一、基于B样条模型的曲线特征点检测法（论文文献综述）
李旭[1]（2020）在《基于CUDA加速的车道线检测算法研究》文中提出近年来,信息技术、人工智能等领域迅速发展,带动传统汽车制造业纷纷转型,智能化已成为汽车行业发展的必然趋势。汽车智能化的关键在于感知、决策和控制,而汽车环境感知技术是实现车辆路径规划和决策的基础,其中车道线检测技术作为车辆环境感知的重要内容,已成为许多高级辅助驾驶系统的基础。因此,本文对基于CUDA加速的车道线检测算法开展研究。首先,本文面向复杂的城市道路环境,开发了具有良好环境适应性的车道线检测算法,其过程由图像预处理、Canny边缘检测、Hough变换直线检测、车道候选线的筛选以及弯道拟合五个步骤构成。其次,为提高车道线检测的实时性,结合GPU在图像处理领域的最新发展,阐述基于GPU的CUDA编程模型和存储模型,分析CUDA并行优化策略,作为后续并行优化车道线检测算法的基础。然后,基于CUDA进行车道线检测算法优化,利用OpenCVcuda模块库进行图像预处理,针对经典Hough变换直线检测方法,提出一种改进的并行Hough变换直线检测方法,使用多线程独立进行空间坐标转换计算代替串行循环计算,对于车道线的筛选同样基于CUDA并行性,使每个线程各自对应一组参数进行约束条件判断。最后,采集城市道路场景作为实验数据集,基于服务器以及嵌入式开发板TX2作为实验平台,进行复杂交通场景下车道线检测实验。对比CUDA加速优化前后车道线检测效果,并进行耗时统计与分析,验证改进的并行车道线检测算法的有效性和实时性。
何旭光[2]（2020）在《基于B样条曲线模型的车道线检测方法研究》文中认为车道线检测是高级辅助驾驶系统中车道线偏离预警、车道保持等功能的基础任务,研究车道线检测技术具有重要的工程实际意义。目前,基于传统图像处理的车道线检测方法比较常见,主要工作内容包括道路图像预处理、车道线检测、车道线跟踪。道路图像预处理是首先根据先验经验设定感兴趣区域,在所设定的感兴趣区域内进行灰度化、二值化、车道线边缘特征提取。车道线检测通常是选择合适的道路模型,对边缘点处理得到目标点并进行拟合,通常使用的车道线模型有直线模型、抛物线模型、B样条曲线模型、组合模型。车道线跟踪的目的是根据相邻两帧图像之间的关联性来预测下一帧车道线的位置,车道线跟踪是在局部区域范围内实现的,因此实时性高。假如连续几帧道路图像都没有跟踪到车道线,就会在全局范围内重新进行车道线检测,卡尔曼滤波是常见的跟踪算法。以上的方法存在几个问题,常见的边缘特征方法对环境干扰的过滤性不强,得到的边缘特征图像存在大量的干扰或存在车道线特征丢失严重的情况。同时,常见的道路模型存在局限性,不适用于各种常见道路。此外,常见的车道线检测对边缘关键点的拟合性能差,容易造成车道线误检和漏检。基于深度学习的车道线检测方法检测准确率高、学习能力强、应用范围广、数据驱动、可移植性好,但是存在着模型训练只能离线进行,计算量大,硬件需求高,模型设计复杂等问题。针对以上方法存在的问题,本文首先采用Canny算子对道路图像进行边缘检测,对得到的边缘图像进行形态学去噪处理,从而准确得到车道线边缘图像。其次,采用图像分段方法和动态规划算法得到控制点候选点集,结合随机抽样一致性算法和三次B样条曲线模型检测车道线。再次,针对车道线漏检、误检的问题,采用卡尔曼滤波法,建立了车道线参数跟踪模型,构造了过程噪声和观测噪声的计算方程,对B样条曲线的4个控制点坐标和车辆的运行状态参数进行跟踪。最后,经过大量的实验分析,本文车道线检测方法具有很好的实时性、准确性和鲁棒性。
孙朋朋[3]（2019）在《城市环境下智能车行车环境精确感知关键技术研究》文中研究说明近年来,随着信息融合与人工智能技术的飞速发展,智能车的智能化水平也在不断提升,智能车的应用正逐渐从封闭园区、高速公路等相对简单的交通环境向更加复杂的城市环境渗透。由于城市路况复杂、人车混行、存在大量GPS盲区,智能车周围的动态目标多,且容易形成遮挡,这些因素给智能车的高精度环境感知带来了极大的挑战。为了解决以上问题,本文基于三维激光雷达、RGB摄像机等多源传感器采集的点云与图像数据,分别针对城市环境下智能车行驶地面点云分割、道路边界检测、目标识别等关键问题展开深入研究,具体研究内容如下:1.面向城市环境下的智能车行车环境感知系统框架设计。通过深入分析城市环境下智能车自主安全导航的需求,以长安大学“信达号”智能车为研究平台,完成了基于多传感器信息融合的行车环境感知系统的研制。该系统以车载激光雷达、毫米波雷达和摄像机为主要感知传感器,同时利用V2X车路协同感知终端赋予智能车超视距感知和协同交互的能力,实现了智能车对远、中、近行车环境的全方位感知。2.基于三维激光雷达实时的地面点云分割算法研究。针对城市场景中存在的路面高程起伏不平的特点,提出了两种鲁棒的三维激光雷达地面点云分割方法。首先针对高程起伏较小的路面,在深入分析其三维激光雷达点云分布特性的基础上,构建了一种基于栅格自适应的极坐标栅格地图,并将激光点云数据映射到栅格中,然后根据栅格中激光雷达点云的高度分布特征,将极坐标栅格分类为地面栅格、障碍物栅格和边界栅格三种情况,将地面栅格中的点标记为地面点云,利用地面高程变化的局部连续性进一步分割出边界栅格中的地面点云。实验结果表明该方法平均每帧处理时间仅为17ms,可实现平坦路面的实时分割,且分割精度超过95%。其次,针对高程起伏较大的路面,在深入分析地面部分和非地面部分相邻扫描线、同方位角激光点之间的径向距离变化特征的基础上,提出了一种基于相邻扫描线径向距离分析的地面点云分割方法。首先对无序点进行序列化,然后根据三维激光雷达扫描参数和车辆姿态计算出相邻扫描线、同方位角上两点之间的期望距离,利用实际距离和期望距离之间的变化关系分割地面点。基于重庆市典型的起伏路面对提出的方法进行实车实验,结果表明该方法在满足分割精度的同时每帧处理时间约为34ms,满足了智能车对算法实时性、高精度的要求。3.基于三维激光雷达的城市道路边界检测方法研究。针对城市环境下道路边界变化多样且在三维激光雷达点云中边界易受其他障碍物的遮挡而出现阻塞的问题,提出了一种实时鲁棒的道路边界检测方法。首先利用本文提出的地面点云分割方法实现激光点云中地面部分与非地面部分的快速分离,在降低待处理数据量的同时也分部分抑制了道路障碍物对道路边界鲁棒检测的干扰。然后,利用同一扫描线相邻点之间的最大最小高度差、夹角以及相邻扫描线同方位角上的两点之间梯度特征从地面点云中提取可能的道路边界特征点,并根据道路的线形变化趋势搜索前方候选道路边界点的位置和补全由于遮挡而阻塞的候选边界点。最后,通过三次B样条模型将候选边界点集拟合出道路边界线。实验结果表明:该方法每帧处理时间为36.5ms,平均准确率达93%,即使在道路边界被部分阻塞的情况下,依然能够实时、鲁棒地检测出各种典型道路边界。4.基于三维激光雷达点云与RGB图像融合的目标检测方法研究。三维激光雷达点云可以直接用于提取目标的位置和三维几何结构信息,而图像数据非常适合用于目标的识别。论文充分利用了二者的互补性,提出了一种融合三维激光雷达点云与图像信息的目标检测方法。首先利用三维激光雷达点云生成准确的目标三维候选包围盒,然后将这些生成的目标候选包围盒映射到图像空间中生成二维的感兴趣区域（ROI）,并将其输入到卷积神经网络（CNN）中,进行自动识别。为了提高小目标的识别率,该方法结合了CNN中最后三个卷积层的特征来提取ROI的多尺度特征。本文利用KITTI数据集对提出的算法进行评估,该方法从每帧的三维激光雷达点云中平均生成近百个目标候选区域,召回率高于95%,其性能远高于使用类似滑动窗口的候选区域选择方法（通常会产生上千个候选区）,大大减少了目标候选区域的提取时间,保障了算法的实时性。该方法每帧平均处理时间为66.79ms,可满足智能车对算法实时性的要求。该方法在获得目标深度信息的同时,对中等难度的车辆和行人识别准确率分别为89.04%和78.18%。本文研究的全部算法均在长安大学自主研发的“信达号”智能车上得到了应用,利用“信达号”车载三维激光雷达和RGB相机采集城市场景下的大量数据对本文提出的三种环境感知方法进行了系统化测试,定性和定量的实验结果表明本文提出的方法实时、准确、可靠,可以增强智能车的环境感知能力。同时基于本文环境感知方法研制的智能车在“世界智能驾驶挑战赛”、“i-Vista自动驾驶汽车挑战赛”、“中国智能车未来挑战赛”表现突出,获得多个重要奖项。
刁巍巍[4]（2018）在《轨道检查仪轨向高低数据质量控制算法研究》文中研究表明轨道检查仪检测技术虽在国内已发展十几年,但在长轨精调方面的研究成果相对较少。在使用轨道检查仪对有砟、无砟轨道进行快速检测时,由于轨道表面、内侧附着异物（碎砟,油污,线缆等）的影响,导致轨检仪检测轨道的横垂向偏差产生突变。通常测量现场偏远、网络信号薄弱,现场无法及时传输原始数据至内业,所以突变位置不能在现场及时处理,这样将消耗大量人力物力。因此,有必要深入研究控制轨检仪外业轨道检测数据质量的问题。为实现对外业轨道检测数据质量控制,本文从重复测量角度来探测轨道检查仪轨向高低突变,确立突变评判依据。首先针对轨道检测数据存在分段测量情况,提出利用相关系数法合并分段数据,以便于后续探测轨向高低突变位置和内业数据处理。然后将检测数据质量控制分为两步:第一,探测轨向高低突变位置。由于里程测量误差的影响,往返测较差中包含系统误差,且系统误差具有不确定性、难以分离,直接依靠较差不能准确定位突变位置。为能够有效分离出系统误差,准确定位轨向高低突变位置,提出用峰值点峰值较差来探测突变位置,为实现峰值点匹配,将点匹配转化为线匹配,匹配过程分为特征点提取和匹配两部分;第二,统计往返测轨向高低峰值较差绝对值,把突变的轨向高低当作粗差,运用粗差探测算法找到横垂向偏差突变位置,统计消除系统误差后的轨向高低峰值较差和较差的均值,制定探测突变的阈值。最后,对不同测量条件下轨道检测数据质量进行对比分析,进一步验证匹配算法的正确性和适用性。实测数据表明:利用相关系数法合并分段数据,能够有效平顺连接各段间数据;峰值点匹配算法能够准确地匹配往返测峰值点,准确探测出往返测波形差异情况,有效消除里程测量系统误差的影响;峰值点匹配算法效率高、实用性强、易于编程实现;利用统计分析法制定出轨向高低突变阈值分别为0.7mm、0.8mm,结果能够满足实际需求;轨道检查仪在既有线有砟轨道、新建无砟轨道、新建有砟轨道上的轨道检测数据质量无显着差异,峰值点匹配算法适用于不同检测条件下获取的往返测波形差异探测。
张护望,林浒,王诗宇,郑廖默,冯斌[5]（2018）在《一种基于改进SIFT算法的轨道板图像匹配方法》文中研究说明为了提高CRTIII无砟轨道板视觉检测中图像匹配的效率,文章采用一种改进算法完成轨道板图像匹配。传统的SIFT算法使用128维特征描述子,计算欧式距离判断是否匹配,匹配速度慢,并存在误匹配问题。为了提高算法的稳定性和正确率。文中首先对采集图像进行双边滤波,去除噪声并保存图像的边缘信息。在SIFT的基础上采用内切圆选择特征描述子,目的是为了去除远离中心点的那些像素,最后得到了96维特征描述符向量;并且计算皮尔逊相关系数进行评分,通过对相关系数排序,设置适当的阈值,初步找到匹配点,然后运用一种去除误匹配的算法得到最优匹配结果。最终证明,该算法缩短了图像处理时间,并且保证了较高的图像匹配精度和较高的稳定性。
欧巧凤[6]（2018）在《二维凝胶电泳图像中一致蛋白质斑点集检测技术研究》文中进行了进一步梳理蛋白质组学是在组织或细胞整体水平上探索蛋白质组动态变化与生理病理过程的关系,为临床诊治、新药开发和环境污染分析提供依据。二维凝胶电泳（two-dimensional gel electrophoresis,2DGE）技术是目前最有应用价值的蛋白质组分离技术。一致蛋白质斑点集检测是2DGE技术的核心内容。本文在国家自然科学基金的资助下,深入研究了2DGE图像配准和预处理方法,以及蛋白质斑点检测和匹配方法,具体的研究工作和取得的创新成果包括:（1）为了提高一致蛋白质斑点集检测的准确度,提出了基于CSIFT（classified scale-invariant feature transform）的2DGE图像配准方法。首先,提取每张2DGE图像的SIFT特征点;然后,利用透视变换模型将图像的SIFT特征点分为内点和外点两类,再利用几何相似度原理进一步将外点分为真假外点两个子类;最后,将内点和假外点作为薄板样条（thin plate spline,TPS）变换的控制点,实现2DGE图像间的弹性配准,利用同一样品多张2DGE图像之间的冗余提高CPSS检测准确度。通过对不同来源的真实2DGE图像的配准实验,验证了本文方法对缩放、旋转、噪声、光照差异和成像时的视角差异等因素具有更高的稳定性;通过对比实验,结果表明本文方法优于传统2DGE图像配准方法,配准精度高达94%以上,且无需手动输入任何参数。（2）针对脉冲噪声和人工干扰导致蛋白质斑点误检测的问题,提出了基于局部极小值分类的脉冲噪声和人工干扰去除方法。首先,采用h-极小值变换方法检测2DGE图像局部极小值;其次,利用局部极小值邻域梯度差异识别脉冲噪声和人工干扰极小值;再次,提出方向均值滤波方法重建脉冲噪声和人工干扰极小值像素;最后,通过迭代检测和重建实现脉冲噪声和人工干扰的去除。通过多组合成和真实2DGE图像的去噪实验表明,本文方法的开关滤波特性大幅度减小了对图像有用信息的损害;从m SSIM客观评价、蛋白质斑点中心极小值正确检测率和主观评价三个指标来看,本文方法综合优于现有方法;滤波前的2DGE图像蛋白质斑点中心极小值正确检测率只有66.31%,经过本文方法滤波后的正确检测率高达98.12%。针对2DGE图像整体或局部亮度差异导致蛋白质斑点量化不准确的问题,提出了邻域梯度区间直方图均衡（neighbouring grad section histogram equalization,NGSHE）的图像亮度校正方法,克服了现有亮度校正方法存在2DGE图像背景区域过度增强的问题;提出了基于背景灰度曲面拟合的背景消减方法,减少了背景不均引起的蛋白质斑点量化误差。针对高斯噪声影响蛋白质斑点边缘定位精度的问题,对比研究了多种高斯噪声滤波器用于2DGE图像的性能,通过对比实验结果和分析发现,经典高斯滤波器最适用于2DGE图像高斯噪声去除。（3）针对传统标记分水岭方法存在标记不准导致蛋白质斑点分割不准的问题,提出了一种改进的内外标记分水岭方法。首先,利用深色背景中的噪声统计规律,提出了分层检测蛋白质斑点中心极小值作为内标记的方法,提高了蛋白质斑点中心检测准确度;然后,采用灰度标记和距离标记融合的方法提取外标记,解决了距离外标记切割蛋白质斑点问题以及灰度标记相互包含的问题。通过多组检测实验表明,该方法的蛋白质斑点正确检测率大于89.10%,明显高于传统标记分水岭方法。上述改进分水岭方法对单个蛋白质斑点检测效果很好,但依然存在无法分离重度重叠蛋白质斑点的问题。因此,本文提出了一种基于山谷特征的重叠蛋白质斑点分离方法,通过提取骨架、建立拓扑结构和扫描山谷特征确定重叠蛋白质斑点的分离线。实验表明本文方法可以有效分离传统分离方法不能分离的重度重叠蛋白质斑点。（4）为了提高蛋白质斑点匹配准确度,提出了渐进式协同蛋白质斑点匹配方法。首先,采用相似度图分析方法选取蛋白质斑点的坐标特征、灰度特征和形状上下文特征;其次,对确定型蛋白质斑点进行灰度分层,在同层灰度子空间中搜索配准图像中坐标k-近邻斑点作为候选匹配点;再次,根据形状上下文特征相似度最大准则确定双向匹配结果,匹配成功的斑点作为地标点,失败的斑点加入疑似型蛋白质斑点队列;最后,基于多图、多地标点和多特征对疑似蛋白质斑点进行协同校验。实验结果表明,本文方法有效克服了传统蛋白质斑点检测和匹配方法过早使用阈值引起的漏检,蛋白质斑点的正确匹配率约为98%。上述成果已应用于本课题组开发的国内首款2DGE图像分析软件Protein Master1.1,该软件目前已经被多家公司和高校应用,取得了良好的效果。本文的研究成果为2DGE图像中一致蛋白质斑点集检测提供了新的理论和方法。
赵艳[7]（2013）在《低压交流接触器电弧图像三维重建关键技术研究》文中研究表明三维重建是指对三维物体建立适于用计算机表示和处理的数学模型，是在计算机环境中对其进行存储、处理和分析其性质的基础，也是在计算机中表达客观世界的关键技术。在负载电路开关时，低压开关电器触头间会产生开关电弧，电弧是影响低压电器电寿命的主要因素。低压电器中电弧的生成形态、燃弧运动过程等对分析电器的开关能力、电器寿命以及电器是否会发生故障起着重要的作用。因此要改善低压电器产品的可靠性，就必须研究从燃弧开始到灭弧结束整个过程的动态变化，以及观察各种因素对电弧运动过程的影响。开关电弧燃弧过程非常短暂，不适合直接进行观察分析，因此对于开关电弧燃弧过程建立可视化研究模型，有助于对电弧燃弧机理进行深入研究、分析电弧特性，从而达到改善电器结构设计、改进电器材料、提高电器产品可靠性的目的。因此对本课题深入开展研究工作具有重要的理论意义和实用价值。首先，通过对现有技术的分析和比较，设计了基于高速CCD摄相机的低压交流接触器开关电弧图像采集系统，建立了系统的硬件电路和软件系统结构。对于采集到的电弧图像进行三维重建，针对三维重建过程中涉及到的边缘检测、特征点匹配、图像增强、摄像机标定、曲面拟合等问题开展了理论和实现技术的研究，并提出了相应的解决方案。其次，针对电弧图像的特点，利用形参均匀B样条公式，提出了一种可盈亏修正的边缘检测算法，利用形参均匀B样条公式对修正后的图像曲面进行拟合，通过计算获得图像特征点，该方法简洁，精度较高，便于实时处理。再次，提出了多特征融合的图像匹配算法，通过SIFT算法提出特征点，并对SIFT算法进行改进，通过在图像与高斯和卷积之前对图像放大一倍处理的方法提高了特征点的提取速度。其次将特征点的灰度、距离特征组合起来，共同描述一个特征点，根据这些特征计算特征点之间的相似度，获得更能描述图像的局部特征，利用该方法有效的减少伪特征点数，并精确地定位出特征点，有效地提高了识别效率。为保留电弧弧柱强特征，采用基于直方图的图像增强算法，取得了较好的图像增强效果。最后，本文提出了对于电弧图像的标定算法，建立了基于非均匀有理样条的曲面拟合算法，实现了低压电器开关电弧可视化仿真模型，对电弧开断过程实现了仿真模拟，通过计算机将灭弧室内电弧的运动过程显示出来，方便从不同角度进行观察。电弧可视化模型的应用对于电器设计水平的改善和提高大有益处。
张娴[8]（2012）在《基于曲率分析的三次B-spline曲线保形采样方法研究》文中研究指明本文是在逆向工程的背景下对三维重建过程中的数据点采样进行研究。在利用轮廓线进行三维重建的过程中，光滑的、采样密度相对合理的轮廓线是重建表面光滑和高质量网格的重要保证。因此，数据点采样的好坏对模型重建结果的优劣有着至关重要的影响。原始轮廓线的数据不满足这一条件，一般来说都要对原始数据点进行采样。但目前的采样方法都是在具体的情况或是特定的条件下进行的，采样的标准很难形成一套公式或者理论。采样不恰当会出现以下两种情况：一、采样密度把握得不够准确，在很多部分采样相对不均匀，从而造成模型不能重建或者是重建后模型的失真；二、采样间隔选取稠密使得采样过程中计算量大，在很大程度上增加了计算复杂度。因此，本文的重点是针对前面所提出的问题上探索出计算小，存储量少及具有普遍适用性的采样算法。本文以一系列轮廓线为对象，研究保形采样方法。为了得到采样点密度相对均匀的轮廓线，本文采用先拟合再采样的策略。主要内容包括有：对原始数据点拟合成三次B-spline曲线的表达形式；提取三次B-spline曲线的特征点；在特征点处进行曲线分割；计算曲线的曲率半径极小值；数据点采样五个部分。详细如下：（1）三次B-spline曲线拟合。对原始数据点进行曲线拟合，拟合算法为LesA.Piegl和Wayne Tiller所提出的B-spline曲线拟合算法。算法输入是三维空间中物体的轮廓数据点，而输出是三次B-spline曲线。（2）三次B-spline曲线特征点提取算法。曲线的特征点，在本文中规定为曲线的拐点和奇异点。在分析三次Bezier曲线和曲率的表达式之后，结合计算机辅助几何设计和数学上对拐点的定义，推导出求取三次Bezier曲线特征点的公式，给出一种特征点提取算法。该算法能快速地提取三次Bezier曲线的特征点。考虑到三次B-spline的表达式比较复杂，受到次数，控制多边形和节点矢量的影响，直接对它进行曲率分析比较困难，所以把三次B-spline曲线转化成三次Bezier曲线的表达形式，这样既可以减少计算量，同时也能快速地得到三次B-spline曲线的特征点。理论分析和实验结果均证明该算法具有合理性和可行性。（3）曲线分割。利用现有的算法对转化的三次Bezier曲线在特征点处进行分割，使得分割后的每段曲线不再含有特征点，保证每段曲线的曲率单调变化，以便计算曲线的曲率半径极小值。（4）获取曲线的曲率半径极小值。这一部分是采样算法中的重点，曲率分析就是求取每条分段三次Bezier曲线的曲率半径极小值（即曲率半径的极小值），这就需要研究出一种求取曲率半径极小值算法。在曲线分割的基础上，分析曲线曲率的变化情况，归纳出曲率变化类型的判断条件。根据判断条件求出曲率半径的极小值。（5）数据点采样。研究并提出基于曲率分析的三次B-spline曲线采样的方法。给出了完整的采样原则和具体算法实现步骤。
朱淑亮[9]（2011）在《基于视频图像分析与信息融合的驾驶员疲劳检测技术研究》文中认为疲劳驾驶是引发交通事故的一个重要原因,随着科学技术的发展,运用各种检测手段对驾驶员的精神状态进行检测已成为可能,在交通事故发生前进行报警并采取相应措施,对于降低交通事故的发生率,减少人员伤亡及财产损失具有重要的社会意义和经济意义。本文采用视频图像分析技术对与驾驶员疲劳相关的多个外在症状进行检测分析,应用多信息融合理论分析采集到的相关信息,并做出驾驶员是否疲劳的判断。主要工作如下：对图像光照补偿技术进行研究。针对由偏光引起的图像局部过暗会对图像处理产生严重影响的问题,提出基于图像分解和MSR算法相结合的光照补偿方法,该方法在保持图像细节的前提下,较好地增强了暗区域的亮度。提出计算图像高频分量的简便算法。采用比例因子恢复彩色光照图像,研究S曲线对彩色图像的均衡问题。对驾驶员面部检测定位进行研究。根据驾驶员视频图像特点,采用帧间差分法和肤色检测法联合定位驾驶员面部区域。针对传统帧间差分法易受干扰的问题,对差分算法进行改进,研究基于多帧图像差分的面部检测方法。研究驾驶员眼睛检测方法,采用肤色分割法对面部图像进行二值化处理,以缩小眼睛的检测范围。对候选图像块进行纹理特征分析,并将不同方向上的特征值进行融合,根据融合后的特征值判断眼睛区域。采用斑点检测法对检测出的眼睛进行验证,研究在高斯变尺度空间中的斑点检测问题。对于眼睛跟踪问题,针对眼睛具有复杂形状及存在非刚性变形的特点,采用改进的测地线活动轮廓模型对眼睛进行跟踪。针对跟踪过程中数据量大的特点,采用窄带水平集方法降低数据量。研究驾驶员嘴巴检测方法,提出基于人脸特征几何分布特性与颜色差异性的检测方法。根据“三庭五眼”规则划分标准肤色区域和嘴巴检测区域。分析标准区域中的皮肤和嘴巴检测区域中的嘴唇在HSI空间中H分量上的差异性,并根据其差异性映射出嘴唇轮廓。研究眼睛、嘴巴及头部的运动与图像信息之间的对应关系。采用椭圆模型计算眼睛的睁开程度。分析头部特征三角形在图像中的投影与头部运动之间的变化规律。通过计算嘴巴的宽高比来分析嘴巴的状态。研究结构化道路的检测方法。提出基于邻域主成分分析法的道路图像平滑方法。为增强道路图像对比度,提出基于Sin函数的图像拉伸曲线。提出图像分区垂直积分投影的车道线检测方法。针对投影曲线平滑后曲线轮廓易改变的缺点,提出新平滑方法,该方法能在保持原始投影曲线形状基本不变的前提下进行平滑。研究车道线边缘点的调整方法,以便能更加精确地检测出车道线边缘。为提取车道标志线的特征参数,采用最小二乘法对车道线进行边缘拟合。对于车道标志线的跟踪问题,基于视频图像的连续性,划定车道线感兴趣区域,采用方向可调滤波器对车道线进行精确定位跟踪。研究非结构化道路的检测方法。针对非结构化道路的特点,提出道路图像重采样及大尺度平滑的思想,分析了重采样对检测结果的影响。为进行道路检测,首先采用直方图寻找极值点并进行区域划分初始化；然后采用模糊C均值聚类法进行彩色图像分割,将道路区域分割为一个独立的图像块；最后,根据图像块属性判断道路区域。研究车辆行驶轨迹的判断方法。分析车辆位置与车道偏离率之间的关系。提出车道偏离量变化率来表征车辆偏离的速率。研究采用多信息融合技术进行驾驶员疲劳检测的方法。根据采集信息特点,采用分布式信息融合结构,在决策级根据粗糙集理论进行驾驶员疲劳信息融合判断。针对粗糙集理论的要求,研究条件属性的离散归一化问题,建立单个检测特征量与驾驶员疲劳程度之间的量化关系,研究数据的约简方法,得出最小决策算法,通过决策算法判断驾驶员疲劳程度。
方志珍[10]（2010）在《基于双特征结合的弹性模型医学图像非刚性配准方法研究》文中研究指明医学图像配准的主要目的是将不同时间、不同视场、不同成像模式的两幅或多幅图像进行空间几何变换,以使代表相同解剖结构的像素或体素在几何上能够匹配对应起来。在配准过程中,尽量兼顾自动化程度高、鲁棒性强、适应性好、速度快、精度高等各项指标。基于特征的图像配准方法是目前图像配准最常用的方法之一,其最大的优点在于能够将对整个图像进行的各种分析转化为对图像特征（特征点、特征曲线等）的分析,从而大大减小了图像处理过程的运算量。而特征提取的准确程度和定位的精确将对整个配准过程产生很大的影响。本文对现有的特征提取方法进行了分析,重点研究了点的特征提取方法和轮廓的特征提取方法,提出了一种新的图像配准方法,即Harris角点提取法和LOG算子轮廓提取法相结合的特征提取法。先用Harris角点提取法提取图像角点,并增加其灰度值,再用LOG算子边缘提取法提取轮廓,之后对所提特征进行自竞化。研究了B样条弹性变换模型,提出了基于双特征结合的弹性模型医学图像非刚性配准方法。采用高质量的拟三次B样条型混合插值样条作插值函数,用Hausdorff距离作为测度,用粒子群优化算法优化配准过程,并给出了本文算法的配准流程。开发了基于OpenCV平台的图像配准程序,实现了本文提出的非刚性医学图像配准算法。用该算法对CT、MRI、PET图像的同模和多模之间做了大量实验分析。分别用相关系数,最小均方误差,归一化互信息,信噪比等评价指标对实验的配准效果进行了客观评价。从客观评价结果来看,本文的方法配准精度高、鲁棒性好,能对多类图像进行有效的配准,也表明了本文研究成果的有效性和应用价值。
二、基于B样条模型的曲线特征点检测法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于B样条模型的曲线特征点检测法（论文提纲范文）
（1）基于CUDA加速的车道线检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 车道线检测研究现状 |
| 1.2.2 CUDA并行加速研究现状 |
| 1.3 论文主要内容及章节安排 |
| 2 车道线检测算法研究与实现 |
| 2.1 图像预处理 |
| 2.1.1 图像灰度化 |
| 2.1.2 图像滤波 |
| 2.1.3 边缘提取 |
| 2.1.4 感兴趣区域选取 |
| 2.2 车道线检测与筛选 |
| 2.2.1 Hough直线检测 |
| 2.2.2 车道线筛选 |
| 2.2.3 车道线拟合 |
| 2.3 本章小结 |
| 3 CUDA并行编程模型及性能优化策略 |
| 3.1 CUDA概述 |
| 3.2 CUDA编程模型 |
| 3.3 CUDA存储模型 |
| 3.4 CUDA程序的性能优化策略 |
| 3.5 本章小结 |
| 4 基于CUDA并行加速的车道线检测算法优化 |
| 4.1 OpenCV_cuda模块优化 |
| 4.1.1 OpenCV概述 |
| 4.1.2 图像预处理算法优化 |
| 4.2 基于CUDA的并行程序设计优化 |
| 4.2.1 经典Hough变换 |
| 4.2.2 改进的并行Hough变换 |
| 4.2.3 并行优化车道线筛选 |
| 4.3 本章小结 |
| 5 实验与结果分析 |
| 5.1 硬件实验设备 |
| 5.2 软件环境搭建 |
| 5.3 实验结果与分析 |
| 5.3.1 车道线检测实验 |
| 5.3.2 CUDA并行加速实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）基于B样条曲线模型的车道线检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究来源、背景及意义 |
| 1.1.1 课题研究来源 |
| 1.1.2 选题背景 |
| 1.1.3 选题意义 |
| 1.2 智能汽车研究现状 |
| 1.2.1 国外智能汽车研究现状 |
| 1.2.2 国内智能汽车研究现状 |
| 1.3 基于视觉的车道线检测研究现状 |
| 1.3.1 基于传统图像处理的车道线检测 |
| 1.3.2 基于机器学习的车道线检测 |
| 1.4 研究目的和主要研究内容 |
| 1.4.1 研究目的 |
| 1.4.2 论文主要研究内容 |
| 第二章 道路图像预处理 |
| 2.1 OpenCV介绍 |
| 2.2 提取感兴趣区域 |
| 2.3 图像灰度化 |
| 2.3.1 分量法 |
| 2.3.2 最大值法 |
| 2.3.3 平均值法 |
| 2.3.4 加权平均值法 |
| 2.4 图像二值化 |
| 2.4.1 P分位法 |
| 2.4.2 最大类间方差法 |
| 2.5 边缘特征提取 |
| 2.5.1 Sobel边缘检测算子 |
| 2.5.2 Canny边缘检测算子 |
| 2.6 形态学去噪处理 |
| 2.7 本章小结 |
| 第三章 车道线检测 |
| 3.1 确定B样条曲线控制点候选点 |
| 3.1.1 图像分段方法 |
| 3.1.2 多阶动态规划算法 |
| 3.2 常见的道路模型 |
| 3.2.1 基于直线的道路模型 |
| 3.2.2 基于抛物线的道路模型 |
| 3.2.3 基于B样条曲线的道路模型 |
| 3.2.4 道路模型的对比 |
| 3.3 建立B样条曲线模型 |
| 3.3.1 B样条曲线的定义 |
| 3.3.2 B样条曲线的特点 |
| 3.3.3 B样条曲线的分类 |
| 3.3.4 三次B样条曲线的建立 |
| 3.4 基于RANSAC的 B样条曲线拟合车道线 |
| 3.4.1 最小二乘法 |
| 3.4.2 RANSAC算法 |
| 3.4.3 改进的RANSAC算法拟合车道线 |
| 3.4.4 结合改进的RANSAC算法和B样条曲线模型检测车道线 |
| 3.4.5 对比分析直线模型、B样条曲线模型、抛物线模型 |
| 3.5 本章小结 |
| 第四章 车道线跟踪 |
| 4.1 目标跟踪介绍 |
| 4.1.1 检测跟踪 |
| 4.1.2 统计跟踪 |
| 4.2 粒子滤波 |
| 4.3 卡尔曼滤波算法跟踪B样条曲线参数 |
| 4.3.1 卡尔曼滤波法的基本方程 |
| 4.3.2 对B样条曲线控制点坐标参数进行跟踪 |
| 4.3.3 噪声参数分析 |
| 4.3.4 车道线跟踪流程 |
| 4.4 本章小结 |
| 第五章 实验与分析 |
| 5.1 实验平台介绍 |
| 5.2 摄像头的选型、安装 |
| 5.3 检测系统的软件结构 |
| 5.4 检测系统界面设计 |
| 5.4.1 开发环境介绍 |
| 5.4.2 Qt界面开发环境配置 |
| 5.4.3 编程规范说明 |
| 5.4.4 界面设计 |
| 5.5 实验数据及分析 |
| 5.5.1 实验图像集 |
| 5.5.2 实验的评价标准 |
| 5.5.3 车道线检测效果 |
| 5.5.4 检测方法对比 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（3）城市环境下智能车行车环境精确感知关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 智能驾驶汽车发展现状 |
| 1.2.1 国外智能驾驶汽车发展现状 |
| 1.2.2 国内智能驾驶汽车发展现状 |
| 1.3 智能车行车环境感知方法的研究现状 |
| 1.3.1 实时地面分割 |
| 1.3.2 道路边界检测 |
| 1.3.3 目标检测与识别 |
| 1.4 本文主要研究内容及章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第二章 智能车整车架构及行车环境感知系统简介 |
| 2.1 智能驾驶平台整车架构 |
| 2.1.1 智能驾驶平台硬件系统 |
| 2.1.2 智能驾驶平台软件系统 |
| 2.2 行车环境感知系统需求分析 |
| 2.3 行车环境感知系统框架 |
| 2.3.1 视觉传感器 |
| 2.3.2 激光雷达 |
| 2.3.3 毫米波雷达 |
| 2.3.4 V2X车路协同传感器 |
| 2.4 三维激光雷达工作原理及数据结构 |
| 2.4.1 三维激光雷达工作原理 |
| 2.4.2 三维点云数据结构 |
| 2.5 本章小结 |
| 第三章 基于三维激光雷达的地面点云分割方法研究 |
| 3.1 引言 |
| 3.2 三维激光雷达数据预处理 |
| 3.3 基于自适应栅格的三维激光雷达地面点云分割 |
| 3.3.1 自适应极坐标栅格地图构建 |
| 3.3.2 基于自适应栅格的地面点云分割 |
| 3.3.3 实验分析与评估 |
| 3.4 基于径向距离分析的地面点云分割算法 |
| 3.4.1 三维激光雷达点云序列化 |
| 3.4.2 基于径向距离分析的地面点云分割 |
| 3.4.3 实验分析与评估 |
| 3.5 本章小结 |
| 第四章 基于三维激光雷达的城市道路边界检测方法研究 |
| 4.1 引言 |
| 4.2 基于三维激光雷达的道路边界提取算法 |
| 4.2.1 地面点云提取 |
| 4.2.2 道路边界点特征选择 |
| 4.2.3 道路边界特征点搜索 |
| 4.2.4 道路边界拟合 |
| 4.3 实验分析与评估 |
| 4.3.1 定性实验 |
| 4.3.2 定量实验 |
| 4.4 本章小结 |
| 第五章 基于三维激光雷达点云与图像融合的目标检测方法研究 |
| 5.1 引言 |
| 5.2 算法流程 |
| 5.3 基于三维激光雷达点云的目标候选区域生成 |
| 5.3.1 三维地面点云分割 |
| 5.3.2 非地面点云聚类分割 |
| 5.3.3 三维包围盒拟合 |
| 5.3.4 目标候选区域生成 |
| 5.4 基于CNN的目标特征提取与目标识别 |
| 5.4.1 卷积神经网络(CNNs) |
| 5.4.2 基于CNNs的目标识别 |
| 5.5 实验分析与评估 |
| 5.5.1 KITTI目标检测数据集 |
| 5.5.2 实验评估 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（4）轨道检查仪轨向高低数据质量控制算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轨道检测模式 |
| 1.2.2 轨检仪检测技术 |
| 1.3 研究目标及内容 |
| 1.4 论文结构 |
| 第2章 轨检仪检测原理及数据预处理 |
| 2.1 轨检仪的检测原理 |
| 2.1.1 仪器组成及测量方法 |
| 2.1.2 轨道几何参数检测 |
| 2.1.3 与绝对测量检测参数对比分析 |
| 2.2 轨道检测数据预处理 |
| 第3章 轨向高低数据质量控制 |
| 3.1 匹配问题的引入 |
| 3.2 曲线匹配 |
| 3.2.1 曲线特征点提取 |
| 3.2.2 相似性度量准则选取和曲线匹配 |
| 3.3 峰值点匹配算法 |
| 3.3.1 峰值点提取 |
| 3.3.2 峰值点匹配 |
| 3.4 阈值确定算法 |
| 3.4.1 统计分析常用指标 |
| 3.4.2 阈值确定算法 |
| 第4章 软件研制与实例分析 |
| 4.1 软件开发平台、语言及运行环境 |
| 4.2 软件设计与处理流程 |
| 4.2.1 软件系统设计 |
| 4.2.2 软件数据处理流程 |
| 4.3 实例分析 |
| 4.3.1 阈值确定 |
| 4.3.2 算法的正确性验证 |
| 4.3.3 不同测量条件下轨道检测数据质量分析 |
| 结论与展望 |
| 致谢 |
| 攻读硕士学位期间发表的论文及科研成果 |
| 参考文献 |
（5）一种基于改进SIFT算法的轨道板图像匹配方法（论文提纲范文）
| 0 引言 |
| 1 SIFT原理 |
| 1.1 尺度空间极值点检测 |
| 1.2 特征点方向计算 |
| 1.3 生成特征点描述子 |
| 1.4 特征点匹配 |
| 2 改进的SIFT算法 |
| 2.1 双边滤波器 |
| 2.2 内切降维 |
| 2.3 相关系数评判匹配 |
| 3 实验结果与分析 |
| 4 结束语 |
（6）二维凝胶电泳图像中一致蛋白质斑点集检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词 |
| 1 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 2DGE图像处理技术研究现状 |
| 1.2.1 2DGE图像预处理方法 |
| 1.2.2 蛋白质斑点检测方法 |
| 1.2.3 2DGE图像配准方法 |
| 1.2.4 蛋白质斑点匹配方法 |
| 1.2.5 蛋白质斑点的定量表示方法 |
| 1.3 本文的主要研究工作及内容安排 |
| 1.4 本文的创新与贡献 |
| 2 基于CSIFT的2DGE图像弹性配准方法 |
| 2.1 引言 |
| 2.2 2DGE图像处理流程改进 |
| 2.3 2DGE图像几何形变特点分析 |
| 2.4 2DGE图像的SIFT特征选取 |
| 2.5 双阈值SIFT特征点的检测 |
| 2.6 基于内点的全局粗配准 |
| 2.7 基于内点和假外点的弹性配准 |
| 2.8 实验结果及分析 |
| 2.8.1 实验参数设定 |
| 2.8.2 SIFT特征点分类实验 |
| 2.8.3 不同来源的真实2DGE图像配准实验 |
| 2.8.4 与现有2DGE图像配准方法的对比实验 |
| 2.8.5 配准精度评估 |
| 2.9 本章小结 |
| 3 基于极小值分类的2DGE图像脉冲噪声和人工干扰去除方法 |
| 3.1 引言 |
| 3.2 2DGE图像干扰特点分析 |
| 3.3 基于局部极小值开关的2DGE图像去噪流程 |
| 3.4 基于局部极小值分类的噪声检测器 |
| 3.4.1 局部极小值检测和一级分类 |
| 3.4.2 DOME检测和二级分类 |
| 3.4.3 局部极小值的三级分类 |
| 3.5 自适应H极小值变换 |
| 3.6 脉冲噪声像素点的重建 |
| 3.7 极小值的迭代检测和滤波 |
| 3.8 实验结果及分析 |
| 3.8.1 合成2DGE图像脉冲噪声去除实验 |
| 3.8.2 中等复杂程度脉冲噪声和人工干扰去除实验 |
| 3.8.3 复杂脉冲噪声和人工干扰去除实验 |
| 3.9 本章小结 |
| 4 2DGE图像蛋白质斑点量化预处理方法 |
| 4.1 引言 |
| 4.2 基于NGSHE的2DGE图像亮度校正方法 |
| 4.3 基于灰度曲面拟合的2DGE图像背景消减 |
| 4.4 高斯噪声滤波器对比研究 |
| 4.4.1 常规线性滤波器 |
| 4.4.2 边界保持滤波器 |
| 4.4.3 时频域联合滤波器 |
| 4.4.4 基于块匹配的BM3D滤波法 |
| 4.5 实验结果及分析 |
| 4.5.1 亮度校正实验 |
| 4.5.2 高斯噪声去除对比实验 |
| 4.6 本章小结 |
| 5 基于改进标记分水岭的蛋白质斑点检测方法 |
| 5.1 引言 |
| 5.2 基于多参数H极小值变换的内标记提取方法 |
| 5.3 基于数据融合的外标记提取方法 |
| 5.3.1 背景标记数据提取 |
| 5.3.2 距离标记数据提取 |
| 5.3.3 数据融合 |
| 5.4 分水岭分割 |
| 5.5 蛋白质斑点梯度带校验 |
| 5.6 重叠点分割 |
| 5.6.1 基于凹点和椭圆拟合的重叠点分割 |
| 5.6.2 基于山谷特征的重叠点分割 |
| 5.7 实验结果及分析 |
| 5.7.1 蛋白质斑点中心检测实验 |
| 5.7.2 外标记融合实验 |
| 5.7.3 蛋白质斑点粗检测及校验实验 |
| 5.7.4 重叠点分割实验 |
| 5.8 本章小结 |
| 6 蛋白质斑点的协同匹配与量化方法 |
| 6.1 引言 |
| 6.2 蛋白质斑点的协同匹配方法 |
| 6.2.1 基于相似度图分析的特征选取方法 |
| 6.2.2 蛋白质斑点特征及其相似度 |
| 6.2.3 搜索及匹配策略 |
| 6.2.4 蛋白质斑点协同校验 |
| 6.3 蛋白质斑点量化 |
| 6.3.1 基于形态参数的蛋白质斑点量化 |
| 6.3.2 基于模型的蛋白质斑点量化 |
| 6.4 实验结果及分析 |
| 6.4.1 蛋白质斑点匹配实验 |
| 6.4.2 蛋白质斑点量化实验 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 攻读博士期间科研工作及论文 |
| 致谢 |
（7）低压交流接触器电弧图像三维重建关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 计算机三维重建研究 |
| 1.3 计算机三维重建研究现状 |
| 1.3.1 国外发展现状 |
| 1.3.2 国内发展现状 |
| 1.4 论文研究内容 |
| 第2章 计算机三维重建方法研究 |
| 2.1 引言 |
| 2.2 射影空间 |
| 2.2.1 齐次坐标 |
| 2.2.2 射影变换与射影空间 |
| 2.2.3 仿射变换 |
| 2.2.4 对极几何 |
| 2.2.5 基础矩阵 |
| 2.2.6 本质矩阵 |
| 2.3 摄相机工作原理 |
| 2.3.1 图像坐标系、摄像机坐标系、世界坐标系 |
| 2.3.2 摄像机成像模型 |
| 2.4 标定技术研究 |
| 2.4.1 摄像机的内外参数设定 |
| 2.4.2 直接线性变换方法 |
| 2.4.3 Zhang 的平面标定法 |
| 2.5 本章小结 |
| 第3章 电弧图像采集系统研究 |
| 3.1 图像采集系统的结构设计 |
| 3.2 图像传感器的设计 |
| 3.3 CCD 应用系统光源和照度匹配 |
| 3.3.1 CCD 测量噪声分析 |
| 3.3.2 光学系统成象分析 |
| 3.3.3 光学系统的调焦 |
| 3.3.4 CCD 的调制传递函数(MTF)分析 |
| 3.4 图像采集部分设计与实现 |
| 3.4.1 基于 CPLD 的 CCD 驱动方式设计 |
| 3.4.2 数据采集卡设计 |
| 3.4.3 数据缓冲存储结构设计 |
| 3.5 图像采集系统控制结构研究 |
| 3.5.1 主动同步控制研究 |
| 3.5.2 被动同步系统控制研究 |
| 3.6 系统软件结构研究 |
| 3.7 本章小结 |
| 第4章 基于可修正 B 样条公式的图像边缘检测算法 |
| 4.1 边缘检测概念 |
| 4.2 电弧图像的边缘检测算法 |
| 4.2.1 经典边缘检测算子-梯度算子 |
| 4.2.2 高斯-拉普拉斯(LOG)边缘检测算子 |
| 4.2.3 基于 Canny 算子的边缘检测 |
| 4.3 基于 B 样条公式的边缘检测算法 |
| 4.3.1 B 样条曲线的函数形式及特征 |
| 4.3.2 B 样条的扩展—形状参数均匀Ｂ样条函数的基函数及特征 |
| 4.3.3 基于均匀 B 样条的图像形状参数光滑曲面逼近 |
| 4.4 形参 B 样条模型近似点曲线拟合 |
| 4.4.1 最小二乘法拟合形参Ｂ样条 |
| 4.4.2 最小二乘法逼近 |
| 4.5 可修正的 B 样条算法 |
| 4.6 本章小结 |
| 第5章 电弧图像的匹配与增强算法 |
| 5.1 概述 |
| 5.2 图像匹配的分析 |
| 5.2.1 图像匹配的基本原理 |
| 5.2.2 图像匹配的方法 |
| 5.3 特征点提取算法 |
| 5.3.1 图像特征概述 |
| 5.3.2 基于角点检测的局部特征提取算法 |
| 5.4 基于局部特征的特征提取 |
| 5.4.1 基于特征点灰度的计算 |
| 5.4.2 基于特征点距离的计算 |
| 5.4.3 多特征融合的相似度计算 |
| 5.4.4 特征点匹配算法 |
| 5.5 电弧图像的局部增强算法 |
| 5.6 本章小结 |
| 第6章 低压电器电弧三维成像的实现 |
| 6.1 概述 |
| 6.2 三维重建算法 |
| 6.2.1 射影重建 |
| 6.2.2 仿射重建 |
| 6.2.3 度量重构 |
| 6.2.4 欧氏重建 |
| 6.3 电弧图像定标算法研究 |
| 6.4 曲面拟合 |
| 6.5 仿真实例 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（8）基于曲率分析的三次B-spline曲线保形采样方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 相关研究状况 |
| 1.2.1 曲线拟合 |
| 1.2.2 曲线特征点提取算法 |
| 1.2.3 采样算法 |
| 1.3 研究内容 |
| 1.4 技术路线流程图 |
| 1.4.1 数据点的曲线表达形式（即曲线拟合） |
| 1.4.2 三次 Bezier 曲线特征点提取算法 |
| 1.4.3 三次 B-spline 曲线转化为三次 Bezier 曲线的表达形式 |
| 1.4.4 三次 Bezier 曲线的曲率分析（即计算 Bezier 曲线的曲率半径极小值） |
| 1.6 各章节安排 |
| 第二章 曲线拟合方法 |
| 2.1 现有的曲线拟合方法 |
| 2.1.1 拟合方法论述 |
| 2.1.2 三次 B-spline 曲线拟合算法步骤 |
| 2.2 小结 |
| 第三章 基于曲率表达的曲线特征点提取算法 |
| 3.1 曲线特征点提取算法的研究意义 |
| 3.2 曲线特征点定义及分类 |
| 3.2.1 经典理论对拐点研究的总述 |
| 3.2.2 三次 Bezier 曲线特征点提取算法 |
| 3.2.3 三次 B-spline 曲线的特征点提取算法 |
| 3.2.4 算法实验结果及结论 |
| 3.3 小结 |
| 第四章 基于曲率分析的三次 B-spline 曲线采样算法 |
| 4.1 曲线分割 |
| 4.2 曲率分析（即计算出曲线的曲率半径极小值） |
| 4.3 采样 |
| 4.3.1 算法概述 |
| 4.3.2 采样算法实验结果 |
| 4.4 实验结果 |
| 4.5 曲线特征点提取算法应用实例 |
| 4.5.1 文字轮廓提取实例 |
| 4.5.2 等距曲线应用实例 |
| 4.6 小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于视频图像分析与信息融合的驾驶员疲劳检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外当前研究现状 |
| 1.2.1 主观检测技术 |
| 1.2.2 客观检测技术 |
| 1.3 本文研究方法与主要内容 |
| 第2章 图像预处理研究 |
| 2.1 引言 |
| 2.2 光照对图像的影响 |
| 2.3 现有处理方法 |
| 2.4 基于图像分解和MSR算法的光照补偿 |
| 2.4.1 光照模型 |
| 2.4.2 Retinex理论 |
| 2.4.3 图像分解 |
| 2.4.4 采用MSR进行光照补偿 |
| 2.4.5 光照图像恢复 |
| 2.4.6 原始图像恢复 |
| 2.4.7 S曲线均衡 |
| 2.5 实验分析 |
| 2.6 本章小结 |
| 第3章 驾驶员面部检测研究 |
| 3.1 引言 |
| 3.2 基于运动信息的头部区域检测 |
| 3.2.1 运动目标检测方法 |
| 3.2.2 基于帧问差分法的驾驶员头部检测 |
| 3.3 基于肤色的面部区域检测 |
| 3.3.1 颜色空间模型 |
| 3.3.2 皮肤颜色模型 |
| 3.3.3 基于肤色的面部检测算法 |
| 3.4 实验分析 |
| 3.5 本章小结 |
| 第4章 驾驶员面部特征检测及状态分析 |
| 4.1 引言 |
| 4.2 驾驶员眼睛检测 |
| 4.2.1 眼睛候选区域分割 |
| 4.2.2 眼睛区域提取 |
| 4.2.3 眼睛区域验证 |
| 4.2.4 算法实现 |
| 4.2.5 实验分析 |
| 4.3 驾驶员眼睛跟踪 |
| 4.3.1 曲线几何演化方程 |
| 4.3.2 水平集方法 |
| 4.3.3 活动轮廓模型的基本概念 |
| 4.3.4 GAC模型的数值实现 |
| 4.3.5 实验分析 |
| 4.4 嘴唇检测 |
| 4.4.1 区域划分 |
| 4.4.2 HSI空间嘴唇映射 |
| 4.4.3 实验结果 |
| 4.5 面部特征状态分析 |
| 4.5.1 眼睛状态分析 |
| 4.5.2 头部姿势分析 |
| 4.5.3 嘴巴状态分析 |
| 4.5.4 实验分析 |
| 4.6 本章小结 |
| 第5章 车道检测研究 |
| 5.1 引言 |
| 5.2 结构化道路检测 |
| 5.2.1 图像预处理 |
| 5.2.2 车道标志线分区投影 |
| 5.2.3 标志线特征点检测 |
| 5.2.4 车道标志线拟合 |
| 5.2.5 车道标志线跟踪 |
| 5.2.6 实验分析 |
| 5.3 非结构化道路检测 |
| 5.3.1 图像预处理 |
| 5.3.2 彩色图像分割 |
| 5.3.3 纹理特征分析 |
| 5.3.4 图像恢复 |
| 5.3.5 边缘拟合 |
| 5.3.6 实验分析 |
| 5.4 车辆偏离分析 |
| 5.4.1 车辆轨迹模型 |
| 5.4.2 车道偏离率 |
| 5.4.3 车道偏离量变化率 |
| 5.4.4 实验分析 |
| 5.5 本章小结 |
| 第6章 基于信息融合的驾驶员疲劳检测 |
| 6.1 引言 |
| 6.2 信息融合简介 |
| 6.2.1 信息融合分类 |
| 6.2.2 信息融合的主要方法 |
| 6.3 基于粗糙集理论的驾驶员疲劳检测 |
| 6.3.1 粗糙集理论 |
| 6.3.2 驾驶疲劳相关条件属性分析 |
| 6.3.3 疲劳程度判断 |
| 6.4 实验分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
| 外文论文 |
| 学位论文评阅及答辩情况表 |
（10）基于双特征结合的弹性模型医学图像非刚性配准方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 医学图像配准的发展及现状 |
| 1.3 本文研究内容及所作的主要工作 |
| 第2章 医学图像配准 |
| 2.1 医学图像配准的定义及数学模型 |
| 2.2 配准方法分类 |
| 2.3 医学图像配准过程及关键技术 |
| 2.3.1 配准过程 |
| 2.3.2 配准关键技术 |
| 2.4 配准结果的评价指标 |
| 2.5 本章小结 |
| 第3章 特征点与轮廓相结合的图像特征提取新算法 |
| 3.1 角点检测算法 |
| 3.2 边缘检测算法 |
| 3.3 结合特征点与轮廓的特征点提取新算法 |
| 3.3.1 Harris角点检测算法 |
| 3.3.2 LOG边缘检测算法 |
| 3.3.3 双特征结合的特征提取 |
| 3.4 本章小结 |
| 第4章 基于双特征结合的弹性医学图像配准 |
| 4.1 图像预处理 |
| 4.2 基于B样条的图像弹性配准 |
| 4.2.1 B样条基函数 |
| 4.2.2 B样条曲面 |
| 4.2.3 B样条弹性形变模型 |
| 4.2.4 拟三次B样条型混合插值 |
| 4.3 Hausdorff相似性测度 |
| 4.3.1 Hausdorff距离(HD)的定义 |
| 4.3.2 三类Hausdorff距离 |
| 4.4 粒子群优化算法 |
| 4.4.1 基本粒子群算法 |
| 4.4.2 粒子群算法特点 |
| 4.5 本文医学图像非刚性配准算法步骤 |
| 4.6 本章小结 |
| 第5章 基于 OPENCV的配准实验结果及分析 |
| 5.1 OpenCV配准平台 |
| 5.1.1 OpenCV函数简介 |
| 5.1.2 OpenCV安装及配置 |
| 5.1.3 程序部分主函数 |
| 5.2 同模图像配准实验 |
| 5.2.1 MRI与MRI图像配准实验 |
| 5.2.2 CT与CT图像配准实验 |
| 5.2.3 PET与PET图像配准实验 |
| 5.3 多模图像实验 |
| 5.3.1 MRI与CT图像配准实验 |
| 5.3.2 CT与PET图像配准实验 |
| 5.3.3 MRI与PET图像配准实验 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文及参加的科研项目 |
四、基于B样条模型的曲线特征点检测法（论文参考文献）
- [1]基于CUDA加速的车道线检测算法研究[D]. 李旭. 大连理工大学, 2020(02)
- [2]基于B样条曲线模型的车道线检测方法研究[D]. 何旭光. 上海工程技术大学, 2020(04)
- [3]城市环境下智能车行车环境精确感知关键技术研究[D]. 孙朋朋. 长安大学, 2019(07)
- [4]轨道检查仪轨向高低数据质量控制算法研究[D]. 刁巍巍. 西南交通大学, 2018(09)
- [5]一种基于改进SIFT算法的轨道板图像匹配方法[J]. 张护望,林浒,王诗宇,郑廖默,冯斌. 组合机床与自动化加工技术, 2018(03)
- [6]二维凝胶电泳图像中一致蛋白质斑点集检测技术研究[D]. 欧巧凤. 西北工业大学, 2018(02)
- [7]低压交流接触器电弧图像三维重建关键技术研究[D]. 赵艳. 燕山大学, 2013(08)
- [8]基于曲率分析的三次B-spline曲线保形采样方法研究[D]. 张娴. 西北农林科技大学, 2012(01)
- [9]基于视频图像分析与信息融合的驾驶员疲劳检测技术研究[D]. 朱淑亮. 山东大学, 2011(11)
- [10]基于双特征结合的弹性模型医学图像非刚性配准方法研究[D]. 方志珍. 东北大学, 2010(03)