基于机器视觉的自然目标特征学习与即时检测

论文摘要

本文研究分为自然目标的特征学习与即时检测两部分，其在机器视觉中是具有挑战性的工作，提出的方法具有较普遍的适用性。针对自然目标特征学习问题，主要取得以下研究结论：1)实验验证了颜色压缩中的自适应特征学习方法，其实质是一种聚类压缩过程，可进行部分纹理图案的提取，有利于提高图案的提取质量。高斯混合模型的1、2维自适应EM聚类学习方法，带自相交数据点集的主曲线学习跟踪方法，均具有学习导向作用，然而取得结果的速度较慢，均在1500ms以上。2)提出了一种基于宏块特征量化的视觉自适应实时监控方法。其宏块特征空域关系判断和类似竞争学习分类的消除干扰策略获得了可比较的优势结果。在动态图象序列中，能有效消除日光灯频闪光线、部分运动阴影，以及局部小扰动带来的区域干扰。3)提出了一种针对纹理表面质量视觉检测、以滚动学习方式增强的多证据特征学习方法，使得自动获取的分类特征证据更真实、可靠。4)提出了一种基于RGB色域特征环形学习的含误差带Floodfill方法，以及通过有教师的学习来获得RGB各颜色分量的最优组合系数（对于1280×1024分辨率的图像，参数学习计算时间≤10s）。该方法实现了对一些野外纹理状非结构化道路的有效提取。5)在研究早期烟雾检测中，提出了一种可避免背景污染的临时背景—永久背景的双层背景学习模型。对1443帧图像的野外道路车辆视频序列，以及3个野外动态烟雾视频（约1370帧图像）扰动的背景学习实验结果表明本方法的有效性和实用性。针对自然目标的即时检测，主要取得以下研究结论：1)提出的椭圆模型生物目标数数分割方法，实现了高相似颜色前景与背景，如：菌落、种子图像的自动检测与计数分析，对40张复杂分布目标图像分析后获得96.5％以上的检出正确率。单粒数数的分割方法可以减小目标相互之间的干扰影响。2)采用时空域多证据的方法无参化地实现了对印染织物和纹理状织造织物的表面缺陷即时检测仿真。对此类纹理表面常见缺陷的仿真检测速度达到了55帧／秒（1024×393像素分辨率图像），7个序列的检出正确率达到了95％。3)基于主动摄象机视觉的动态图象序列分析，提出了两种比较有效的高相似自然纹理表面分割线自动提取算法（行增强多证据分割法MEFE和多行最适应步距分割法MR-BFS），实现了自然纹理两类边缘线的在线跟踪，自主决策出作业机的理想移动方向。无参化地实现了园艺草地、水稻等割过与未割过自然纹理边缘的两类分割，对相似颜色图像的分割误差可控制在≤5％。5个野外视频序列（约1200帧图像）的自动提取实验表明：MEFE法的识别策略能取得较快的目标线分割（分割320×240图像的耗时≤70ms），MR-BFS法可兼顾目标线分割的速度和稳定性。4)提出了一种简化的摄像机主姿态角一次性自动标定方法（耗时≤0.5s）和一种自然纹理边缘两类分割线参数的实时透视变换方法。为获得动态图象序列的平滑分割点，用了一种短暂记忆式多证据增强方法，来增强判别决策的有效性和提高边缘线分割的即时跟踪鲁棒性，减小在控制上可能产生的行为振荡。5)提出了一种基于RGB颜色分量运算与色域压缩的图像处理方法，可进行田间作物条带、野外非结构化道路、农作物或杂草、菌落／种子等自然目标的即时提取，并可应用在纺织品图案提取、烟雾检测上。6个野外动态视频序列（约2300帧图像）的自动目标提取实验表明：该方法的处理时间几乎不受目标纹理复杂度影响，对波动的颜色分布具有较强的适应鲁棒性，可在≤30ms内有效实现320×240像素图像的全图分割，在主动摄像机视觉的目标锁定应用中具有优势。6)提出了一种结合烟雾色域均衡性、色域特征容差学习、小波特征、频率波动性、半透明特征等特性的早期烟雾即时识别方法。3个野外动态烟雾视频序列（约1370帧图像）的检测实验，表明了本方法的有效性和实用性。

论文目录

• 摘要
• Abstract
• 目录
• 附图目录
• 第一章 绪论
• 1.1 自然目标机器视觉检测概述
• 1.2 国内外自然目标视觉检测研究
• 1.3 问题的提出
• 1.4 本文安排与所做主要工作
• 第二章 图象特征提取与视觉识别
• 2.1 基于自适应颜色压缩目标提取
• 2.1.1 颜色压缩原理
• 2.1.2 基于 PCA的训练学习
• 2.1.3 自组织特征映射
• 2.1.4 基于 SOFM的训练学习
• 2.1.5 自适应颜色压缩算法
• 2.1.6 实验结果与分析
• 2.2 团状生物目标自动计数
• 2.2.1 椭圆模型数数算法
• 2.2.1.1 边缘坐标链码表示
• 2.2.1.2 单椭圆检测
• 2.2.1.3 椭圆中心点估计
• 2.2.1.4 粘连椭圆参数估计
• 2.2.1.5 椭圆伪中心点自动剔除
• 2.2.2 团状粘连目标自动分割
• 2.2.3 椭圆模型数数算法的实现
• 2.2.4 团状目标自动计数结果
• 2.3 视觉自适应目标实时跟踪
• 2.3.1 自适应宏块特征量化
• 2.3.1.1 宏块特征的自适应提取
• 2.3.1.2 去除噪声与降维计算
• 2.3.1.3 有效宏块特征值的分布
• 2.3.1.4 闯入目标的即时检测
• 2.3.2 实时视觉监控系统结构
• 2.3.3 实验结果与分析
• 2.4 本章小结
• 第三章 参数混合优化与纹理特征自学习
• 3.1 概述
• 3.1.1 软计算的混合方案
• 3.1.2 优化中的网络训练
• 3.1.3 遗传规划方法
• 3.2 混合优化方法验证实验
• 3.2.1 自适应聚类的 EM贪婪学习
• 3.2.2 TSP最短路径优化选择
• 3.2.3 验证实验分析
• 3.3 纹理距离测量
• 3.3.1 参数化方法
• 3.3.2 非参数化方法
• 3.3.3 纹理的直方图表示
• 3.3.4 纹理的转移矩阵表示
• 3.4 表面特征增强与即时检测
• 3.4.1 帧内多特征自学习
• 3.1.1.1 帧分块大小确定
• 3.4.1.2 帧分块特征选取
• 3.4.1.3 感兴趣目标特征图表达
• 3.4.1.4 分块特征的滚动自学习
• 3.4.2 特征实时分类器设计
• 3.4.2.1 特征贡献率优先级评价
• 3.4.2.2 特征值计算时间优先级
• 3.4.2.3 表面缺陷的多证据分级评价
• 3.4.2.4 时—空域多证据增强的即时检测
• 3.4.3 实验结果与分析
• 3.5 本章小结
• 第四章 自然纹理两类边缘即时理解
• 4.1 最佳适应步距两类分割
• 4.2 k阶极值加权均值两类分割
• 4.2.1 多尺度特征提取
• 4.2.2 初始兴趣区提取
• 4.2.3 感兴趣区压缩算法
• 4.2.4 导航方向线自动生成
• 4.3 左右均值最大差两类分割
• 4.4 多证据两类分割方法
• 4.4.1 算法思想
• 4.4.2 行增强多证据模糊判断
• 4.5 多行最适应步距两类分割
• 4.6 RGB分量运算-色域压缩全图分割
• 4.7 非结构化自然道路的理解
• 4.8 实验结果分析
• 4.9 本章小结
• 第五章 自然纹理两类边缘单目视觉跟踪
• 5.1 概述
• 5.2 透视投影变换模型
• 5.3 摄象机主姿态的简化自标定
• 5.3.1 快速透视投影变换算法
• 5.3.2 摄象机主姿态角的自动获取
• 5.4 边缘线真实方向角参数
• 5.5 动态序列短暂记忆的多证据分割增强
• 5.6 本章小结
• 第六章 自然目标特征学习与即时检测
• 6.1 自然道路感兴趣区提取
• 6.2 RGB色域特征循环学习方法
• 6.3 基于进化学习的色域组合
• 6.4 颜色域快速压缩方法
• 6.5 自然多目标的即时检测应用
• 6.6 本章小结
• 第七章 半透明动态纹理视频的理解与检测
• 7.1 概述
• 7.2 动态序列图像预处理
• 7.2.1 分块特征值计算
• 7.3 复杂序列的背景学习与维护
• 7.3.1 移动物体判别准则
• 7.3.2 临时—永久背景更新模型
• 7.4 烟雾识别
• 7.4.1 烟雾的色域特征
• 7.4.2 烟雾的小波特征
• 7.4.3 烟雾波动的时频特征
• 7.4.4 烟雾的半透明特征
• 7.5 杂点剔除和连通域标识
• 7.6 实验结果与分析
• 7.6.1 动态背景模型学习
• 7.6.2 烟雾检测实验
• 7.7 本章小结
• 第八章 结论与建议
• 8.1 研究结论
• 8.2 主要创新工作
• 8.3 展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文及科研项目