主动轮廓线模型(蛇模型)综述

在传统的计算机视觉领域,严格的各自独立的分层理论有广泛的影响.这种理论认为，底层的视觉任务的完成只能依赖于从图像本身获得的信息.Kass等人对这种模型提出了挑战,于1987年提出了称为Snake的主动轮廓线模型(active contour model).近10多年来,Snake模型在计算机视觉领域得到了广泛应用,取得了许多重要的进展.该文回顾了近10多年来Snake模型的研究、发展及应用情况,并对未来的发展方向进行了展望.  

Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.  

基于差分图象的多运动目标的检测与跟踪

运动目标的检测与跟踪在许多领域有广泛的应用，它是应用视觉研究的焦点之一。  

智能全方位视觉传感器及其应用研究

全方位视觉传感器(ODVS,Omni-Directional Vision Sensor)是传感器网络的一种重要部件.该文研究了ODVS的设计、嵌入式Linux ODVS系统结构、ODVS视频服务器及ODVS应用系统软件的开发,详细阐述了基于ODVS的多目标自动跟踪系统的具体应用,给出了实验结果,本研究对传感器网络的高效应用有着重要的应用价值.  

智能视觉监控技术研究进展

新一代智能视觉监控技术的研究是一个极具挑战性的前沿课题,它旨在赋予监控系统观察分析场景内容的能力,实现监控的自动化和智能化,因而具有巨大的应用潜力。视觉监控系统的智能化分析过程由运动目标检测、分类、跟踪和视频内容分析等几个基本环节组成,其中视频内容分析又包括异常检测、人的身份识别以及视频内容理解描述等。本文在总结以上有关关键技术研究进展的基础上,进一步提出将超分辨率复原技术引入视觉监控领域,介绍了超分辨率复原的主要算法及其在智能视觉监控中的应用。  

自动目标识别与跟踪技术研究综述

对复杂背景下扩展目标进行有效的识别和跟踪是一个具有挑战性的难题。对当前的目标自动识别系统( ATR) 所采用的算法进行了归类和叙述, 对目标识别问题中具有旋转、尺度、平移不变性的特征及目标跟踪算法进行了讨论, 最后对自动目标识别和跟踪进一步的研究方向进行了展望。  

基于相关系数的相关跟踪算法研究

提出了一种以相关系数作为相似度度量准则的相关跟踪算法，克服了传统的以点对点乘累加作为相似度度量准则的相关跟踪算法跟踪精度低的缺点。给出了相似性度量的快速实现方法，解决了目标跟踪的实时性要求。同时．还提出了一种新的模板更新策略，使得跟踪算法对环境的适应能力和稳定性得到较大的提高。此外，提出了跟踪失败判决策略，解决了因目标暂时消失或环境突然变化，如瞬间明暗变化，造成的成像质量差而引起的跟踪失败。试验结果表明，该相关跟踪算法减少了相关跟踪的复杂度，具有跟踪精度高和速度快的特点。目前，该算法已经应用在实时目标跟踪系统中。  

交互式多模型算法性能分析

广泛应用于目标跟踪和故障诊断的动态多模型估计（SMME）假设模式的切换服从马尔可夫过程，对马尔可夫切换概率（MTP）的非MonteCarlo分析有助于深入了解SMME的机理，发现参数寻优的法则，设计或发展新的自适应多模型估计器，然而由于SMME的复杂性，非Monte Carlo分析很难给出，本文针对SMM中著名的交互式多模型（IMM）估计器，通过将IMM看作是输入交互和子滤波器串联，分析了具有m个参数的MTP矩阵，给出了六条不依赖主动应用环境及子滤波器设计的结论，部分结果也适用于一阶广义伪贝叶斯算法（GPBI）。  

一种新的主动轮廓线跟踪算法

主动轮廓线模型,又称"蛇",由Kass等于1987年首次提出后在数字图像分析和计算机视觉等领域正在得到越来越广泛的应用.不过,现有的主动轮廓线搜索与跟踪算法存在许多问题.本文提出一种新的主动轮廓线跟踪算法--new_snake算法.它不但继承了已有算法的优点,而且克服了它们的主要缺点.它具有下列特点:算法快速收敛;控制点的数目自适应地改变,保证稳定跟踪;将硬强制力直接引入能量公式;可以方便地添加色彩信息约束;削弱了各参数的改变对算法的影响.大量实验验证了该算法的鲁棒性和实用性.  

一种改进的Mean Shift跟踪算法

本文主要针对经典的Mean Shift跟踪算法均匀剖分整个颜色空间造成许多空的直方图区间以及不能准确表达目标颜色分布的缺点, 提出了一种改进算法. 该改进算法首先对目标的颜色进行聚类分析, 根据聚类结果通过矩阵分解和正交变换自适应地剖分目标的颜色空间从而确定对应于每一聚类的子空间. 在此基础上定义了一种新的颜色模型, 该模型统计落入每一颜色子空间的像素的加权个数并用高斯分布建模每一个子空间的颜色分布, 并推导了一种相似性度量来比较目标和候选目标的颜色模型之间的相似程度. 最后基于该颜色模型提出了改进算法. 实验表明, 基于该颜色模型的改进算法比经典的Mean Shift算法具有更好的性能, 而跟踪时间与经典算法大致相同.