一种基于SIFT的遮挡目标跟踪算法

针对运动目标遮挡的难题,提出一种新的遮挡目标跟踪算法.采用三帧取均值进行背景建模,采用相邻帧差法和背景差分结合自动提取出运动目标,对单运动目标生成SIFI(scale invariant feature transform)向量.当运动目标处于遮挡状态时,将遮挡区域与单运动目标进行SIFT特征匹配,通过特征匹配点的坐标,找出单运动目标在遮挡区域中的位置,并对SIFT特征匹配运用RANSAC算法进行优化,实现遮挡情况下目标的有效跟踪.实验表明,该算法能准确地跟踪处于遮挡中的目标,实现运动目标跟踪的连续性和稳定性.     

一种基于相似离度匹配的人脸精确跟踪算法

利用相似度和欧式距离系数建立了描述数据样本间近似程度的归一化综合指标-相似离度,并通过灰度数据向量集的相似离度描述图像的匹配程度,将SVM人脸检测、图像灰度值相似离度匹配和跟踪模板更新三种方法结合起来,设计了基于相似离度匹配的人脸跟踪算法,算法综合考虑了图像内颜色的空间位置和值信息,具有较高的精确性.实验表明,相似离度匹配算法可以在模拟图像灰度值矩阵中寻找到和模板数据最匹配的区域;在静态和动态人脸跟踪中具有较强的抗环境干扰能力,鲁棒性强.     

基于光流方向信息熵统计的微表情捕捉

以光流法为依据,提出了一种基于光流方向信息熵(entropy of oriented optical flow,EOF)统计的方法捕捉微表情关键帧.首先,采用改进的Horn-Schunck光流法提取视频流中相邻两帧图像的微表情运动特征;其次,采用阈值分析法筛选出投影速度模值较大的光流向量;之后,采用图像信息熵统计光流变化角度,进而得到视频序列的方向信息熵向量,通过对熵向量的分析,实现微表情关键帧捕捉;最后,本实验采用芬兰奥卢大学的SMIC微表情数据库和中国科学院心理研究所傅小兰的CASME微表情数据库作为实验样本,通过与传统的帧差法比较,证明了本文提出的算法优于帧差法,能够较好地表现出微表情变化趋势,为微表情识别提供基础.      

一种金属铜破损图像纹理特征提取方法研究

对金属铜破损图像纹理特征点的快速定位,提高破损故障信息分析能力。提出一种基于纹理超像素边缘分割的金属铜破损图像纹理特征提取方法。对采集的金属铜破损图像进行边缘检测和图像融合处理,对降噪提纯后的图像采用自适应纹理密度量化估计方法进行图像的深度超像素特征分割,得到图像的显著性主颜色分量特征信息,计算图像向量量化区域的图像超像素级视觉特征,实现不同像素级深度内的特征匹配和融合,实现图像纹理特征提取优化。仿真结果表明,该算法能准确识别金属铜破损图像纹理特征信息参量,从视觉对比和量化分析角度能实现对破损区域的轮廓分割和检测,性能优越。     

基于特征融合的三维人脸识别

针对单一的人脸特征在识别中的局限性,将基于深度图像的全局特征和基于测地线的局部特征进行融合,以提高识别率.将三维人脸点云转换为深度图像后进行预处理,然后使用主成分分析法(PCA)找到一个低维的特征脸空间,依照最近邻法则将其与库集样本进行匹配,所得结果即为全局特征;将测试样本与模板人脸进行匹配,得到35个特征点,这些特征点间的测地线距离所组成的矩阵即为局部特征.使用加权求和法对这2种特征进行融合,并根据最近邻匹配法则,在FRGC人脸数据库上进行测试.实验结果表明,该方法可以很好地结合全局特征和局部特征的互补信息,识别效果优于各单一特征的分类性能,并且具有较好的表情鲁棒性.     

基于特征点匹配的拼接算法研究与实现

针对图像间因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法.该算法首先利用相位相关法确定图像重叠区域,然后采用改进Harris角点检测算法检测角点,再根据相似测度NCC(Normalized Cross Correlation)方法提取出匹配特征点对,最后用渐进渐出的方法实现拼接图像的融合.实验证明,该算法比传统算法在角点数目上减少了四分之一,有效地去除了拼接产生的鬼影现象.能有效地提高图像拼接的速度和精度.     

基于椭圆对称方向矩的可见光与红外图像配准算法

针对图像匹配制导中异源图像匹配难度大的问题,提出一种基于椭圆对称方向矩的可见光与红外图像配准算法.基于最稳定极值区域提取异源图像中具有尺度和仿射不变特性的椭圆区域,利用聚类分割方法从中自动选取具有异源不变性的同质区域特征,用椭圆对称方向矩描述区域特征边界各方向上的相似程度,通过互相关性指标进行特征匹配,获取匹配特征对,利用匹配矫正策略减少误匹配.实验结果表明:较传统算法,进一步提高了可见光与红外图像关联特征的匹配效率,正确率超过了95%,计算时间缩短了近一半.基本满足图像匹配制导对匹配算法实时性好、匹配正确率高、抗干扰能力强等要求.      

图像的边缘检测算法实现

论文主要阐述图像的边缘检测的算子、不变矩的特征值提取和车型的特征匹配.经边缘提取得到目标图像,采用二值数学形态学对目标图像腐蚀、区域填充,根据提取到的车体图像的七个不变矩的特征值,使用欧氏距离法进行车型的特征匹配.     

运动图像快速跟踪技术研究

针对运动图像目标检测需人工干预,跟踪核窗固定、目标易丢失等问题,提出了融合背景差分、帧间差分和灰度闻值技术的变背景帧闻差分法,并结合灰度质心定位和自适应核窗宽改进了MeanShift跟踪算法.该方法能够在复杂环境下检测出各种运动目标,并进行实时跟踪,当日标发生尺度、旋转、无规律大位移变化时都能够快速准确地检出并跟踪.大量实验仿真表明,本算法检出率高,迭代次数少,实时性强,具有很好的适应性和鲁棒性.     

复杂环境下一种基于SiamMask的时空预测移动目标跟踪算法

随着无人工厂、智能安监等技术在制造业领域的深入应用,以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中,操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点,在动态图像中的实时分割较为困难。针对此问题,提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合,根据目标时空关系的在线学习,预测新的目标位置并对SiamMask模型进行算法校正,实现视频序列中的目标快速识别。实验结果表明,所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响,将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧,比改进前的SiamMask模型帧率每秒提高3.2帧,算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求,对移动目标识别算法模型的复杂环境应用具有借鉴意义。