基于Fast R-CNN的車輛目標(biāo)檢測(cè)

曹詩雨，劉躍虎，李辛昭

摘要：目的：在傳統(tǒng)車輛目標(biāo)檢測(cè)問題中，需要針對(duì)不同圖像場(chǎng)景選擇適合的特征。為此提出一種基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Fast R-CNN）的場(chǎng)景圖像車輛目標(biāo)發(fā)現(xiàn)方法，避免傳統(tǒng)車輛目標(biāo)檢測(cè)問題中需要設(shè)計(jì)手工特征的問題。方法：該方法基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)思想。首先使用待檢測(cè)車輛圖像定義視覺任務(wù)。利用選擇性搜索算法獲得樣本圖像的候選區(qū)域，將候選區(qū)域坐標(biāo)與視覺任務(wù)示例圖像一起輸入網(wǎng)絡(luò)學(xué)習(xí)。示例圖像經(jīng)過深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層，池化層計(jì)算，最終得到深度卷積特征。在輸入時(shí)沒有規(guī)定示例圖像的規(guī)格，此時(shí)得到的卷積特征規(guī)格不定。然后，基于Fast R-CNN網(wǎng)絡(luò)結(jié)構(gòu)，通過感興趣區(qū)域池化層規(guī)格化特征，最后將特征輸入不同的全連接分支，并行回歸計(jì)算特征分類，以及檢測(cè)框坐標(biāo)值。經(jīng)過多次迭代訓(xùn)練，最后得到與指定視覺任務(wù)強(qiáng)相關(guān)的目標(biāo)檢測(cè)模型，具有訓(xùn)練好的權(quán)重參數(shù)。在新的場(chǎng)景圖像中，可以通過該目標(biāo)檢測(cè)模型檢測(cè)給定類型的車輛目標(biāo)。結(jié)果：首先確定視覺任務(wù)包含公交車，小汽車兩類，背景場(chǎng)景是城市道路。利用與視覺任務(wù)強(qiáng)相關(guān)的測(cè)試樣本集對(duì)目標(biāo)檢測(cè)模型進(jìn)行測(cè)試，實(shí)驗(yàn)表明，當(dāng)測(cè)試樣本場(chǎng)景與視覺任務(wù)相關(guān)度越高，且樣本中車輛目標(biāo)的形變?cè)叫?，得到的車輛目標(biāo)檢測(cè)模型對(duì)車輛目標(biāo)檢測(cè)具有良好的檢測(cè)效果。結(jié)論：本文提出的車輛目標(biāo)檢測(cè)方法，利用卷積神經(jīng)網(wǎng)絡(luò)提取卷積特征代替?zhèn)鹘y(tǒng)手工特征提取過程，通過Fast R-CNN對(duì)由示例圖像組成定義的視覺任務(wù)訓(xùn)練得到了效果良好的車輛目標(biāo)檢測(cè)模型。該模型可以對(duì)與視覺任務(wù)強(qiáng)相關(guān)新場(chǎng)景圖像進(jìn)行效果良好的車輛目標(biāo)檢測(cè)。本文結(jié)合深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)思想，利用卷積特征替代傳統(tǒng)手工特征，避免了傳統(tǒng)檢測(cè)問題中特征選擇問題。深層卷積特征具有更好的表達(dá)能力?；贔ast R-CNN網(wǎng)絡(luò)，最終通過多次迭代訓(xùn)練得到車輛檢測(cè)模型。該檢測(cè)模型對(duì)本文規(guī)定的視覺任務(wù)有良好的檢測(cè)效果。本文為解決車輛目標(biāo)檢測(cè)問題提供了更加泛化和簡(jiǎn)潔的解決思路。

來源出版物：中國(guó)圖象圖形學(xué)報(bào), 2017, 22(5): 671-677入選年份：2017

結(jié)合最佳縫合線和多分辨率融合的圖像拼接

谷雨，周陽，任剛，等

摘要：目的：針對(duì)圖像拼接過程中，縫合線通過運(yùn)動(dòng)物體或配準(zhǔn)不準(zhǔn)確區(qū)域等情況導(dǎo)致融合圖像出現(xiàn)鬼影、重影的問題，提出了一種基于差異圖像加權(quán)的改進(jìn)最佳縫合線算法，采用基于多分辨率和加權(quán)平均的分區(qū)圖像融合算法解決了拼接線問題。方法：首先將兩幅圖像的重疊區(qū)域劃分為縫合線區(qū)域和過渡區(qū)域；在縫合線區(qū)域內(nèi)，使用差異圖像加權(quán)的最佳縫合線搜索準(zhǔn)則構(gòu)建準(zhǔn)則值圖像，基于動(dòng)態(tài)規(guī)劃思想來搜索得到最佳縫合線；基于縫合線生成掩碼圖像，并對(duì)重疊區(qū)域圖像進(jìn)行擴(kuò)展，采用多分辨率融合算法實(shí)現(xiàn)了非嚴(yán)格重疊區(qū)域的融合；在過渡區(qū)域采用加權(quán)平均算法來消除拼接線。結(jié)果：采用含有大量運(yùn)動(dòng)物體的圖像序列對(duì)算法進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，基于差分圖像加權(quán)的最佳縫合線有效避開了大部分運(yùn)動(dòng)物體，當(dāng)縫合線難以繞開運(yùn)動(dòng)物體時(shí)，能夠盡量少地穿過運(yùn)動(dòng)物體；通過多分辨率和加權(quán)平均融合算法消除了拼縫等問題。結(jié)論：提出的最佳縫合線算法能夠有效地避免縫合線通過運(yùn)動(dòng)物體、配準(zhǔn)不準(zhǔn)確的區(qū)域，將多分辨率圖像融合算法應(yīng)用于非嚴(yán)格重疊圖像融合，能夠合成高質(zhì)量的全景圖像。

來源出版物：中國(guó)圖象圖形學(xué)報(bào), 2017, 22(6): 842-851

入選年份：2017

小波與雙邊濾波的醫(yī)學(xué)超聲圖像去噪

張聚，王陳，程蕓

摘要：目的：斑點(diǎn)噪聲是由于超聲成像中的基本分辨單元內(nèi)存在大量的隨機(jī)散射現(xiàn)象，在圖像上表現(xiàn)為空間域內(nèi)相關(guān)的形狀各異的小斑點(diǎn)，它掩蓋了那些灰度差別很小的圖像特征。醫(yī)學(xué)超聲圖像中的斑點(diǎn)噪聲降低了圖像質(zhì)量并且限制了超聲圖像自動(dòng)化診斷技術(shù)的發(fā)展。小波變換具有時(shí)頻分析和多尺度分析等優(yōu)越性，在處理加性噪聲問題時(shí)，小波的去噪效果較好，并且其算法效率較高。然而，僅僅利用小波變換的去噪算法對(duì)醫(yī)學(xué)超聲圖像中斑點(diǎn)噪聲的抑制效果不好。對(duì)于雙邊濾波器，它在處理圖像噪聲時(shí)，一方面具有很強(qiáng)的去噪能力，另一方面能夠保持圖像邊緣細(xì)節(jié)。本文將結(jié)合小波去噪和雙邊濾波的優(yōu)點(diǎn)，針對(duì)斑點(diǎn)噪聲問題，提出了一種新型的基于小波和雙邊濾波的去噪算法。方法：首先，根據(jù)超聲成像原理，超聲成像系統(tǒng)采集到的超聲包絡(luò)信號(hào)被建模為信號(hào)與噪聲的相乘模型，其中相乘噪聲即是斑點(diǎn)噪聲。經(jīng)對(duì)數(shù)變換，超聲包絡(luò)信號(hào)由相乘模型變換成相加的模型。根據(jù)醫(yī)學(xué)超聲圖像在小波域內(nèi)的統(tǒng)計(jì)特性，在通用小波閾值函數(shù)的基礎(chǔ)之上，改進(jìn)了小波閾值函數(shù)。其次，將無噪信號(hào)的小波系數(shù)和斑點(diǎn)噪聲的小波系數(shù)分別建模為廣義拉普拉斯分布模型和高斯分布模型，利用貝葉斯最大后驗(yàn)估計(jì)方法得到了新型的小波收縮算法，利用小波閾值法對(duì)小波域內(nèi)的高頻信號(hào)分量進(jìn)行去噪。最后，對(duì)小波域內(nèi)的低頻信號(hào)分量進(jìn)行雙邊濾波處理，然后利用小波逆變換便得到去噪后的圖像。結(jié)果：在仿真實(shí)驗(yàn)中，通過與其他7種去噪算法（Lee、Frost、雙邊濾波、SRBF、小波軟閾值、DPAD和Andria）作對(duì)比，觀察峰值信噪比（PSNR）等圖像質(zhì)量評(píng)價(jià)指標(biāo)，結(jié)果表明本文算法的去噪效果優(yōu)于其他相關(guān)算法。臨床超聲圖像的實(shí)驗(yàn)結(jié)果進(jìn)一步驗(yàn)證了本文算法的去噪性能。結(jié)論：本文提出了一種新型的去噪算法，實(shí)驗(yàn)表明本文算法能夠很好地抑制斑點(diǎn)噪聲，并且能保留圖像病灶邊緣等細(xì)節(jié)。

來源出版物：中國(guó)圖象圖形學(xué)報(bào), 2014, 28(7): 126-132

入選年份：2017

基于雙邊濾波的圖像去霧

王一帆，尹傳歷，黃義明，等

摘要：目的：霧、霾等天氣狀況下獲取圖像，往往會(huì)受到大氣中微小粒子散射作用的影響，導(dǎo)致圖像嚴(yán)重降質(zhì)，對(duì)比度下降，顏色失真，對(duì)圖像信息的獲取造成很大困難。針對(duì)這一問題，本文提出了一種基于雙邊濾波的單幅圖像去霧算法。方法：此算法是以大氣散射模型為基礎(chǔ)的雙邊濾波去霧算法。首先，本文求取圖像的最小顏色分量，并利用雙邊濾波濾除最小顏色分量的紋理細(xì)節(jié)，同時(shí)保留其景深突變的邊緣特性，將濾波后的結(jié)果作為大氣耗散函數(shù)的初始估計(jì)。其次，利用雙邊濾波計(jì)算圖像的局部對(duì)比度，并基于暗通道先驗(yàn)理論估算圖像的大氣光強(qiáng)，結(jié)合像素與大氣光強(qiáng)的相對(duì)亮度值對(duì)大氣耗散函數(shù)的初始估計(jì)進(jìn)一步約束，從而得到更準(zhǔn)確的大氣耗散函數(shù)。最后，標(biāo)識(shí)出圖像的明亮區(qū)域，求取弱化因子對(duì)圖像進(jìn)行局部明亮區(qū)域的弱化，基于大氣散射模型，得到最終清晰無霧的圖像。結(jié)果：雙邊濾波能夠在平滑圖像的同時(shí)很好地保持圖像的邊緣細(xì)節(jié)，本算法利用這一良好特性有效地抑制了偽光暈。大量實(shí)驗(yàn)表明，本算法恢復(fù)的圖像清晰自然，尤其對(duì)于遠(yuǎn)景處和景深突變的邊緣區(qū)域能獲得很好的去霧效果。針對(duì)存在明亮區(qū)域的部分圖像，本文提出的弱化局部區(qū)域的算法能夠明顯抑制噪聲，使恢復(fù)的圖像顏色更為真實(shí)自然。此外，通過對(duì)雙邊濾波進(jìn)行加速，本算法的時(shí)間復(fù)雜度僅為圖像大小的線性函數(shù)。結(jié)論：針對(duì)霧、霾天氣下的降質(zhì)圖像，基于大氣散射模型與雙邊濾波特性，本文提出了一種新的單幅圖像去霧算法。同時(shí)，針對(duì)存在明亮區(qū)域的部分圖像，提出了弱化局部區(qū)域去霧的方法，進(jìn)一步增強(qiáng)了算法的魯棒性。實(shí)驗(yàn)表明，本算法能獲得很好的去霧效果，尤其在細(xì)節(jié)處理的表現(xiàn)優(yōu)于Tarel的去霧算法。同時(shí)，與基于暗通道先驗(yàn)的去霧算法相比，本算法在運(yùn)行時(shí)間方面具有明顯優(yōu)勢(shì)，有利于實(shí)現(xiàn)實(shí)時(shí)性技術(shù)應(yīng)用。本文算法引入了較多參數(shù)，而這些參數(shù)都是通過實(shí)驗(yàn)而得經(jīng)驗(yàn)值。下一步的工作是針對(duì)不同的圖像自適應(yīng)獲得這些參數(shù)或者部分參數(shù)。

來源出版物：中國(guó)圖象圖形學(xué)報(bào), 2014, 19(3): 386-392

入選年份：2017