图象形态谱分析方法和物体形状表示

本文提出一种物体形态谱分析方法,这种方法可以用物体的形态谱表示复杂物体的形状、定量地描述物体的形状和尺寸的大小。这种方法的主要优点是具有位移不变性、高数据压缩率、容易用硬件实时实现以及可以由物体形态谱表示精确地重构原始图像等。物体的形态谱分析方法可以方便地用在图象分析、模式识别和图像传输等应用领域。     

地面复杂场景图像相关跟踪算法研究

提出了一种性能良好的快速图像相关跟踪算法，利用视频图像序列帧间及帧内的相关性，采用空间及灰度多尺度分解算法，减少匹配算法的运算量和提高目标定位精度，建立相关跟踪置信度评估、模板自适应刷新、相似目标辨识等准则，有效地提高目标跟踪的稳定性和鲁棒性。实验结果表明，该算法能够较好地实现各种复杂场景条件下的目标稳定跟踪。     

多知识综合判决的字符切分算法

高性能的印刷体文字识别系统中,在单字识别技术比较成熟的条件下,字符切分成为比较关键的环节。字符切分可以看作是对字符边界正确切分位置的一个决策过程,该决策需要同时考虑字符局部的识别情况和全局的上下文关系。该文通过对中日韩三国文字字符切分的研究,提出一种基于多知识综合判决的字符切分算法。该算法成功应用于AsiaOCR项目,对于东方文字中常见的混排英文问题也能很好处理。实验结果表明,和以前的算法相比,新算法在中日韩三国文字识别系统中的切分错误率平均下降50%。     

脱机手写汉字识别的最优采样特征新方法

在脱机手写汉字识别中，笔画形变是造成识别率下降的主要原因，减少笔画形变的影响是提高脱机手写汉字识别率的关键。针对上述问题，提出了最优采样特征。该特征以目前被广泛应用的方向线素特征为基础，在一定的约束条件下，通过移动采样点的位置，可以适应笔画的形变。从而减少特征的类内方差，提高特征的可分性，改进了识别性能。通过在THCHR样本集上进行实验，并对最优采样特征和方向线素特征的实验结果进行比较，验证了最优采样特征的识别率优于方向线索特征。     

基于分类器判决可靠度估计的最优线性集成方法

多分类器集成的目标是充分利用每一个分类器的长处，既要发挥它们的最佳性能，又能克服单个分类器的弱点，以达到最优的系统识别性能，该文提出一种基于发类器判决可靠度估计的多分类器集成方法，利用各分类器对当前输入样本的判决兵验概率，实时估计它们的分类判决可靠度，并指导集成权重系数的分配，该方法能够使集成权重更灵活地适应不同的输入变化，充分利用每个分类器当前的识别能力，从而获得更好的集成效果，该文结合最小均方误差准则（MSE）下的最优线性集成方法给出了权重模型和训练算法，并与其它的线性集成模型作了比较，实验表明，不论在最优化准则下的最终误差还是在实际识别性能上，作者提出的方法都取得了最好的效果。     

结合整体与局部信息的人脸识别方法

提出了一种综合利用整体和局部信息进行人脸识别的新方法。在对整幅人脸图像进行PCA分析的基础上辅以了局部区域的PCA LDA分析。在ORL的400幅人脸库上对此方法进行了验证，结果证明此方法是有效可行的，最优的识别率达到了97％，比仅利用完整图像的人脸识别方法有了不同程度的提高。     

基于部件的三维目标检测算法新进展

三维目标检测问题是计算机视觉领域的一个基础而重要的问题, 如何解决部分遮挡、类内变化、复杂背景以及视角变化的问题是这类算法的研究重点. 近年来,随着部分遮挡、类内变化等问题的逐步解决,越来越多的研究者针对视角问题 展开研究.本文对三维目标检测问题进行了较为详细的分析,并且主要针对近几年的 热点问题—视角问题展开讨论,介绍并总结了当前该领域的主要算法. 通过对比说明了各种方法的优势与不足.     

基于最大互信息区域跟踪的人体行为检测算法

人体行为检测问题不仅需要判断行为的类别,而且需要估计行为发生的时间和位置,有重要的现实应用意义. 人体行为检测的主要难点在于参数空间维度高以及背景运动干扰. 针对上述难点,本文提出了一种基于最大互信息区域跟踪的人体行为检测算法. 该算法将行为区域定义为最大互信息矩形区域,采用稠密轨迹作为底层特征,利用随机森林学习轨迹特征与行为类别的互信息函数,利用轨迹的时间连续性对行为区域进行大时间跨度的预测和跟踪. 实验结果表明,该算法不仅能够有效地识别不同类别的行为,而且能够适应现实场景中背景运动的干扰,从而准确地检测和跟踪行为区域.     

多特征局部与全局融合的人脸识别方法

提出一种在分数层上对全局和局部特征进行融合的人脸识别方法。全局特征由不同局部描述算子对整幅人脸图像进行运算产生,局部特征按空间位置的不同划分由直接抽取全局特征的子集构成。根据实际应用中对人脸识别系统速度和精度的不同要求,给出2种融合策略组合全局和局部特征。在FRGC v2.0大规模人脸库上的实验结果表明,该方法在增加少量运算的条件下能使系统性能明显提升。     

基于人体行为3D模型的2D行为识别

针对行为识别中行为者朝向变化带来的问题, 提出了一种基于人体行为3D模型的2D行为识别算法. 在学习行为分类器时, 以3D占据网格表示行为样本, 提取人体3D关节点作为描述行为的特征, 为每一类行为训练一个基于范例的隐马尔可夫模型(Exemplar-based hidden Markov model, EHMM), 同时从3D行为样本中选取若干帧作为3D关键姿势集, 这个集合是连接2D观测样本和人体3D关节点特征的桥梁. 在识别2D行为时, 2D观测样本序列可以由一个或多个非标定的摄像机采集. 首先在3D关键姿势集中为每一帧2D观测样本寻找与之最匹配的3D关键姿势帧, 之后由行为分类器对2D观测样本序列对应的3D关键姿势序列进行识别. 该算法在训练行为分类器时要进行行为者的3D重构和人体3D关节点的提取, 而在识别2D行为时不再需要进行3D重构. 通过在3个数据库上的实验, 证明该算法可以有效识别行为者在任意朝向下的行为, 并可以适应不同的行为采集环境.