无重叠视域中多目标最优路径集合的数据关联

针对无重叠视域中难以将运动目标与时空因素发生关联或关联后难以求解问题,提出了采用最优路径的数据关联算法并用离散蚁群算法进行了求解。算法首先利用贝叶斯网络,将目标外观匹配相似度、空间约束和时间约束三者融合,把数据关联问题转换为网络中最优路径的选择问题;其次,把路径间样本对的平均相似度设为评价函数,评价函数取最大值时的路径就是最优路径;最后,根据目标的出现在时间和空间存在离散性的特点,用离散粒子群算法求解最优路径,并用粒子编码记录目标运动路径。本算法在由五个摄像机构成的网络中对运动目标进行跟踪仿真,结果表明能有效地求解多目标的最优路径集合,获取了目标在网络中的运动轨迹,实现了接力跟踪,具有良好的鲁棒性。     

基于SURF特征和Delaunay三角网格的图像匹配

图像特征匹配的核心是通过距离函数实现在高维矢量空间进行相似性检索.重点研究提取好的特征点并快速准确地找到查询点的近邻.首先,提取图像的多量、有区别且稳健的SURF（Speeded up robust feature）特征点,并将特征点凸包进行Delaunay剖分.然后,对Delaunay三角边抽样、聚类、量化并构建索引.通过票决算法,将点对匹配与否映射到矩阵中以解决距离度量没有利用数据集本身所蕴含的任何结构信息和搜索效率相对较低的问题.结合SURF算法和Delaunay三角网提出一种特征匹配的新方法,在标准图像集上的实验验证,在耗时基本相同的情况下,提取的特征点较多且正确匹配率较高.