一种基于超像素分割的车辆轮廓提取方法.pdf
夏萍****文章
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于超像素分割的车辆轮廓提取方法.pdf
本发明公开了一种基于超像素分割的车辆轮廓检测方法,实现少量处理器性能开销下的车辆轮廓提取方法,提高车辆具体信息提取的准确性;针对车辆轮廓提取问题,通过超像素背景差分,结合区域亲和度分类的方法,实现快速车辆轮廓提取,具有准确率高、速度快的特点,避免了轮廓提取消耗大量处理能力的问题,解决了快速车辆轮廓提取的问题。
基于超像素‑多色彩空间的人体轮廓提取方法.pdf
本发明提出了一种基于超像素‑多色彩空间的人体轮廓提取方法,从超像素SP和多色彩空间MCS视觉角度出发进行改进,对于一副图像的轮廓信息而言,最主要的差别就是色彩或亮度信息在某一梯度方向上发生剧变或跳跃,将该属性选定为轮廓所分开的区域的特征,该特征具有类内差距小、类间差别大的特点,能够很好的将不同的区域划分开来,再利用区域信息提取完整人体轮廓信息。本发明还提出基于最小阻碍距离MBD的人体轮廓提取方法,能够大大加强较复杂背景下的轮廓提取的准确度和完整性。实验证明,在非接触式人体轮廓提取中的问题在本发明中都很好的
一种基于PCBA的超像素图像分割方法.pdf
本发明公开了一种基于PCBA的超像素图像分割方法,包括:获取原始图像;提升原始图像的对比度得到输入图像;计算输入图像的显著值并生成显著图;对显著图进行超像素分割,并获取超像素标签;基于超像素标签创建超像素图像,超像素图像中的每个像素的像素值为对应超像素块的平均灰度值;基于最佳分割阈值将原始图像分割为目标区域和背景区域,生成由目标区域与背景区域组成的分割图。针对PCBA颜色信息简单,没有包含复杂的背景信息的特点,本发明在进行最终的分割之前,先利用超像素标签生成超像素图像,这样,既保留了原图的边缘等重要信息,
一种基于深度学习的超像素分割方法.pdf
本发明公开了一种基于深度学习的超像素分割方法,具体包括针对编码器部分的网络过参数化、网络剪枝和解码器部分的TPT(Top‑down‑top)解码结构,本发明基于深度学习并具备端到端学习能力,具备与其他视觉任务更充分的融合能力,进而可以促进其它视觉任务的快速发展。该发明的方法步骤大体分为三个阶段:网络搜索策略中的网络过参数化阶段;网络搜索策略中的网络剪枝阶段;网络解码能力强化并重新训练阶段。本发明在编码器特征提取过程中的边界捕捉能力和解码器超像素分割过程中的结构保留能力均有提升,能有效减少错分割现象的出现,
一种基于超像素的主动轮廓跟踪方法.pdf
本发明公开了一种基于超像素的主动轮廓跟踪方法,对训练图像进行超像素分割得到目标和背景的训练样本池,根据训练样本采用测度学习方法得到距离测度的投影矩阵,构建判别式表观模型,将序列图像的每帧测试图像进行超像素分割,根据构建好的判别式表观模型得到测试图像对应的置信图,从而得到测试图像的速度场,将速度场代入水平集方法的进化方程,得到测试图像的轮廓跟踪结果。相比现有技术,本发明提高了每帧测试图像的轮廓进化效率,同时提高了序列图像的跟踪准确率和跟踪效率。