基于局部稀疏表示的模板匹配跟踪算法研究

在目标跟踪过程中,局部稀疏表示跟踪算法(LSRTA)在目标被遮挡面积过大、运动过快或形变量过大等情况下,跟踪过程中会发生目标偏移现象。针对这个问题,在LSRTA算法基础上,融入surf、flann和knn相结合的模板匹配算法,提出了基于局部稀疏表示模板匹配算法(LSRTMTA)以解决目标跟踪偏移问题。在LSRTA算法跟踪过程中,通过不断地计算新模板与当前模板的匹配值来判断是否发生偏移。当目标发生偏移时,停止LSRTA算法的跟踪,通过模板与帧图像之间匹配来重新确定目标位置;当确定目标位置后,再次进行LSRTA算法的跟踪。实验结果表明:该算法不仅保留了LSRTA算法的优点,还具有自动修正目标偏移的功能,改善了跟踪效果,增强了目标跟踪过程的容错性。     

大数据技术在医疗信息化中的应用探讨

为提供更高质量的医疗服务,改善医疗内部管理成效,医院需以医疗信息化建设为目标,积极创新工作形态,提升医院的竞争力。在该过程中,大数据技术发挥着重要的作用和意义,可实现对医疗数据的整合分析和处理,提升医院内部的工作效率。为此,需分析利于医院信息和数据的新形态,针对当前大数据应用的现状,积极探索医疗信息化建设的新路径,并在实践层面提出具体的策略,推动医院的信息化和智慧化转型。     

基于稀疏结构的图像特征匹配算法

对图像进行全局的特征点检测耗时较长,而且全局特征稳定性不好,这就造成算法的运行速度慢和匹配准确率低,达不到令人满意的匹配效果.在尺度不变特征变换（SIFT）的基础上,通过引入稀疏结构的概念,提出了一种基于稀疏结构的图像特征匹配算法（SSM）.通过稀疏度函数获得像素点的稀疏度值,筛选出稀疏度高的像素点所在的区域,并对该区域进行SIFT特征点检测,通过最佳描述子实现特征匹配.将SSM算法与几种经典算法相比,实验结果表明,本文算法在特征匹配速度和匹配准确率上相比于原算法都有较明显的提高,能够用于目标实时跟踪、图像检索和全景图像拼接等领域.     

基于改进YOLOv2网络的遗留物检测算法

为了提高在复杂环境下检测遗留物体的准确度和实时性,提出了一种基于改进YOLOv2网络的遗留物检测算法。该算法在YOLOv2网络结构基础上结合残差网络,将浅层和深层特征多次融合,在基本不增加原有模型计算量和时间的情况下,提高了监控画面中检测小体积遗留物体的性能;同时以YOLOv2目标检测为基础,排除驻留行人和动物等非物体目标的干扰,并对目标筛选得到的可疑目标跟踪计时,停留时间超过阈值的目标标记为遗留物。以PETS2006和i-LIDS作为数据集进行实验,结果表明:该算法在提高遗留物检测准确度的同时缩短了处理时间,对人流密集的复杂环境抗干扰能力强。