结构先验约束下的实时多目标跟踪

多目标跟踪算法通常需要计算多帧、多目标间的数据关联,由于目标样本数量大,优化过程十分耗时,因此往往实际应用受限。提出一种实时的多目标跟踪算法,通过建立在线更新的结构先验模型约束目标间的空间位置关系,从而捕获多帧多目标间的数据相关性;在推理目标的空间置信度时,为克服传统方法使用稀疏采样造成样本不足引起目标状态估计不准确的问题,采用一种新的思路:提取目标及其周围区域作为正例样本,在计算过程中引入循环矩阵理论进行密集采样,并进一步通过对解进行傅里叶变换,实现对搜索窗口内所有样本似然的快速推理,从而为结构先验模型提供目标所有可能位置的置信度。实验结果表明了该算法在提高跟踪精度的同时显著降低了运算时间。     

基于聚类关联网络的群组行为识别

目前群组行为识别方法没有充分利用群组关联信息而导致群组识别精度无法有效提升,针对这个问题,提出了基于近邻传播算法（AP）的层次关联模块的深度神经网络模型,命名为聚类关联网络（CRN）。首先,利用卷积神经网络（CNN）提取场景特征,再利用区域特征聚集提取场景中的人物特征。然后,利用AP的层次关联网络模块提取群组关联信息。最后,利用长短期记忆网络（LSTM）融合个体特征序列与群组关联信息,并得到最终的群组识别结果。与多流卷积神经网络（MSCNN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了5.39与3.33个百分点。与置信度能量循环网络（CERN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了8.7与3.14个百分点。实验结果表明,CRN方法在群体行为识别任务中拥有更高的识别准确精度。     

PCA-NLM的纺织品缺陷检测

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,为解决这一问题,提出一种混合方法进行纺织品缺陷检测,将图像增强和缺陷检测方法进行混合处理,在非局部均值滤波算法（NLM）的相似度评价中引入主成分分析（PCA）进行去噪处理,采用的PCA-NLM混合模型有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类可分离性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文的混合模型有效提高了纺织品缺陷的检测正确率。     

一种基于粗糙集区域分割和语义分类的方法

提出一种基于粗糙集的图像理解方法.将图像视为一个信息系统,每个像素看作系统中的一个实体对象.引入粗糙集理论中上下近似和核属性的相关概念,采用相容扩展模型下的知识约简方法,对图像处理、分析和解释这3个过程进行分析,提出基于粗糙集的分割算法和知识库规则约简推理方法.通过与Ncuts分割方法及统计学习方法进行理解的实验结果对比,表明算法的可行性和理解的准确性.     

图像语义分析与理解综述

语义分析是图像理解中高层认知的重点和难点,存在图像文本之间的语义鸿沟和文本描述多义性两大关键问题。以图像本体的语义化为核心,在归纳图像语义特征及上下文表示的基础上,全面阐述生成法、判别法和句法描述法3种图像语义处理策略。总结语义词汇的客观基准和评价方法。最后指出图像语义理解的发展方向。     

场景关系图学习的群组行为识别

为解决群组行为识别中复杂个体关系描述不准确，造成的个体关系推理不可靠的问题，关注于面向个体、群体、场景三个方面来构建场景关系图，提出场景关系图网络用于实现群组行为识别。该网络包括特征提取模块、场景关系图推理模块以及分类模块。特征提取模块通过卷积神经网络提取个体特征、群组特征、和场景特征。为了充分描述场景对于个体和群组描述的影响，场景关系图推理模块通过使用两分支网络分别建立个体—场景关系图以及群组—场景关系图帮助学习个体特征和群组特征。场景关系图推理同时考虑了个体特征对群组特征的影响，并引入了跨分支关系。分类模块用于将个体特征和群体特征进行分类预测。实验结果显示该方法在volleyball和collective activity数据集上的群组识别准确率分别提升了1.1%和0.5%,证实了提出的场景关系图在描述个体特征和群组特征上的有效性。