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。  

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。  

基于多分辨率方法的主动轮廓线跟踪算法

由Ｋａｓｓ等１９８７年首次提出的主动次轮廓线模型，在数字图像分析和计算机视觉领域得到了越来越广泛的应用，基于单分辨率的主动轮廓线跟踪算法在一个共同的缺点，即：要求初始轮廓线离目标的真实轮廓线很近，这样的算法用于跟踪将只能跟踪缓慢运动的目标，从而限制了主动轮廓线跟踪算法的应用范围，本文提出了一种基于多分辨率的主动轮廓线跟踪算法，它不但继承了基于单分辨率的主动轮廓线算法的优点，而且降低了对初始轮廓线的  

一种用于二值图象分割的快速聚类算法

文中提出了一种适合于二值图象分割的快速聚类算法。它具有五个特点：①图象扫描过程与聚类过程一体化；②执行速度快；③总的类数动态生成；④节省存储空间；⑤便于后续处理。该方法可应用到目标检测、多目标跟踪和噪声去除等领域。  

多传感器管理系统研究现状与发展趋势

基于多传感器管理的定义与所面临的任务,介绍了多传感器管理系统体系结构的发展,并给出了其宏观/微观结构;重点对基于数学规划、模糊控制与神经网络、信息论和专家系统等技术的多传感器管理方法进行了总结与分析,提出了需要进一步研究的问题。  

具有参数自适应的交互式多模型算法

动态多模型估计（SMME）广泛应用于结构和参数的不确定／变化的估计问题中，比如目标跟踪和故障诊断与隔离，然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷，针对SMME，本文通过在每个滤波循环开始处起始多个状态预测器实时辨识滤波参数，包括模式切换概率和基于模型的过程噪声方差，考虑到交互式多模型（IMM）是SMME中比较有效的方法，我们将上述的参数辨识与IMM相结合，提出了一种自适应IMM（AIMM），在跟踪一个机动目标的仿真中，AIMM表现出了比IMM更高的估计精度。  

基于新息偏差的自适应机动目标跟踪算法

证明了在某一目标机动输入下为保持跟踪最优，标准卡尔曼滤波器的过程噪声协 方差阵的调整公式，并利用观测新息在目标机动中发生正偏或负偏的信息，设计了一种自适 应跟踪算法．仿真说明该算法具有运算量小，跟踪精度高的特点．  

基于差分图象的人脸检测

提出了两种基于差分图象的人脸检测算法：扫描法和投影法，实验表明它们是准实时的、非常有效的人脸检测算法，可以作为人脸自动输入的有效途径，用于构造诸如安全检查、保安管理等应用视觉系统  

基于多个颜色分布模型的Camshift跟踪算法

视角变化往往会引起目标外观特征的变化, 传统的基于单一颜色直方图模型的 Camshift 跟踪算法往往不能适应这种变化. 为此, 本文从提高模型描述能力入手, 提出利用目标外观的先验知识, 为目标建立多个颜色模型, 在此基础上设计目标函数, 通过对目标函数的优化, 实时地为每帧跟踪从多个模型的凸组合中选取最优模型. 另外, 在对 Camshift 算法深入研究的过程中, 发现了概率图平均亮度和图像块颜色分布之间的一种定量关系, 这种关系为进一步理解多模型算法的工作机理提供了帮助. 头部跟踪的实验结果表明, 与单一固定模型以及自适应单模型算法相比, 多模型 Camshift 算法对目标外观的快速变化适应性很强, 而且计算代价不大.  

基于SMC-PHDF的部分可分辨的群目标跟踪算法

提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter, SMC-PHDF)的部分可分辨的群目标跟踪算法. 该算法可直接获得群而非个体的个数和状态估计. 这里群的状态包括群的质心状态和形状. 为了估计群的个数和状态, 该算法利用高斯混合模型(Gaussian mixture models, GMM)拟合SMC-PHDF中经重采样后的粒子分布, 这里混合模型的元素个数和参数分别对应于群的个数和状态. 期望最大化(Expectation maximum, EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)算法分别被用于估计混合模型的参数. 混合模型的元素个数可通过删除、合并及分裂算法得到. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标. 相比EM算法, MCMC算法能够更好地提取群的个数和状态, 但它的计算量要大于EM算法.