检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于贝叶斯融合的图像显著性检测

基于贝叶斯融合的图像显著性检测

作者：陈雪敏河北工业大学

学位级别：硕士

计算机视觉可以模拟人类视觉机制,其功能和人大脑功能相似,可以自动筛选自然情境中主要信息,并进行理解与分析。作为计算机视觉研究的核心内容,图像显著性检测受到研究者的广泛关注,并应用到图像分割和目标识别等领域。图像显著性检测... 详细信息

计算机视觉可以模拟人类视觉机制,其功能和人大脑功能相似,可以自动筛选自然情境中主要信息,并进行理解与分析。作为计算机视觉研究的核心内容,图像显著性检测受到研究者的广泛关注,并应用到图像分割和目标识别等领域。图像显著性检测就是根据检测原理,在视觉范围较广的情况下,在短时间内检测出图像中的主要信息,即显著性区域,从而提升图像处理的速度。由于图像类型较多,图像显著区域的检测算法还在逐步探索完善之中。针对当前图像显著性检测算法存在的显著目标检测不准确和边缘不清晰的问题,提出一种基于改进贝叶斯融合的图像显著性检测算法。该算法首先进行超像素分割,并去除图像背景边界,提取暗黑通道和compactness先验特征,检测出显著目标,得到初级显著图,进而针对初级显著图进行多核学习训练优化,并通过引导滤波平滑显著目标边缘得到次级显著图,最后基于改进的贝叶斯完成初级显著图和次级显著图的融合,得到最终的显著结果图。本文主要工作如下:首先对图像进行预处理,采用SLIC对图像进行超像素分割,按照摄影学原理,在图像的边界处通常不含有显著区域,因此对整个图像去除边界部分,使得算法计算更简洁、减少时间成本。构建初级显著图的过程,通常是采用颜色等特征直接进行计算,虽然计算速度快,但结果相对较差,本文提出将颜色、亮度特征与图像空间紧凑性特征相结合,提取暗黑通道和compactness先验特征,得到初级显著图。为进一步解决数据集中图像数量多,图像大小各异,图像目标分类不明确的问题,采用多核学习方法进行初级显著图的优化,将训练与测试都在一张图像上进行,随后采用引导滤波方式进一步优化,平滑显著区域边缘,得到次级显著图。因为图像中物体大小不一,显著性目标可能出现在多种尺度上,而传统单尺度分割方式无法灵活调控尺度大小,又对超像素数量极其敏感,因此本文采用多尺度超像素分割和特征提取,得到可以均匀凸显出显著目标的初级、次级显著图。为更好地发挥初级和次级显著图的优势,将初级显著图和次级显著图分别依次作为先验概率和似然概率,计算出两个后验概率,并提出采用不同权重融合二者的方式完成贝叶斯的融合,得到最终显著结果图。本文在4个公开数据集上与8种流行算法进行结果分析,完成定性评价和定量评价指标(精确率、召回率以及F-measure值)分析,实验结果表明本文算法能够更好地抑制背景,进一步提高了显著目标的检测结果。

关键词：显著性检测空间紧凑性初级显著图次级显著图贝叶斯融合

基于低秩稀疏分解的多尺度多模态运动目标检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于低秩稀疏分解的多尺度多模态运动目标检测方法研究

作者：邹甜安徽大学

学位级别：硕士

在计算机视觉中,运动目标检测是一个基本问题,它的主要任务是在连续的视频帧中提取出运动目标。在车辆导航、场景理解、工业机器人技术、智能交通等众多领域中都应用到了运动目标检测技术。在过去的几十年里,专家学者在运动目标检测方... 详细信息

在计算机视觉中,运动目标检测是一个基本问题,它的主要任务是在连续的视频帧中提取出运动目标。在车辆导航、场景理解、工业机器人技术、智能交通等众多领域中都应用到了运动目标检测技术。在过去的几十年里,专家学者在运动目标检测方面的研究成果显著。但在实际应用中,由于环境的不确定性,会对场景和光照的变化敏感,也会受到遮挡、雨雪等恶劣天气因素的影响,运动目标检测仍然是一个具有挑战性的课题。近年来,基于低秩稀疏因子分解的方法在运动目标检测上得到了很好地应用,并且随着热红外、深度传感器等技术的迅速发展,多模态运动目标检测也备受关注。因此,本文研究了一种基于低秩稀疏分解的多尺度多模态运动目标检测方法,针对以下问题进行了研究与探索,内容如下:(1)针对当前运动目标检测方法检测结果边界粗糙、不完整和对噪声敏感的问题,提出了基于多尺度低秩稀疏分解的运动目标检测方法。本文在基于低秩稀疏分解框架中,将表示视频帧序列的矩阵分解为低秩背景矩阵和稀疏前景矩阵。本文在此基础上提出对前景执行多尺度结构下的外观一致性和空间紧凑性约束,从而更好的恢复背景和前景。同时,基于不同尺度的超像素分割呈现的多样性,本文提出执行不同尺度下的超像素内各个像素点间的一致性来引入空间紧凑性。另外,相同外观的像素点易被划分在一个超像素块中,因此该策略可以促进外观一致性。为了提高和优化算法的计算效率,本文还设计了一种低秩分解方案。通过在公共数据集GTFD和CDnet上的实验结果分析可得,和对比实验方法相比,本文提出的方法具有更大的性能优势。(2)针对恶劣天气、夜晚等大气能见度低场景下检测结果差的问题,本文提出了基于低秩稀疏分解多尺度结构的多模态算法用于运动目标检测。可见光摄像机的成像优点是具有清晰的空间结构和纹理、分辨率高、并且具有丰富的颜色特征。但是其缺点也很明显,成像结果易受光线影响,如在大气能见度低的情况下成像质量差,晚上则无法成像。而热红外相机成像来源于目标自身的红外热辐射,其特点是在雨雪、雾霾、黑夜等能见度差的情况下仍能正常成像。因此,在可见光相机成像质量差的情况下,热红外相机可以正常观测目标。但是热红外成像也存在本身的缺点,例如只能看到热轮廓、分辨率较低等。因此,本文通过利用多个模态间的互补信息提出了更加鲁棒的多模态运动目标检测算法。该方法融合了互补异构的数据源,在低秩稀疏分解模型下,引入一个自适应权重来捕获多模态前景检测中不同模态间的协作和异质性。此外,在每个模态中集成了多尺度结构结构下的外观一致性和空间紧凑性约束,以提高检测结果的精度。通过在公共多模态数据集GTFD上的实验结果分析可得,和对比实验方法相比,本文提出的方法具有更大的性能优势。

关键词：运动目标检测低秩稀疏分解外观一致性空间紧凑性多尺度多模态

基于结构化低秩稀疏分解模型的运动目标检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于结构化低秩稀疏分解模型的运动目标检测方法研究

作者：许明鹤安徽大学

学位级别：硕士

运动目标检测不仅是图像处理领域的一个分支,也是目标跟踪、目标分类、行为理解、语义描述等一系列中层或高层视觉处理的第一步,运动目标检测的性能将对这些后续任务产生不可逆转的影响。因此运动目标检测已经成为计算机视觉研究课题中... 详细信息

运动目标检测不仅是图像处理领域的一个分支,也是目标跟踪、目标分类、行为理解、语义描述等一系列中层或高层视觉处理的第一步,运动目标检测的性能将对这些后续任务产生不可逆转的影响。因此运动目标检测已经成为计算机视觉研究课题中的一个基础且不可或缺的部分,此项研究非常具备理论和实际意义。到现阶段为止,越来越多有效的运动目标检测方法被研究者们提出。但是在实际应用时,由于场景中存在各种各样的挑战,这些方法还存在着一些问题,例如:对噪声和遮挡非常敏感、误检、漏检、大目标检测不鲁棒等。本文针对上述目标检测中存在的问题展开了相关研究,主要的工作和贡献包括如下两点:(1)针对当前运动目标检测方法在目标尺寸相对较大时的检测效果差,低鲁棒性等问题,本文提出了一种低秩框架下的新型的运动目标检测方法,叫做联合低秩和稀疏分离模型(Collaborative Low-Rank and Sparse Separation,CLASS)。得到从输入视频中积累的连续帧的数据矩阵后,CLASS在保证前景和背景的全局外观一致性的前提下,从低秩结构的背景中将移动目标看作是离群点检测出来。这种局部稀疏和全局外观一致性约束是互补的但是同时也相互竞争的,因此CLASS可以有效的检测不同大小的运动目标。同时在CLASS中加入目标运动的平滑约束,进一步提升了对噪声的鲁棒性。此外,利用保边滤波方法在尽量保持精度的同时大幅度加速CLASS算法。同时在公共和新建视频序列上进行了大量实验,实验结果表明CLASS实现了优越的性能并且与其他主流方法在效率上具有一定的可比性。(2)针对当前运动目标检测方法在复杂场景下的检测结果准确率低,目标的边界存在误检、不完整等现象,本文提出了一种在低秩和稀疏分离框架中加入空间紧凑性和外观一致性约束的运动目标检测方法。得到从输入视频中积累的连续帧的数据矩阵后,提出的模型与低秩结构的背景相对应将运动目标看作稀疏离群点检测出来。此外,通过执行同一超像素内像素点之间的一致性来引入空间紧凑性。由于超像素被定义为在邻域附近具有相似外观的像素点,因此该策略同时可以促进外观一致性。在公共的GTFD数据集上进行的广泛实验表明,提出的模型可以更好地保护目标的边界信息,并实现了优于其他主流运动目标检测算法的性能。

关键词：低秩和稀疏表示外观一致性平滑约束空间紧凑性

时空和跨模态一致性的低秩稀疏分解运动目标检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

时空和跨模态一致性的低秩稀疏分解运动目标检测

作者：赵欲苗安徽大学

学位级别：硕士

运动目标检测主要目的是从视频序列的背景中提取出运动的目标。在智能视频监控技术中,运动目标检测处在最底层,是理解和分析图像内容最关键一步。此外,运动目标检测的精度对后续目标识别、行为理解等起着至关重要的作用。近年来,基于矩... 详细信息

运动目标检测主要目的是从视频序列的背景中提取出运动的目标。在智能视频监控技术中,运动目标检测处在最底层,是理解和分析图像内容最关键一步。此外,运动目标检测的精度对后续目标识别、行为理解等起着至关重要的作用。近年来,基于矩阵低秩稀疏分解方法受到学者们高度关注,并成功运用在运动目标检测上,但是在复杂环境和极端条件下,其算法的鲁棒性较低,且检测的目标区域信息不完整。例如,当监控场景在黑暗、浓雾、遮挡等条件下,检测精度低甚至无法检测。本文针对以上问题对矩阵低秩稀疏分解方法开展相关研究,具体研究工作和贡献如下:(1)针对引入时序信息和运动目标检测区域信息不完整等问题,提出基于低秩稀疏分解的追求高阶结构一致性的运动目标检测。监控视频一般每秒20-30帧,视频数据中存在大量冗余且具有强相关性。在连续短时间内,视频帧中的运动目标具有一致性。将视频帧之间的时序关系运用到运动目标检测算法中,将有助于提高检测的精度和鲁棒性。首先,通过视频分割算法获得视频帧的超体素信息,超像素是指高阶/三维体素,在时序和空间上具有相同的外观特征。利用超体素的时序信息并结合高阶势能函数构造前景目标像素之间的时序约束。为了使检测的目标区域更加精准,利用超体素的区域结构信息作为先验知识,构造空间结构约束。最后将时序约束和空间结构约束加入到低秩稀疏分解模型上,并利用SOFT-IMPUTE和图割算法联合优化求解获得低秩背景矩阵和稀疏前景掩模。在GTFD和CDnet14数据集上充分验证了所提出方法的有效性。(2)针对低光照、遮挡等复杂场景检测准确率低的问题,提出跨模态一致性的运动目标检测算法。可见光相机拍摄的视频一般具有高分辨率,丰富的颜色、纹理和空间结构特征,但是易受光线的影响。热红外相机通过场景物体热辐射成像,在低光照、遮挡、烟雾等环境下均可很好成像,但是易受温度的影响。为了有效地利用两个模态信息的互补性,提高运动目标检测的健壮性,本文提出更加鲁棒的多模态运动目标检测算法,在低秩稀疏分解框架下提出追求互异模态之间的跨模态一致性约束。不同于现有的多模态运动目标检测算法,通过加法法则融合两个模态的信息或强制要求两个模态共享前景掩模矩阵,而忽视模态中物体成像的差异性。本文在低秩稀疏分解模型基础上,对可见光和热红外图像对进行构图,并提出跨模态一致性约束,自适应学习两个模态之间的互补信息,并引入外观一致性约束,提高运动目标检测的精度。在GTFD多模态数据集上进行测试,实验结果表明该方法可以有效融合两个模态的信息,并且一定程度上可以抑制模态信息不匹配的问题,实现更加鲁棒的运动目标检测。

关键词：运动目标检测低秩和稀疏分解跨模态一致性约束空间紧凑性高阶一致性

基于全局孤立性和局部紧凑性的显著目标检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于全局孤立性和局部紧凑性的显著目标检测算法研究

作者：孟鹏权燕山大学

学位级别：硕士

视觉注意能够把有限的处理资源快速而准确地分配到显著的视觉区域上。同时由于视觉选择性注意机制在图像压缩、目标检测、图像检索等方面有着广泛的应用价值。因此,如何在生物学启发下建立机器视觉模型得到极大关注。但目前的视觉注意... 详细信息

视觉注意能够把有限的处理资源快速而准确地分配到显著的视觉区域上。同时由于视觉选择性注意机制在图像压缩、目标检测、图像检索等方面有着广泛的应用价值。因此,如何在生物学启发下建立机器视觉模型得到极大关注。但目前的视觉注意模型主要依赖像素间的相互对比,缺乏从全局角度对显著目标的分析理解,当背景较复杂时,检测结果不够理想。鉴于此,本文对一些新的视觉注意计算模型展开研究。首先,研究一种基于空间分布特性和局部复杂度的显著目标检测算法。首先根据局部区域与其多个尺度邻域的对比,得到亮度显著图;然后利用颜色信息的显眼性、空间分布和区域一致性得到颜色显著图;同时通过对方向的空间分布和局部复杂度进行多尺度分析得到方向显著图;最后将三者线性融合得到显著图。实验结果表明该算法是切实可行。其次,通过将视觉显著性检测公式化为马尔科夫随机游走问题,研究一种基于目标全局孤立性和局部同质性的图表示随机游走显著区域检测算法。首先将输入图像进行分块,利用颜色和方向特征确定边的权重,从而确定马尔科夫转移矩阵;然后通过全连通图搜索提取全局特性;同时通过k-regular图搜索提取局部特性;最后结合全局特性和局部特性得到输入图像的显著图,进而确定感兴趣区域位置。该方法得到较好的检测结果。最后,根据生物视觉注意机制,研究一种基于混合图上随机游走模型的显著目标检测算法,利用颜色特征距离确定无向图的边的权重,同时采用方向特征的空间扩散程度和局部方向熵对比确定有向图的边的权重,进而结合无向图和有向图得到混合图;然后通过图搜索度量每个像素块的显著性,得到输入图像的显著图。实验结果验证了算法的有效性。

关键词：视觉注意显著度随机游走模型马尔科夫链图表示空间紧凑性区域一致性方向熵