺度信息的充分利用。其次,建立一个多分支网络,实现对于全局特征和多元局部特征的协调统一,并利用多尺度注意力模块,分别实现对于全局显著信息及次显著局部细节信息的加权强化,得到更具判别性的特征用于最终的识别。实验结果表明,本文所设计的网络在多个数据集上都取得了较好的表现。

为快速得到较大范围且清晰度足够的路面图像,提出一种针对航拍路面图像的拼接算法,可以快速准确处理图像,得到路面的拼接图像,为无人机航拍应用道路交通领域提供便利。路面图像拼接时,图像包含较大的相似区域,导致配准正确率较低,且图像信息量大,拼接时间长。为解决这一问题,本文提出在特征点提取前确定相邻图像的重叠区域,在重叠区域内使用尺度不变特征变换特征点结合稀疏表示匹配的方法,对相邻图像进行配准,随后利用小波变换方法,将图像进行融合,改善拼接效果. 经过实验证明,本文方法可以有效处理航拍路面图像,得到效果较好的路面拼接图像。

低照度图像增强的主要目的是提升图像的整体光照度,进而呈现更多有用的信息。针对低照度图像的整体照度低、对比度弱和噪声较高的问题,提出基于注意力机制和Retinex算法的低照度图像增强方法。该方法首先将低照度图像分解为不变性反射图和缓变平滑性光照图;再通过注意力机制提取图像的空间和局部物体信息,从而能够保证增强过程中利用空间和局部物体信息进行约束;同时增加色彩损失函数改善图像饱和度,用以补偿和校准增强过程中的对比度细节;改进低照度图像和合成方法,加入真实噪声有效扩充训练数据集。最终在LOL和SID数据集上实验表明,所提方法的主观感受和客观评价指标均有所提升。

针对从非地面点云数据中难以自动分类植被和建筑物的问题,提出一种航空影像辅助的机载LiDAR(Light Detection and Ranging)植被点云分类方法。根据植被的光谱特征明显不同于其他地物这一特点,在生成数字正射影像的基础上,首先利用K均值(K-means)聚类算法对影像进行聚类和图像增强,然后将增强后的影像和对应区域的点云数据进行融合,最后通过影像处理结果对机载LiDAR植被点云进行分类。选取某城市的机载LiDAR植被点云数据和航空影像进行实验,定量分析结果显示所提方法的总分类精度为96.47%,Kappa系数为0.9248,该方法能够达到点云中植被自动分类的目的。

针对遥感影像中的阴影会导致地物信息受损、影像质量下降的问题,提出了联合对数变换与局部增强的高分遥感影像阴影补偿方法。在阴影检测结果的基础上,首先设计了改进的对数变换图像增强方法,构建了对数变换模型,实现了阴影区域亮度的有效提升。然后,联合局部补偿模型,进行了加权处理,提升了阴影区域的对比度。最后,基于阴影边界同类特征点匹配的思想,自动解算了补偿模型的参数,实现了自动补偿。实验结果表明,所提方法可有效地实现阴影补偿,提升阴影区域的亮度与对比度,较准确地再现阴影区域地物的真实信息。

针对红外与可见光图像融合过程中出现的细节损失严重、视觉效果不佳等问题,提出了基于多尺度几何变换模型的融合方法。首先,采用改进的视觉显著性检测算法对红外与可见光图像进行显著性检测,并构建显著性矩阵;然后,对红外与可见光图像进行非下采样剪切波变换,得到相应的低频和高频子带,并采用显著性矩阵对低频子带进行自适应加权融合,同时采用简化的脉冲耦合神经网络并结合多方向拉普拉斯能量和对高频子带进行融合处理;最后,通过逆变换得到融合图像。实验结果表明,该方法能够有效提升融合图像的对比度并保留源图像的细节信息,融合图像具有良好的视觉效果,且多个客观评价指标均表现良好。

在脊椎CT图像分割问题中,由于脊椎与组织对比度过低和噪声的影响,传统分割算法存在分割精度差和自动化程度低等问题。基于此,提出一种通过AttentionNet定位脊椎,然后使用改进的DenseUnet进行脊椎CT分割的方法。首先,对所有脊椎CT样本数据进行裁剪、重采样、灰度值归一化等预处理操作;再次,对样本使用AttentionNet训练得到具有位置信息的Attention图;然后,对传统DenseUnet进行改进,在每个Dense block加入Shuffle操作来增加网络的鲁棒性,在每个Dense block后加入1×1卷积,以降低通道数,减少网络参数量;接着使用改进后的DenseUnet对训练样本进行预训练,得到具有先验信息的预测图;最后,将Attention图、预测图及原始图像融合为三通道的训练样本作为输入,采用改进的DenseUnet训练分割模型,并在测试集上进行验证,最终实现脊椎CT自动分割。实验结果表明,所提方法的分割精度优于传统DenseUnet,是一种有效的脊椎CT自动分割方法。

与常规目标相比,小目标在图像中的像素占比较小且特征不明显,而基于卷积神经网络的目标检测算法对小目标的鲁棒性较差。因此,基于改进的多尺寸反卷积单次多目标检测(MDSSD)网络提出了一种多特征融合小目标实时检测算法,可在不影响实时性的前提下增强算法对小目标的检测能力。为了提高算法的实时性,删减了MDSSD网络中的一部分融合模块,并用双线性插值操作代替特征图尺寸变换过程中的反卷积操作。为了提高算法的准确率,在特征图预测阶段,对每个预测层添加残差预测模块。针对算法中存在正负样本严重失衡的问题,用Focal Loss作为分类损失函数。实验结果表明,本算法在PASCAL VOC2007数据集上的平均精度均值(mAP)为81.7%,在自制轮胎瑕疵数据集上的mAP为90.6%,每秒检测帧数为50 frame。

针对合成孔径雷达(SAR)图像中普遍存在具有相干斑噪声、流冰区域浮冰接触紧密及小碎冰较多等背景复杂问题,提出了一种基于背景抑制显著性检测的SAR流冰分离算法。首先基于图像的显著性检测,通过学习随机森林回归量得到初步显著性图;然后通过超像素构建图像区域并进行离散傅里叶变换,提取区域频域特征并计算卡方距离;之后对边界背景进行抑制,生成背景抑制模块图;最后将两阶段的图融合得到增强显著性图。在SAR海冰数据集上对所提算法、7种显著性算法及3种海冰分割方法进行对比实验。结果表明,所提算法可以有效检测出孤立浮冰,抑制背景区域。

针对大部分降水临近预报产品无法兼顾高覆盖率、高准确率及低成本的问题,提出一种基于室外监控图像和深度神经网络能预报未来1 h降水强度的方法。设计双流3D卷积神经网络来提取图像降雨信息的高维特征。该网络在低计算代价下自适应产生局部信息,并通过双损失函数从整体和局部统筹网络,提取降雨信息的时间特性和空间特性。实验结果表明,在降水强度预报领域,基于双损失函数的神经网络优于单损失函数。所提网络的误警率、命中率、临界成功指数、准确率在多数情况下优于其他模型。在模型效果可视化方面,所提网络能有效提取降水图像的特征信息。所提降水临近预报方法有能力进行精细且低成本的降水临近预报。

以相机作为输入的视觉同时定位与建图(SLAM)系统在地图构建过程中虽然可以保留点云的空间几何信息,但是并没有完全利用环境中物体的语义信息。针对这个问题,对当前主流视觉SLAM系统和基于Faster R-CNN、YOLO等神经网络结构的目标检测算法进行研究。并提出一种有效的点云分割方法,该方法引入支撑平面以提升分割结果的鲁棒性。最后在ORB-SLAM系统的基础上,结合YOLOv3算法进行环境场景的物体检测并保证构建的点云地图具有语义信息。实验结果表明,所提方法可以构建几何信息复杂的语义地图,从而可应用于无人车或机器人的导航工作中。

针对低对比度下手机膜缺陷图像分割较难的问题,提出了一种改进的Retinex增强方法。首先,利用高斯卷积估计缺陷图像的光照分量,获取反射分量;对反射分量进行自适应非线性变换以及对比度受限自适应直方图均衡(CLAHE)修正,提高图像对比度,并利用顶帽变换进一步去除光照背景的影响,实现手机膜缺陷图像的增强。然后,针对最大类间方差(OTSU)算法对缺陷边缘的暗细节分割不完整的问题,引入增强图像的梯度图像,实现手机膜缺陷的有效分割。实验结果表明:在低对比度情况下,相较于原缺陷图像,本文算法处理后的图像的信息熵提升约20%,对比度提升约100%,分割效果较好。

利用Faster RCNN算法实现生活垃圾的高精度识别。选取典型的6种生活垃圾建立数据集,采用数据增强方法提升了数据集目标数量及目标类别、尺度均衡性,分析对比三种具有显著差异的主干网络VGG-16、Res101、MobileNet_v1的精度、速度及泛化性能。采用结合特异层微调的端到端训练策略,对低识别率样本开展增强训练,由此获得了最低为92.85%的均值平均精度(mAP),随后对误识别样本中提取的三种典型错误进行优化,将最高mAP提高到99.23%。此外,设计含816张图片的背景数据集测试算法在多变背景下的泛化性能,发现复杂垃圾背景对检测精度的影响最大,且泛化性能与网络收敛性能趋势一致,即从优到劣排序依次为Res101、 VGG-16、MobileNet_v1。最后,基于可回收垃圾倾向高精度指标及有害垃圾倾向高召回率指标的原则,分析并得到算法最优检测概率阈值的设置方法。

在三维点云配准中,当点云表面比较平坦、几何特征不明显时,迭代最近点算法配准效果较差,甚至经常配准失败。利用三维激光扫描仪获取的点云数据不仅包括几何坐标信息还包含RGB信息,充分利用点云坐标信息和RGB信息,提出了一种新的点云配准方法。该方法首先将RGB值转化成灰度值,并根据灰度值方差与各曲率方差之和设置权重因子,然后根据权重因子自适应地调整颜色信息和几何信息对配准的影响,实现了基于颜色信息和基于几何信息的有机结合。实验结果表明,该方法可实现不同点云的稳定精确配准。

针对现有图像融合算法生成的融合结果质量不一、多数融合图像含有大量噪声的问题,提出一种融合图像增强方法。首先对源图像进行均值滤波并借助数字减影技术获得目标图像的显著区域,利用改进拉普拉斯算子对减影图像进行双尺度分解,得到对应的粗略聚焦区域和细化聚焦区域。然后根据像素级线性混合规则生成初始决策图,借助一致性检验算法对其进行细化以获得最终决策图。最后综合产生的结果重构新的融合图像。实验结果表明,所提方法不仅对现有融合算法生成的融合图像实现不同程度的增强,对噪声具有更强的鲁棒性,处理时间小于0.4 s;对待融合图像中小散焦或聚焦区域有更好的识别能力,识别的边缘信息更清晰光滑,并在客观指标上给出具体的验证结果。

相比传统目标跟踪算法,基于相关滤波的目标跟踪算法跟踪精度更高、实时性更好,但当目标被遮挡或超出视野时,难以提取目标特征、正确定位检测窗口,容易导致目标跟踪失败或漂移。因此,提出了一种基于置信度的并行相关滤波跟踪算法。首先,使用一种新的置信度评价方法判断目标是否被遮挡或存在异常情况。其次,在置信度的基础上,用组合权重融合两种不同的跟踪器,构建并行相关滤波跟踪算法,以提高算法的跟踪精度和鲁棒性。最后,为了防止模型污染,对两种滤波器模型采取自适应权重更新策略。在OTB-2013和OTB-2015数据集上进行实验,结果表明,相比传统算法,本算法在跟踪精度和成功率上均有显著提升。

针对军用无人飞行器对海上重要舰船合成孔径雷达图像获取困难的问题,提出了一种从单一图像学习图像内部分布的无条件图像生成网络。该网络采用金字塔式多尺度生成对抗网络(GAN)思想,在每一层金字塔中都有一个GAN负责该尺度下图像块的生成和判别,且每个GAN具有相似的结构。生成器前端采用不同大小卷积核连接的Inception模块获取不同尺度下的图像特征,为了充分利用这些特征,加入了残差密集模块;判别器采用马尔科夫判别器的思想,捕捉不同尺度下的图像分布。将所有生成的图像制成数据集用于训练不同的目标检测算法,结果表明,训练后模型的平均精度得到了一定的提升,验证了该网络模型的有效性。

深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。

针对Criminisi算法在修复敦煌壁画时易出现错误填充、修复效率较低等问题,提出了一种基于序贯相似性和布谷鸟寻优算法结合的敦煌壁画修复方法。首先采用P-Laplace算子重新定义数据项,改进了优先权计算方法,避免了优先权频繁趋于0的问题;其次引入动态阈值序贯相似性检测算法进行匹配块的搜索,提高了壁画修复效率;为了使匹配块选择更加合理,再利用布谷鸟寻优算法确定最佳匹配块;最后通过迭代更新完成壁画修复。通过对敦煌壁画的修复实验表明,本文方法相比于同类比较算法,取得了较好的主客观修复效果,并且修复效率也得到了进一步提升。

针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。

为了提高低照度图像的清晰度和避免颜色失真,提出了基于注意力机制和卷积神经网络(CNN)的低照度图像增强算法,以改善图像质量。首先根据Retinex模型合成训练数据,将原始图像从RGB (red-green-blue)颜色空间变换到HSI (hue-saturation-intensity)颜色空间,然后结合注意力机制和CNN构建A-Unet模型以增强亮度分量,最后将图像从HSI颜色空间变换到RGB颜色空间,得到增强图像。实验结果表明,所提算法可以有效改善图像质量,提高图像的清晰度,避免颜色失真,在合成低照度图像和真实低照度图像的实验中均能取得较好的效果,主观和客观评价指标均优于对比算法。

基于模糊C-均值(FCM)聚类的模型具有在图像分割中可以保留原始图像中大部分信息的优点,自适应双通道脉冲发放皮层模型(ADSCM)具有全局耦合、脉冲同步、参数少、计算效率高以及可以很好地处理较暗区域信息等优点。提出了一种基于FCM与ADSCM的红外与可见光图像融合算法。源图像经过非下采样剪切波变换(NSST)分解后,通过将FCM与ADSCM相结合,对相应的子带图像进行融合,最终经过逆NSST得到重建的新图像。实验结果表明:该方法与其他传统方法相比,可以在保留可见光背景信息的同时有效地提取红外图像的目标信息;与其他几种方法相比,所提方法在平均梯度、互信息以及边缘保留因子等方面有明显的改进。

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

针对传统点云配准方法在处理大型点云模型时存在计算量大、效率低和移动扫描配准实时性较差等问题,提出基于卷积神经网络结合改进Harris-SIFT(Scale Invariant Feature Transform)的点云配准方法。首先改进Harris-SIFT算法,使其可以提取三维空间中点云模型的稳定关键点。进而将关键点的加权邻接矩阵作为卷积神经网络的输入特征图,实现源点云和目标点云关键点的预测匹配。然后基于匹配的关键点,采用迭代最近点(ICP)算法实现点云数据的精配准。相较于传统的点对点配准,所提方法不需要生成对应关系的点描述符,解决全局搜索开销大的问题。实验结果表明,相较于ICP算法,所提方法能够较好地完成即时点云配准,且计算量小,耗时短,效率高。

基于压缩感知的计算关联成像中,散斑设计是高质量图像重构的关键。针对传统散斑生成方法存在冗余高、关联成像质量低的问题,提出了一种基于主成分分析的散斑设计方法。该方法通过线性映射将高维空间中的数据投影到低维空间中,使低维空间上的投影方差最大化。结合图像先验知识,通过样本训练方法得到一组测量矩阵,在低采样率下可提高成像质量。实验结果表明,与传统方法相比,在采样率相同且低于0.5时,本方法可将图像的峰值信噪比提升5 dB,结构相似度提升0.2,为低采样率下获取高质量图像的同类场景提供了新思路。

在激光雷达检测障碍物过程中,由于点云近密远疏的特性,车辆的变速移动使得对物体进行分割时出现点云漂移和距离较近的物体难以被分割等现象,容易产生漏检或误检。为了解决此问题,提出一种基于点云射线角度约束的改进欧氏聚类算法,使障碍物检测更加快速准确,所提算法有效解决了点云密度不均匀导致的检测障碍物成功率较低的问题,同时对所提算法进行实车实验。实验结果表明,与传统欧氏聚类算法相比,所提算法能快速准确地对一定范围内的障碍物进行分割和聚类。

计算关联成像(CGI)技术能够穿透静态散射介质成像,但是当散射介质发生缓慢变化时,由于光强受到非线性影响而衰减,每次测量的光强值会发生不同程度的漂移,导致重构图像受到大量噪声的干扰。针对上述情况,提出一种逐点校正测量值的方法,该方法在测量矩阵中加入反射率为1的图案,通过记录使用该图案照明后获得的光强变化得到各时刻的衰减因子,并计算中间时刻的补偿系数,根据补偿系数逐点校正衰减因子变化导致的光强畸变,最后对变换的测量值进行还原计算,重建结果说明该方法能够有效地应对计算关联成像技术穿透动态散射介质的成像问题。

针对传统视觉里程计中光流法定位精度差、特征点法耗时多的问题,提出一种融合光流法和特征匹配的视觉里程计模型。该模型融合了基于帧间优化的LK光流位姿估计和基于关键帧的光流/特征点位姿优化算法。针对传统参考帧/当前帧跟踪方式容易产生累积误差的问题,在光流法的基础上,通过引入局部优化算法对相机进行初步位姿估计;针对特征法中图像插入频率过高、耗时多的问题,在关键帧的基础上,通过构建光流/特征点统一损失函数进行相机位姿优化。在EuRoC数据集上进行了算法定位精度测试,结果表明,简单环境下所提算法与特征点法的定位精度相当;在特征点缺失情况下,所提算法的定位精度较特征点法有所提高,具有一定的鲁棒性。运行时间测试结果表明,在保证定位精度的基础上,所提算法的运行时间较特征点法减少了37.9%,具有一定的实时性。

提出一种基于关键点训练学习的防振锤滑移检测方法。首先利用改进SSD模型对防振锤进行识别、定位;再选择防振锤关键点,训练MobileNetV3网络,通过上一级定位结果设定输入区域,从而实现关键点的检测;最后依据线路图像特征,制定相应判别规则。当档距内悬挂m(m≥2)个防振锤时,利用关键点几何约束关系实现判别;当档距内悬挂单防振锤时,采用EPnP算法估计相机在多个角度的位姿,通过位姿与线夹关键点像素坐标间的关系求解最邻近点的世界坐标,判断最邻近点与防振锤间的距离是否在阈值范围内。实验结果表明,所提方法能对滑移异常进行有效识别,为输电线路异常检测提供了新思路。

针对现有点云配准算法不能很好地同时解决点云模型变尺度和配准精度等问题,提出一种变尺度的两阶段点云模型配准算法。第一阶段加入动态的尺度因子,粗略估计并调整目标点云模型的尺度;然后将空间旋转变换三个角度进行格点划分,以30°为格点间距,这提高了算法的收敛速度并避免陷入局部最优,为第二阶段配准提供良好的初始位置。在尺度迭代最近点(SICP)算法基础上对第二阶段进行优化,以此对点云模型进行更加精准的匹配。对不同配准算法进行了综合对比实验,结果表明,在两个点云模型间存在较大刚体变换且尺度显著不同的情况下,所提算法的配准误差数量级为10 -30~10 -4。

针对RetinexNet低照度图像增强算法中出现的颜色失真、边缘模糊等问题,提出了一种改进的RetinexNet算法。首先,利用HSV(Hue,Saturation,Value)颜色空间模型中各通道相对独立的特性,增强亮度分量;然后,利用相关系数使饱和度分量随亮度分量的变化自适应调整,避免图像色感发生变化;最后,针对增强图像的边缘模糊问题,采用Laplace算法对反射率图像进行锐化处理,增强图像的细节表达能力。实验结果表明,本算法可以有效增强图像的细节,保持图像的整体色彩和原始图像一致,提高图像的视觉效果。

在目标检测领域,小目标的检测识别一直都是研究的难点,导致模型提取到的特征并不具有良好的表达能力,因此对小目标的检测结果不佳。为此,提出一种基于特征金字塔网络(FPN)的改进算法。在原有基础上增加并行分支,再融合两种不同上采样方法的特征信息以加强小目标特征的表达能力。同时,增加多阈值检测器(Cascade R-CNN)强化小目标定位能力。基于无人机航拍数据集进行实验,实验结果表明,在MS COCO数据集下,所提算法的平均精确率相比原始FPN算法提高了9.7个百分点,具有良好的检测性能。

传统的基于RGB和骨骼特征的行为识别算法,普遍存在两种特征互补性不足及视频关键时序性不强等问题。为解决这一问题,提出一种自适应融合RGB和骨骼特征的行为识别算法。首先,面向RGB图像和骨骼图像,联合双向长短时记忆(LSTM)网络和自注意力机制提取两者的时空特征;然后,构建自适应权重计算网络(AWCN),并以两者的空间特征为输入计算出自适应权重;最后,利用自适应权重得到上述时空特征的融合特征,实现了最终的动作分类。通过在Penn Action、JHMDB和NTU RGB-D人体行为数据集上与现有的方法进行比较,实验结果表明,本文算法有效地提高了行为识别精度。

针对人工检测编织袋缺陷的正确率低与效率较低的问题,提出一种高效的在线检测编织袋缺陷方法。该方法在线采集编织袋图像并进行图像处理,消除干扰项,准确检测编织袋的缺陷。使用均值滤波器、灰度开闭操作对图像进行预处理,消除图像中干扰缺陷检测的黑白条纹与灰度不均匀,降低噪声。使用差分图像二值化对图像进行背景分割,提取出孔洞缺陷、拉丝缺陷,以及过大的丝线缝隙、褶皱和黑色物。同时,进行开闭运算处理,将断裂的缺陷连接起来并消除过大的丝线缝隙,避免小缺陷的漏检。利用特征提取与缺陷检测消除褶皱和黑色物的干扰,检测出孔洞和拉丝缺陷。实验结果表明,500个试样检测的平均正确检测率达到97.20%,检测效率为720 m/h,检测结果正确率高,效率高。

提出对图像和激光雷达点云数据进行3D目标检测的改进F-PointNet(Frustum PointNet)。首先利用图像的2D目标检测模型提取目标2D区域,并将其映射到点云数据中,得到该目标的点云候选区域,然后预测候选区域的3D目标掩模,最后利用掩模对3D目标进行检测。当预测掩模时,提出的宽阈值掩模处理可以用来减少原始网络的信息损失;增加注意力机制可以获取需要被关注的点和通道层;使用Focal Loss可以解决目标与背景不平衡的问题。通过多次对比实验,证明宽阈值掩模处理可以提高3D目标检测的准确率,同时注意力机制和Focal Loss可以提高预测的准确率。

针对人体姿态估计中因肢体、环境复杂性导致的估计结果不精确问题,提出了一种基于二次生成对抗的人体姿态估计方法,通过两个阶段对堆叠沙漏网络(SHN)进行生成对抗训练。首先将SHN作为第一个生成对抗网络模型的判别器,通过在线对抗数据加强训练,以提升SHN的估计性能;然后将SHN作为第二个生成对抗网络模型的生成器,将肢体几何约束作为判别器,通过第二次对抗训练再一次提升SHN的估计性能,得到最终的SHN。在公开数据集LSP和MPII上对本方法进行测试,结果表明,该方法能有效提升SHN的估计精确度。

为了在函数空间内将多个三维模型进行关联,并在整个模型簇上进行协同分割,提出了一种基于点云稀疏编码的三维模型簇协同分割方法。首先,提取点云数据特征,将三维信息转换至特征空间;其次,用深度学习网络将特征向量分解成基向量,并构建字典矩阵及稀疏向量;最后,对测试数据进行稀疏表示,并确定点云模型中每个点所属的类别,将同类点划分到同一区域以得到协同分割结果。实验结果表明,算法在ShapeNet Parts数据集上的分割准确率达到了85.7%。所构建的协同分割算法能够有效地计算模型簇的关联结构,与当前主流分割算法相比,分割效果和准确率均得到提升。

嗜酸性粒细胞胃肠炎(EG)是一种以外周血嗜酸性粒细胞(EOS)增多为特征的胃肠道疾病,其主要诊断依据为消化道黏膜标本病理切片中嗜酸性粒细胞的数目是否超标。利用计算机图像分析算法对病理切片图像中的嗜酸性粒细胞进行识别并计数,旨在辅助病理医生人工计算EOS的数目,减少医生的工作量,提高工作效率。采用鲁棒性较强的分水岭算法作为识别EOS的核心算法,并通过距离变换和前后景标记的改进算法解决传统分水岭算法中的过分割问题,提高识别计数的准确性。采用改进分水岭算法对EG病理图像中的EOS进行识别计数,并将其与病理医生的金标准进行比对。改进分水岭算法的平均准确率为95.0%。与传统算法相比,改进算法准确率的相对标准方差由5.8%提高到2.2%,过分割率由13.4%降低为3.7%,算法的运行时间由40 s缩短为27 s左右。

以3ds Max脚本(MAXScript)建模为主、手动组合变电站建筑物单体为辅,提出一种基于三维激光扫描点云数据的变电站三维模型构建方法。所提方法能够解决变电站三维建模中手工建模效率低和模型可扩展性差等问题。以云南省富源县某110 kV变电站三维建模为例展开实验,实验结果表明,所提方法在一定程度上可满足精度要求,并且能够降低变电站的建模成本,提高变电站的建模效率。

溶洞表面具有复杂、不规则性,现有的诸多的建模方法都是按照统一分辨率来进行三维重建,但是在三维重建过程中效率很低,且模型文件过大,对后续专业应用造成了很大困难,因此提出了一种基于三维激光点云特征线提取的技术,并针对溶洞进行了多分辨率三维重建。首先,采用改进邻近点几何特征提取溶洞特征值,增加法向量角作为检测特征点的参数;其次,用社会粒子群(SPSO)算法与模糊C-均值(FCM)聚类算法实现点云分类;再次,采用折线生长方法将特征点连接成特征线,并将其投影到三维点云上;最后,利用分类后的点云按照不同分辨率建模,实现高精度、高质量、高效率溶洞三维重建。实验结果表明,该方法可以按照不同分辨率进行建模,减少了三维重建后模型的数据量,提高了三维重建效率,在溶洞三维重建方面具有较高的实用价值。

高光谱图像分类已被公认为是高光谱数据处理的基础性和挑战性任务,丰富的光谱信息和空间信息为有效描述和识别地表物质提供了契机。卷积神经网络(CNN)中的参数较多,为了避免过拟合问题,需要大量的训练样本。Log-Gabor滤波器可以有效地提取包括边缘和纹理在内的空间信息,降低CNN特征提取的难度。为了充分利用CNN和Log-Gabor滤波器的优点,提出了一种将Log-Gabor滤波器和CNN相结合的高光谱图像分类方法,并利用两个真实的高光谱图像数据集进行了对比实验。实验结果表明,所提方法比传统的支持向量机和CNN方法具有更高的分类精度。

针对现有的食用油检测技术无法快速、准确地识别市售食用油的问题,提出了一种快速辨识食用油的方法。采用激光诱导荧光技术(LIF)获取油样的荧光光谱数据,然后采用主成分分析法提取光谱数据的特征信息,之后采用飞蛾-扑火优化器和核极限学习机相结合的算法建立多元分类学习模型,最后用该模型识别油样的类别。实验油样选取5种样本,每种样本采集150组荧光光谱,然后随机抽取600个样本用于学习模型的训练,剩余的150个用于测试训练好的模型。结果表明:在测试集上的平均分类准确率方面,该模型与极限学习机、反向传播神经网络相差不大,但该模型分类准确率的标准差远小于其他两种模型。这说明所建模型具有较稳定的分类性能,可以满足快速鉴别食用油的要求。

为了对花椒挥发油的含量进行快速、无损、低成本的检测,以汉源县花椒为实验对象,采集其在400~1000 nm波长范围内的光谱数据,然后采用标准正态变量变换(SNVT)方法对光谱数据进行预处理,利用迭代保留信息变量算法(IRIV)进行特征变量的提取,并建立极限学习机(ELM)回归模型,模型结果如下:校正集的决定系数 RC2为0.8522,均方根误差RMSEC为0.3475;预测集的决定系数 RP2为0.8365,均方根误差RMSEP为0.5737。为了进一步提高模型的预测性能,利用果蝇优化算法(FOA)对极限学习机的输入权值进行自适应优化。最终,优化后模型(IRIV-FOA-ELM)的决定系数 RC2为0.8792,RMSEC为0.3323, RP2为0.8659,RMSEP为0.3621。结果表明,高光谱成像技术可以对花椒挥发油进行快速无损检测,同时为其他农产品挥发油检测提供一种新的方法和思路。