基于C均值聚类及α—β—γ滤的多目标跟踪

序列图像中的多运动目标跟踪是计算机视觉研究中的重要问题。文章研究了基于区域分析的多运动目标跟踪方法。为了解决区域聚类数目不确定性给均值聚类分析带来的难点，文章提出了用α-β-γ滤波的方法预测下一帧运动目标的聚类中心，有效地克服了初始聚类中心点难以选择的问题。实验结果证明了文章方法的有效性。     

计算机视觉技术在工业领域中的应用

分析了计算机视觉研究中的某些问题，如计算机视觉的理论基础、它和人类视觉的差异及与其相关的领域。综述了计算机视觉在工业领域中的应用。介绍了工业视觉系统的组成、特点和性能指标，并指出了工业视觉系统的发展方向。     

基于运动区域的多目标检测

运动目标的检测在天文观测、气象分析、安全监视、交通管制等许多领域有着广泛的应用，它是机器视觉研究的重要课题。本文提出了基于运动区域的多目标检测方法，有效地解决了同一运动目标在序列图像中“远小近大”的问题，运用运动区域正确地检测出运动目标在序列图像中的位置。     

图像匹配的鲁棒型Hausdorff方法

提出基于一种新型Hausdorff距离的鲁棒型图像匹配方法，首先对传统的各种Hausdorff距离所存在的缺陷进行了分析，然后根据这些缺陷提出了“鲁棒型”的Hausdorff距离，这一新的距离考虑了边缘点的位置，边缘点的总数，由有限点组成的伪边缘，出格点和边缘的遮挡等因素，从而使传统的缺陷得到了克服，对合成图像及实际图像的实验结果表,暖气 提出的Hausdorff距离测度比传统的Hausdorff距离测度更为有效。     

自然场景兴趣区的分量组合-压缩快速分割法

为实现野外自然道路、农田复杂场景或动态纹理感兴趣区（ROI）的快速分割，提出了一种基于RGB颜色分量线性组合与颜色位屏蔽压缩的主动摄像机视觉目标分割新技术.结合含误差带FloodFill算法与提出的RGB色域特征循环学习，获得理想的自然道路场景核心或指定纹理目标.以该ROI为对比模板，快速搜索出进行特定目标实时分割的最优RGB颜色分量组合.大量实验显示：颜色分量线性组合能增强特定目标的显示特性，颜色位屏蔽能压缩色域，提取近似的颜色主成分，同时减弱图像中的噪声影响，并减小干扰引起的纹理分割误差.该方法的计算时间几乎不受目标纹理复杂度影响，能在30 ms内全图分割分辨率为320×240的图像序列中的多目标，对颜色噪声变化和光线波动有较强鲁棒性，在野外自然道路或农田场景、多颜色目标和动态纹理兴趣区的分割速度与稳定性上取得明显进步.     

基于聚类和α—β-γ滤波的运动跟踪

借助计算机视觉技术对运动员的运动动作进行跟踪分析,旨在为运动员提高运动成绩提供科学的技术分析手段.研究序列图像中运动员动作的各特征点的运动变化轨迹,并加以跟踪,提出了基于聚类和α-β-γ滤波的特征点跟踪.为解决聚类数目的不确定性给C均值聚类带来的难点,以α-β-γ滤波预测下一帧图像的特征点的估计值为聚类的中心,从而有效克服了初始聚类中心难以选择的问题.并对40帧的图像序列进行了跟踪实验,结果表明该方法是可行有效的.