基于图像NMI特征的目标识别新方法

利用物理学相关概念定义了一种新的图像不变特征即归一化转动惯量（NMI）特征,对其不变性进行了分析,提出了基于图像NMI特征的目标识别新方法。实验结果表明：NMI特征具有抗灰度及TRS不变性,且提取方法简,易于实现;与传统的归一化积相关算法、图像不变矩算法相比,该文提出的目标识别方法具有正确率高、速度快等特点。     

基于Mean Shift算法和NMI特征的目标跟踪算法研究

针对传统Mean shift跟踪算法对空中运动目标跟踪效果不理想的问题, 提出了基于Mean shift算法和归一化转动惯量(Normalized moment of inertia, NMI)特征的目标跟踪算法. 算法中引入了目标NMI特征, 建立了基于虚警概率最小原则和相似度二级判决门限的跟踪策略, 对目标模型进行更新. 同时利用卡尔曼滤波, 在目标被遮挡后进行估计预测. 实验表明该算法在空中运动目标存在较大形变、被遮挡等情况下, 能够进行实时、稳定跟踪.     

图像特征识别方法研究

图像特征识别的方法及其技术实现系当前模式识别研究领域中最为热门的研究课题之一。本文针对NMI(归一化转动惯量)特征识别、不变矩特征识别和比例特征识别三种图像特征识别方法．通过实验分析了该三种识别方法的缩放不变性、旋转不变性、平移不变性以及不同物体之间的特征差异。实验数据显示NMI特征识别方法具有最佳的识别效果和最快的处理速度。     

基于目标中心定位和NMI特征的跟踪算法

实时目标跟踪过程中,为提高跟踪精度,要求跟踪的窗口也要实时的随着目标大小的变化而变化。以Mean shift算法为基础,根据概率检测法定位目标在各帧图像中的中心点,提出了一种自适应更新窗口的算法。同时结合归一化转动惯量NMI对目标进行识别,实时定位中心标示的对象。实验结果表明,该方法能在目标尺寸放大或缩小时选择合适的跟踪窗口,而且具有较强的跟踪抗干扰性。     

基于NMI特征的目标识别与跟踪

本文提出一种全新的图像分割方法——连通线多级切割方法，并在此基础上建立图像NMI特征的目标识别与跟踪算法。文章给出了运用连通线多级切割方法实现阈值求取、图像分割、目标识别与跟踪的技术技巧。通过实验验证了NMI特征的缩放不变性、旋转不变性和平移不变性以及不同物体的NMI特征差异，表明本文算法具有良好的实时性和精确的目标识别与跟踪效果。     

一种新的图像不变特征研究

为了解决图像特征受灰度及几何畸变的影响，本文利用物理学相关概念对图像进行描述，定义了图像的质量，重心，转动惯量，提出了一种新的图像不变特征即归一化转动惯量（NMI）特征，对其不变性进行了分析，实验结果表明，图像的归一化转动惯量特征具有抗灰度及TRS不变性，且提取方法简单，易于实现。     

快速JPEG图像检索方法

本文给出了一种基于归一化化转动惯量(NormalizedMomentInertia,NMI)的JPEG图像快速检索方法,其特点是直接在压缩域中利用DCT系数进行块分类,每一类分块形成一个二值索引图,统计该索引图的NMI值作为该类的一个特征,所有类的NMI特征构成了图像的一个特征序列,以此进行图像检索。本方法不需要完全解压缩,降低了计算复杂度,对图像的平移,旋转和尺度变换有较好的鲁棒性。试验结果表明这种图像检索方法具有良好的检索性能。     

一种快速JPEG图像检索方法

给出了一种基于归一化转动惯量（Normalized Moment Inertia,NMI)的JPEG图像快速检索方法,其特点是直接在压缩域中DCT系数进行块分类,每一类分块形成一个直值索引图,统计该索引图的NMI值作为该类的一个特征,所有类的NMI特征构成了图像的一个特征序列,以此进行图像检索。本方法不需要完全解压缩,降低了计算复杂度,对图像的平移,旋转和尺度变换有较好的鲁棒性,试验结果表明这种图像检索方法具有良好的检索性能。     

基于Camshift改进算法的视频目标跟踪方法

针对Camshift算法在目标跟踪中容易出现错误识别的情况,对Camshift算法加入最优阈值处理;对目标容易跟丢的情况,运用Camshift算法和Kalman滤波结合的方法进行跟踪。基于OpenCV对比了双通道H,S分量加权情况下和单通道H分量情况下的反向投影图跟踪效果,验证了最优阈值下改进Camshift效果,实现了Camshift算法和Kalman滤波实时跟踪。实验结果证明:对Camshift加入优化阈值处理能明显地改进错误识别的情况,加入Kalman滤波器能有效避免目标丢失。     

快速JPEG图像检索方法

本文给出了一种基于归一化化转动惯量(Normalized Moment Inertia,NMI)的JPEG图像快速检索方法,其特点是直接在压缩域中利用DCT系数进行块分类,每一类分块形成一个二值索引图,统计该索引图的NMI值作为该类的一个特征,所有类的NMI特征构成了图像的一个特征序列,以此进行图像检索.本方法不需要完全解压缩,降低了计算复杂度,对图像的平移,旋转和尺度变换有较好的鲁棒性.试验结果表明这种图像检索方法具有良好的检索性能.     

多特征融合的Camshift运动目标跟踪算法

传统的Camshift算法以颜色直方图为特征对目标进行跟踪,对刚性目标的跟踪具有较强的鲁棒性。当目标受到颜色相近的干扰物干扰或者部分遮挡时,其跟踪效果和准确度不太理想。为此,提出一种多特征融合的Camshift目标跟踪算法。首先,对目标的颜色特征、边缘特征和空间信息进行提取和处理,得到颜色空间直方图和空间边缘方向直方图;然后,分别在Camshift算法框架下得到目标匹配中心位置,采用每一帧图像的相似度向量得到权值系数,通过自适应加权融合的方法得到最优中心位置。实验结果表明,相较于传统的Camshift目标跟踪算法和改进的复杂特征融合的Meanshift算法,所提方法能够更有效地克服颜色干扰、目标重叠遮挡对跟踪效果的影响,避免了 目标 在跟踪过程中丢失的问题,突破了传统方法的局限性。     

基于改进Camshift算法的钻杆计数方法

针对采用传统的Camshift算法跟踪钻杆机器时相似颜色物体间易产生干扰的问题,提出了一种基于改进Camshift算法的钻杆计数方法:使用改进的Camshift算法实时捕捉钻杆目标,并且通过设置锚点以及判断时间间隔来进行钻杆计数。改进的Camshift算法采用模版匹配的方法定位跟踪目标,智能地选择合适的方法提取颜色直方图,并引入粒子滤波器,通过一定机制与纹理特征相结合,得到跟踪目标在下一帧的准确位置。实验结果表明,改进后的算法解决了相似颜色干扰问题,并且在部分遮挡条件下仍能够准确跟踪目标,从而实现对钻杆的准确计数。     

基于组合型表面模型的运动目标跟踪

运动目标跟踪是计算机视觉领域研究的难点课题,提出了一种基于组合型表面模型的视频运动目标跟踪算法。研究了目标的颜色特征空间和梯度特征空间,通过梯度特征和颜色特征的组合,以直方图的形式来建立目标表面模型,之后使用CamShift算法来完成一帧一帧的跟踪。实验结果表明,在图像背景复杂且目标出现遮挡的情况下,该方法仍能有效的跟踪目标。     

基于Mean-Shift和NMI特征的人眼跟踪*

为了减少姿态和光照变化对跟踪造成偏差,并兼顾到实时应用,提出一种级联的二次定位算法用于人眼跟踪。级联的二次定位算法由Mean-Shift迭代的空间定位和NMI特征识别的尺度定位构成。该算法较传统的人眼跟踪算法对姿态和光照变化有更好地适应性和健壮性。实验结果验证了该方法的有效性。     

基于Camshift与Kalman的目标跟踪算法

针对目标跟踪复杂的难点,提出了一种比较实用的跟踪方法。采用基于颜色概率分布的Camshift算法进行目标跟踪的同时,引入卡尔曼滤波,并给出模型参数。在目标发生遮挡时,使用卡尔曼滤波对目标运动状态进行估计。实验表明,算法能够对目标进行持续、稳定的跟踪。     

自适应融合角点特征的Camshift目标跟踪

为了能够实时有效地跟踪运动目标,提出了一种新的自适应融合角点特征和颜色特征的Camshift目标跟踪算法。该算法融合了角点的特征不变性,并采用Mean-Shift算法提供的非参数核密度估计的统计思想,计算各特征的概率密度函数,用Bhattacharyya系数作为相似性度量函数,利用相似性度量值之比自适应地融合角点特征和颜色特征,将得到的新的概率密度分布结合Camshift跟踪算法实现目标跟踪。测试结果表明,该算法比传统的Camshift算法跟踪效果更好,更准确。     

基于N-LBP纹理与色度信息的Camshift跟踪算法

基于颜色特征的运动目标跟踪算法容易受到光照非均匀变化或阴影的影响,如何利用多种特征联合构造目标模型以提升跟踪性能是一个关键问题.提出了一种新的特征融合运动目标跟踪算法,该算法基于局部二值模式(Local Binary Pattern,LBP)纹理特征,引入光照自适应的局部标准差构造二值模式门槛值,采用统一模式下的N-LBP纹理描述子构造特征直方图,并结合色度信息建立联合直方图,在Camshift算法框架内进行目标跟踪.实验证明,与传统Camshift算法相比,该算法在保证跟踪算法实时性能的同时,可以更好地克服阴影遮挡等导致的非均匀光照变化带来的影响,具有良好的跟踪效果.     

多特征融合的Camshift算法及其进一步改进

基于颜色核的Camshift算法可以有效实现简单场景下的目标跟踪,但在光线变化明显或目标与背景颜色相近的场景下易受干扰。为此,采用颜色、边缘梯度、纹理等多个特征自适应融合的方式改进算法,提高算法应对光线变化的能力;并通过修正特征直方图、设置合理搜索范围对算法进行进一步改进,解决相似背景的干扰问题。实验结果显示,在光照变化明显或目标与背景特征相近的场景中,改进的算法与传统算法相比具有更高的跟踪精度。