基于多特征融合的运动物体识别方法研究

为了实现运动目标的实时检测,本文基于多特征融合,提出了一种运动物体分级识别方法.首先通过对运动目标的分割,分析得到各个物体的形状矩特征、面积大小及运动速度.对上述特征,采用支持向量机方法对其矩特征进行快速的一级分类,然后对一级分类结果及各物体的面积、速度等信源根据其对分类的重要程度,采用模糊积分技术进行多特征融合分类.实验表明,本方法具有较强的学习能力及较高的识别精度,可有效地应用于道路监控等系统.     

数字城市中矩形建筑物区域的自动获取

为了缩小基于视频的数字城市三雏重建中建筑物特征点的提取匹配的搜索范围,需要对目标建筑物区域进行快速提取.以矩形建筑物为例,首先对预处理后的图像做Hough变换,获取直线段集合;然后,在分析建筑物轮廓线的相互位置关系时,利用提出的点密度和Hough空间中计数嚣的数值,筛选出直线段集合中能表现建筑物轮廓信息的直线段.实验结果表明,运用点密度能去除干扰线段,算法对建筑物上下轮廓和左右轮廓采用不同的提取策略,在由于拍摄角度而造成的建筑物畸变的情况下,能快速准确地提取出矩形建筑物区域.     

基于点特征的序列图像匹配方法研究

提出了用3个向量描述Harris角点方向特征的方法,该算法首先用Harris角点检测得到特征点,并把SIFT算法中使用的特征描述方法引入到特征点描述中;然后利用欧氏距离对点特征进行匹配;提出一种简单高效的排除错误匹配的方法。该算法对数字城市中序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该算法匹配准确率较高,具有实用价值。     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

基于轮廓特征及扩展Kalman滤波的车辆跟踪方法研究

在车辆实时跟踪中,基于Kalman滤波的方法是常用的有效方法,但因车辆检测时常将靠近的物体检测成一个目标引起误检现象,这会使在目标匹配时产生错误。为此,首先考察运动区域的长宽比和占空比,进行误检判断;然后提出了一种基于轮廓特征拐点的车辆分割方法;最后引入基于扩展Kalman滤波的跟踪模型。实验结果表明,采用的误检判断准则对多车辆的检测区域有较高的识别率,提出的基于轮廓特征拐点的车辆分割方法可实现重叠遮挡车辆的准确完整分割,用基于扩展Kalman滤波的跟踪模型实现了车辆的实时跟踪。     

基于概率选择的次优移动Agent迁移策略研究

针对原有网络结构开销较大、负载分配不均等缺点,提出一种区域核心式移动Agent服务注册模式.针对移动Agent路由选择问题提出了一种模拟蚁群算法的路由选择新算法,并给出了一种基于概率P的移动Agent迁移策略,改变了传统迁移只按照某种标准下的最优路径进行的模式,使移动Agent可以充分利用网络中的各条符合时延条件的通路进行迁移;模拟自动控制理论中的反馈思想,使移动Agent执行任务的同时,担任修正路由信息的任务,使路由表的信息始终保持次优状态.仿真实验证明,提出的移动Agent迁移体系在收敛速度、容错性、系统开销和迁移时延等方面有明显改进,并且可以有效缓解在网络负载较重的情况下出现的网络节点阻塞以致移动Agent丢失的情况.