基于機器視覺的自然目標特征學習與即時檢測.pdf

1、本文研究分為自然目標的特征學習與即時檢測兩部分，其在機器視覺中是具有挑戰(zhàn)性的工作，提出的方法具有較普遍的適用性。針對自然目標特征學習問題，主要取得以下研究結論： 1)實驗驗證了顏色壓縮中的自適應特征學習方法，其實質是一種聚類壓縮過程，可進行部分紋理圖案的提取，有利于提高圖案的提取質量。高斯混合模型的1、2維自適應EM聚類學習方法，帶自相交數(shù)據(jù)點集的主曲線學習跟蹤方法，均具有學習導向作用，然而取得結果的速度較慢，均在1500ms以

2、上。 2)提出了一種基于宏塊特征量化的視覺自適應實時監(jiān)控方法。其宏塊特征空域關系判斷和類似競爭學習分類的消除干擾策略獲得了可比較的優(yōu)勢結果。在動態(tài)圖象序列中，能有效消除日光燈頻閃光線、部分運動陰影，以及局部小擾動帶來的區(qū)域干擾。 3)提出了一種針對紋理表面質量視覺檢測、以滾動學習方式增強的多證據(jù)特征學習方法，使得自動獲取的分類特征證據(jù)更真實、可靠。 4)提出了一種基于RGB色域特征環(huán)形學習的含誤差帶Floodfi

3、ll方法，以及通過有教師的學習來獲得RGB各顏色分量的最優(yōu)組合系數(shù)(對于1280×1024分辨率的圖像，參數(shù)學習計算時間≤10s)。該方法實現(xiàn)了對一些野外紋理狀非結構化道路的有效提取。 5)在研究早期煙霧檢測中，提出了一種可避免背景污染的臨時背景一永久背景的雙層背景學習模型。對1443幀圖像的野外道路車輛視頻序列，以及3個野外動態(tài)煙霧視頻(約1370幀圖像)擾動的背景學習實驗結果表明本方法的有效性和實用性。 針對自然目標

4、的即時檢測，主要取得以下研究結論： 1)提出的橢圓模型生物目標數(shù)數(shù)分割方法，實現(xiàn)了高相似顏色前景與背景，如：菌落、種子圖像的自動檢測與計數(shù)分析，對40張復雜分布目標圖像分析后獲得96.5％以上的檢出正確率。單粒數(shù)數(shù)的分割方法可以減小目標相互之間的干擾影響。 2)采用時空域多證據(jù)的方法無參化地實現(xiàn)了對印染織物和紋理狀織造織物的表面缺陷即時檢測仿真。對此類紋理表面常見缺陷的仿真檢測速度達到了55幀/秒(1024×393像素分

5、辨率圖像)，7個序列的檢出正確率達到了95％。 3)基于主動攝象機視覺的動態(tài)圖象序列分析，提出了兩種比較有效的高相似自然紋理表面分割線自動提取算法(行增強多證據(jù)分割法MEFE和多行最適應步距分割法MR-BFS)，實現(xiàn)了自然紋理兩類邊緣線的在線跟蹤，自主決策出作業(yè)機的理想移動方向。無參化地實現(xiàn)了園藝草地、水稻等割過與未割過自然紋理邊緣的兩類分割，對相似顏色圖像的分割誤差可控制在≤5％。5個野外視頻序列(約1200幀圖像)的自動提取

6、實驗表明：MEFE法的識別策略能取得較快的目標線分割(分割320×240圖像的耗時≤70ms)，MR-BFS法可兼顧目標線分割的速度和穩(wěn)定性。 4)提出了一種簡化的攝像機主姿態(tài)角一次性自動標定方法(耗時≤0.5s)和一種自然紋理邊緣兩類分割線參數(shù)的實時透視變換方法。為獲得動態(tài)圖象序列的平滑分割點，用了一種短暫記憶式多證據(jù)增強方法，來增強判別決策的有效性和提高邊緣線分割的即時跟蹤魯棒性，減小在控制上可能產生的行為振蕩。 5

7、)提出了一種基于RGB顏色分量運算與色域壓縮的圖像處理方法，可進行田間作物條帶、野外非結構化道路、農作物或雜草、菌落/種子等自然目標的即時提取，并可應用在紡織品圖案提取、煙霧檢測上。6個野外動態(tài)視頻序列(約2300幀圖像)的自動目標提取實驗表明：該方法的處理時間幾乎不受目標紋理復雜度影響，對波動的顏色分布具有較強的適應魯棒性，可在≤30ms內有效實現(xiàn)320×240像素圖像的全圖分割，在主動攝像機視覺的目標鎖定應用中具有優(yōu)勢。 6