基于图像的六足昆虫的步态检测与三维重构

采用图像方法对六足昆虫进行步态规划,分析图像的颜色空间,选择标记点的颜色,根据颜色向量在颜色空间的夹角,提取关节点。利用区域搜索算法,检测轮廓,计算区域的质心,采用余弦定理计算各质心的夹角,结合俯视图、侧视图实现三维重构。实验表明该方法简单有效,最大误差10％,满足仿生机器人的步态规划要求。     

利用仿射几何的仿射不变特征提取方法

提出一种新的基于仿射几何的仿射不变特征提取方法,适合于目标的识别和图像的匹配。算法分3步执行：首先,提取区域的质心和扩展质心,质心和扩展质心的连线把目标区域分割成两部分,再分别计算两部分区域的质心,如此迭代,直到提取出满足要求的质心个数;然后,依次计算四边形的面积,其中四边形的顶点分别为其连线分割目标区域的两个质心和两个分割区域的质心;最后,依次计算各个四边形的面积比,得到仿射不变特征矢量; 另外,仿射变换的参数也可以通过计算提取的质心坐标得到。实验表明,提取的不变特征矢量稳健性好、计算速度快、分类精度高。     

基于质心高度增量特征的目标识别算法

针对传统目标识别算法识别准确率低、复杂度高等问题，提出基于质心高度增量特征的目标识别算法。在提取轮廓特征阶段，以轮廓质心为参考点，对于任意采样点，根据其它采样点相对于该点的高度关系构建质心高度增量描述符。描述符不仅计算简单，对旋转、平移和缩放等几何变换具有不变性，而且引入轮廓顺序这一全局特征，提升了描述符的鲁棒性和区分能力。在特征匹配阶段，利用轮廓顺序已知这一优势，采用动态规划算法计算质心高度增量描述符的相似度，最后引入形状复杂度分析，优化识别效果。MPEG-7测试集和Kimia99测试集的实验结果表明，上述算法能够有效的对目标图像进行匹配识别，而且对于噪声的干扰具良好的鲁棒性。     

基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。     

一种基于轮廓的医学图像弹性配准方法

提出了一种基于轮廓的医学图像弹性配准方法。该方法先对医学图像进行轮廓提取,计算轮廓所围部分(目标)的质心。围绕质心每隔一定角度抽得轮廓点作为特征点。通过计算相似度确定两组特征点的对应关系。采用Wendland提出的ψ函数作为弹性变换的基函数。通过两组对应点确定变换系数。最后根据配准参数对形变图像进行变换,从而得到配准图像。实验表明,本方法对具有形变的医学图像的配准是快速的、有效的。     

几何质心的定义和计算

针对传统的物理质心在形状弯曲的情况下有可能落在物体外部的问题,提出基于惯性矩的几何质心定义及计算方法.根据惯性矩把传统的质心定义拓展到三维流形上,首先基于热传导方程计算物体内部距离得到物体关于某点的惯性矩;然后采用梯度下降法寻找惯性矩的极小值得到几何质心.该几何质心一定落于物体的内部,并且当输入模型为凸时退化为物理质心.实验结果表明,该方法对噪声和姿势变化不敏感,可用于形状分析等目的..     

快速搜索任意形状二维目标质心策略

快速搜索任意形状二维目标的质心,一直是模式识别,目标跟踪等领域中的关键问题,通过对矩方法的进一步分析,提出基于目标质心与目标上各点间蹭之和取得最小值这的一特性的质心快速搜索策略。     

目标形状特征的新定义

为了解决描述图形几何形状难问题,提出描述图形形状的特征矢量。根据目标轮廓的几何形状定义了轮廓的向心矩、偏心矩、惯性矩,这些特征与轮廓形状和面积有关。利用轮廓的最小包络矩形,提出了向心矩比、偏心矩比和惯性矩比,其值变化范围在0到1之间,且无量纲。这些特征具有旋转、平移和尺度不变性。     

人体行为动作的形状轮廓特征提取及识别

将傅里叶变换与边缘小波矩描述子相结合,提出一种人体行为动作的识别方法。凹凸复杂图像的质心到轮廓为非单一直线,据此,给出一种多段定向距离轮廓描述矩阵,实现轮廓特征的提取。分别对2类人体和4种行为动作进行仿真实验,结果表明,边缘小波矩描述子能较好地体现人体行为动作的形状轮廓局部特征,具有较高的识别率。     

基于遗传算法的种子图象目标点模式匹配

在完成种子图象目标点坐标提取和由单摄像机、平面镜组成的摄像系统标定之后 ,关键问题是如何寻找图象中种子质心的对应点 .为了准确寻找到图象中种子质心的对应点 ,根据图象中种子区域的分布特点及遗传算法具有简单、通用、鲁棒性和适于并行处理等特性 ,提出了一种基于遗传算法的种子图象目标点模式匹配算法 ,即首先通过模糊聚类将单帧图象上的像点与虚像点划分为两类点群 ,然后通过在两类点群之间建立遗传机制来进行种子图象点模式匹配 .实验证明 ,采用该算法进行种子目标点群之间的匹配 ,具有快速准确的特点 ,并为种子空间点的恢复提供了准确的对应点寻找信息 .     

基于自适应帧差和水平集的运动目标检测和分割

首先采用自适应帧差法对视频中运动目标进行检测,依据帧差面积的变化趋势选择采用2帧差法还是3帧差法来自动调节帧差面积,以防止检测目标的丢失;然后采用数学形态学方法对帧差图像进行后处理,根据帧差区域的质心移动推测运动目标的质心位置,同时将帧差区域拟合为与其具有相同标准2阶中心矩的椭圆,从而确定测地活动轮廓(GAC)模型的初始轮廓.水平集函数在归一化传导率非线性热方程的约束下,消除了耗时的重新初始化过程,减少了迭代次数和运行时间.实验结果表明了所提出算法的有效性.     

基于矩的数字图像多边形逼近方法

提出了两种基于矩的数字图像的多边形逼近方法。通过比较原始图形和近似图形之间几体矩或Legendre矩的偏差的大小,选择一个最佳的近似结果,进一步可以得到一个顶点数递减的近似多边形序列。与现存的方法比较,这种方法有效地避免了逼近这结果依赖于起始点的选取的缺陷。     

图像归一化与伪Zernike矩的鲁棒水印算法研究*

以基于矩的图像归一化技术及伪Zernike矩相关知识为基础,提出一种可有效抵抗几何攻击的数字水印新算法。算法首先利用归一化技术将原始图像映射到几何不变空间内;然后结合不变质心理论提取出归一化图像的重要区域;最后通过量化调制伪Zernike矩幅值将水印嵌入到重要区域中。仿真实验表明,该算法不仅具有较好的透明性,而且对常规信号处理(滤波、锐化、加噪和JPEG压缩等)和几何攻击(全局仿射变换、局部失真等)均具有较好的鲁棒性。     

基于伪Zernike的归一化分形水印算法研究*

以归一化技术,分形编码技术及伪Zernike矩相关知识为基础,提出一种可有效抵抗几何攻击的鲁棒数字水印新算法。算法首先利用归一化技术和不变质心理论在图像中提取出重要区域;然后利用分形编码及设置的阈值将重要区域分成自相似性块和非自相似性块并计算自相似性块的伪Zernike矩,从中选出最鲁棒的矩;最后通过量化调制伪Zernike矩幅值将水印嵌入其中。仿真实验表明,算法不仅具有较好的透明性,而且对常规信号处理(滤波、锐化、加噪和JPEG压缩等)和几何攻击(全局仿射变换、局部失真等)均具有较好的鲁棒性。     

一种基于 CNN 和人体椭圆轮廓运动特征的 摔倒检测方法

为了解决传统的使用几何特征检测摔倒的方法的不稳定、难于区别一些相似的活 动等问题,提出了一种基于卷积神经网络(CNN)和人体椭圆轮廓的运动特征的摔倒检测方法。 首先,使用高斯混合模型检测出人体目标并求出其最小外接椭圆轮廓。然后在每一帧的椭圆 轮廓中提取出长短轴之比、方向角和人体质心的竖直方向速度,融合成一个基于时间序列的 运动特征。最后,经过一个浅层的 CNN 对这些运动特征进行训练,用于摔倒判断,并区分相 似的活动。实验结果表明,本文方法和现有的方法相比,克服了几何特征的不稳定性,提高 了检测率。     

伪Zernike矩不变性分析及其改进研究

伪 Zernike矩是基于图象整个区域的形状描述算子 ,而基于轮廓的形状描述子 ,例如曲率描述子、傅立叶描述子和链码描述子等是不能正确描述由几个不连接区域组成的形状的 ,因为这些算子只能描述单个的轮廓形状 .同时 ,由于伪 Zernike矩的基是正交径向多项式 ,和 Hu矩相比 ,除了具有旋转不变性、高阶矩和低阶矩能表达不同信息等特征外 ,还具有冗余性小、可以任意构造高阶矩等特点 ,另外 ,伪 Zernike矩还可以用于目标重构 .目前 ,伪 Zernike矩没有得到广泛的应用 ,其中的一个主要原因是 ,它不具备真正意义上的比例不变性 .为了能使伪Zernike矩得到更广泛的应用 ,在详细分析伪 Zernike矩不变性的基础上 ,提出了伪 Zernike矩的改进方法 ,使改进后的伪 Zernike矩在保持旋转不变性的同时 ,还具有真正意义上的比例不变性 ,同时给出了部分的实验分析结果 .实验结果证明 ,该改进后的伪 Zernike矩较改进前的伪 Zernike矩 ,具有更好的旋转和比例不变性 .     

基于角点检测的图像形状特征提取方法

针对形状标记表示法可能遗漏轮廓曲线上较重要边界点的问题,提出一种基于角点检测的质心距离标记法。该方法采用轮廓跟踪技术获取物体的轮廓曲线,通过角点检测得到曲线上的所有角点,利用质心距离产生形状标记。以最近邻分类和K-中心聚类对其性能进行验证,结果证明了该方法的有效性。