基于QP_TR信任域的序列图像目标跟踪

本文将信任域算法和尺度空间理论相结合，提出了一种能够精确描述目标尺寸连续变化的新的序列图像目标跟踪算法；将信任域算法与灰度模板相结合，提出了一种新的实时目标跟踪算法。在第一种算法中，首先将序列图像按照颜色直方图转换成目标概率分布图，目标区域在概率分布图中呈现为灰度块。然后通过检测该图在尺度空间中微分滤波器输出的极值，来决定这些灰度块的尺度。最后我们使用QP_TR信任域算法在尺度空间里和图像平面内快速搜索概率分布图的多尺度规范化Laplacian滤波函数极值，实现了目标定位并同时决定了其尺度，从而完成了跟踪任务。在第二种算法中，首先记录目标初始模板，在随后每一帧中应用OP_TR信任域算法搜索与该模板最相似的区域，实现目标定位。和现有算法的比较以及在大量真实序列图像上的实验表明，两种算法分别在目标大小描述，跟踪精度上以及运算速度上有了显著提高。     

基于动态能量特征的步态识别方法

步态是生物特征识别领域的一个新兴热点,它有三大优势:远距离识别、非侵犯性和难于隐藏.本文提出一种新的基于动态能量特征的步态识别算法.首先对输入的步态序列进行背景建模;然后分割出图像中运动人体的二值侧影;再从侧影序列中提取出步态的动态能量特征矩阵;最后用标准的模式分类技术对个体的身份做出识别.实验结果表明,该方法不仅简单、易操作,而且在UCSD和CMU数据集上均获得90%以上的高识别率.     

基于时域卷积网络的中文句子级唇语识别算法

针对现有中文句子级唇语识别技术存在的视觉歧义、特征提取不充分导致识别准确率偏低的问题,提出了一种基于时域卷积网络,采用三维时空卷积的中文句子级唇语识别算法——3DT-CHLipNet(Chinese LipNet based on 3DCNN,TCN)。首先,针对特征提取不充分的问题,所提算法采用了比长短期记忆网络(LSTM)感受野更大的时域卷积网络(temporal convolutional network, TCN)来提取长时依赖信息;其次,针对中文唇语识别中存在的“同型异义”视觉歧义问题,将自注意力机制应用于中文句子级唇语识别,以更好地捕获上下文信息,提升了句子预测准确率;最后,在数据预处理方面引入了时间掩蔽数据增强策略,进一步降低了算法模型的错误率。在最大的开源汉语普通话句子级数据集CMLR上的实验测试表明,与现有中文句子级唇语识别代表性算法相比,所提算法的识别准确率提高了2.17%至23.99%。     

基于深度学习的视觉跟踪算法研究综述

视觉跟踪是计算机视觉的重要研究领域之一。传统的视觉跟踪算法难以很好地解决复杂背景中的跟踪问题,如光线变化、目标发生较大的尺寸和姿态变化或目标被遮挡等。而深度学习的引入为视觉跟踪研究开辟了新的途径。但目前国内外基于深度学习的视觉跟踪研究文献相对较少,为 吸引更多视觉跟踪领域研究者对深度学习进行探索和讨论,并推动视觉跟踪算法的研究,简要介绍了视觉跟踪和深度学习的研究现状,重点分析了基于深度学习的视觉跟踪算法的相关文献,讨论了各算法的优缺点,最后提出了进一步研究的方向以及对基于深度学习的视觉跟踪算法的展望。     

使用Mean Shift进行自适应序列图像目标跟踪*

现有的Mean Shift跟踪方法使用单一半径参数描述目标大小变化,不能适应复杂的目标运动情况。使用带宽矩阵来描述目标尺寸,在两个方向上独立描述目标大小变化,提出并证明了一种新的跟踪方法。实验表明,在不增加任何计算量的情况下,该算法对目标运动的适应性更好。     

基于三维卷积神经网络和峰值帧光流的微表情识别算法

针对现有微表情识别技术未能有效利用峰值帧前后时间空间特征的缺点,文中提出基于三维卷积神经网络和峰值帧光流的微表情识别算法.首先,提取峰值帧前后相邻帧间的光流场,在保留微表情重要时间、空间信息的同时,去除冗余信息,减少计算量.然后,利用三维卷积神经网络,从光流场中提取增强的时空特征,实现微表情的分类识别.最后,通过在3个微表情数据库上的对比实验证实文中算法准确度较高.     

目标多自由度Mean Shift序列图像跟踪算法

现有的Mean Shift跟踪方法使用单一半径参数来描述目标大小变化，每个目标仅有位置和尺寸两个自由度，因而不能适应复杂的目标运动情况。文中提出新的Mean Shift跟踪方法，该方法引入带宽矩阵来描述目标尺寸，能够在水平和垂直两个方向上独立描述目标大小变化，并加入目标倾角，使得目标旋转运动得以很好描述。实验表明，该算法能够准确跟踪序列图像中的任意复杂运动，尤其对目标的缩放、旋转运动有良好的适应性。     

Adaboost目标跟踪算法

序列图像上进行实验验证,并与现有算法进行比较,结果表明该算法不但能更好地应对目标特征变化,在存在干扰的背景中稳定跟踪目标,也能更准确地描述目标大小,显著提高跟踪算法精度.     

基于QP_TR信任域方法的低信噪比序列图像目标跟踪*

运动平台上低信噪比序列图像中的目标跟踪面临着两大困难:平台运动导致图像存在全局平移,使得目标在相邻帧间脱离跟踪算法搜索窗;图像中的干扰使得跟踪窗口经常跳动而导致跟踪失败.鉴于QP_TR信任域算法的优良性能,针对上述两个问题提出了一种新的基于QP_TR信任域和Kalman滤波的跟踪算法.该算法利用QP_TR进行图像稳定和模板匹配,通过Kalman滤波器状态估计滤除干扰.与三步搜索方法相比,加大了搜索窗大小的同时减少了模板匹配的次数,提高了性能.在真实图像序列上进行的实验表明,该算法能有效地稳定运动图像,实现运动平台上低信噪比序列图像中目标的稳定跟踪.     

一种新的基于感知轮廓描绘子的自动步态识别方法

通过步态远距离识别人的身份是生物特征识别领域的1个研究热点。文中提出了一种新的基于感知轮廓描绘子的自动步态识别方法。通过检测步态序列中的行人，利用内边界跟踪算法提取出人的二值轮廓，并将其表示成为一维感知轮廓描绘子；使用主成分分析法将步态特征映射到低维特征空间中进行训练和分类，从而实现身份识别。实验结果验证了该方法的有效性。