基于内容的图像检索技术与系统

对图像检索的过去、现在和未来进行了分析，论述了每个阶段的研究特点，对基于内容的图像检索的主要研究技术进行详细和全面的论述，介绍了典型的基于内容的图像检索系统，通过综述指出了目前研究中存在的主要问题并指出了今后的研究方向。  

基于支持向量机的视频字幕自动定位与提取

视频字幕蕴含了丰富语义 ,可用于对相应视频流进行高级语义标注 .文中首先将原始图像帧分割为 N× N的子块 ,提取每个子块的灰度特征 ;然后使用预先训练好的 SVM分类机进行字幕子块和非字幕子块的分类 ;最后结合金字塔模型和后期处理过程 ,实现视频图像字幕区域的自动定位提取 .实验表明文中方法取得了良好的效果  

基于模型的人体运动跟踪

在计算机视觉领域，人体运动分析的的研究正因其广泛的应用前景而越来越受到研究 重视，对图像序列中的人体运动进行了跟踪是其中的关键技术。由于人体运动的特殊复杂性，已有的研究方法都对人体加上了许多限制条件。  

通过例子视频进行视频检索的新方法

结合作者开发的系统，提出了一种新的视频相似度度量模型，详细地介绍了算法的实现，并得出了实验结果。相对于已有的算法，它在考虑人们主观视觉判断的基础上，提出了许多影响相似度的因子，如顺序因子、速度因子、干扰因子等。因而它全面、系统地体现了视频间的相似程度。而且该算法具有粒度可适性，可用于不同层次的视频结构的比较，在视频检索系统中。它可以广泛地应用于针对用户提交例子的查询中。  

运动图像序列的人体三维运动骨架重建

在计算机视觉领域 ,人体运动分析的研究具有相当广泛的应用前景 .由于人体运动的复杂性 ,已有的研究方法都对研究对象——人体 ,加上了许多限制条件 .文中提出了一种新的方法来获得各类人体运动的信息 .文中主要论述了该方法中对人体三维运动骨架的重建部分 ,其基本思想是在摄像机定标的基础上 ,应用三维人体模型知识和运动连续性依次建立每个图像的人体运动骨架 .最后给出了实验结果  

挖掘闭合模式的高性能算法

频繁闭合模式集惟一确定频繁模式完全集并且尺寸小得多,然而挖掘频繁闭合模式仍然是时间与存储开销很大的任务.提出一种高性能算法来解决这一难题.采用复合型频繁模式树来组织频繁模式集,存储开销较小.通过集成深度与宽度优先策略,伺机选择基于数组或基于树的模式支持子集表示形式,启发式运用非过滤虚拟投影或过滤型投影,实现复合型频繁模式树的快速生成.局部和全局剪裁方法有效地缩小了搜索空间.通过树生成与剪裁代价的平衡实现时间效率与可伸缩性最大化.实验表明,该算法时间效率比其他算法高5倍到3个数量级,空间可伸缩性最佳.它可以进一步应用到无冗余关联规则发现、序列分析等许多数据挖掘问题.  

基于视频的人体动画

现有的基于运动捕获的动画普遍存在投资大，人体的运动受到捕获设备限制等缺陷。提出了新的基于视频的人体动画技术，首先从视频中捕获人体运动，然后将编辑处理后的运动重定向到动画角色，产生满足动画师要求的动画片段。对其中的运动捕获、运动编辑和运动重定向等关键技术进行了深入研究，并基于这些关键技术开发了一个基于双像机的视频动画系统（VBHA），系统运行结果表明了从来源广、成本低的视频中捕获运动，并经过运动编辑和运动重定向后生成逼真动画的可行性。  

基于对象形状的图象查询技术

基于图象内容的查询是根据图象实体(或区域)的颜色、形状、纹理、空间关系等特征属性来查询图象.它把图象处理、图象识别、图象数据库3个领域的技术成果结合起来,是一个有前途的发展方向.本文所作的工作是研究和实现根据图象实体(或区域)的形状来查询图象,内容包括：(1) 人对于形状的认知过程；(2) 表征形状的特征量集合；(3) 一种快速有效的图象匹配算法；(4) 原型系统Photo Engine.  

基于视频的运动捕获

现有的运动捕获方法大都存在运动捕获设备昂贵、演员运动受限等缺点，为此，提出了一种利用视觉技术从视频中提取人体运动的方法，并对其中的特片跟踪和三维运动序列恢复等关键技术进行了深入研究。基于人体模型的特征跟踪算法利用卡尔曼滤波和极线方程，能精确地跟踪比较大的人体运动；采用不共面的非线性定标模型和考虑运动不确定性的三维重建方法，能恢复逼真的三维人体骨架模型，实验结果验证了基于视频的运动捕获方法的可行性和有效性。  

服装CAD中三维人体模型的参数化研究

针对三角网格曲面表示的3D人体模型缺少语义信息，提出一种3D人体模型的参数化方法：首先通过三角面片求交的采样策略得到采样点，然后使用B样条曲线构造人体轮廓线，最后由用户交互得到3D人体模型的参数化信息，建立3D人体模型的参数化模板．这样，在参数化人体模型模板的基础上，可以根据用户所输入的特定人体参数信息，动态地调整轮廓线和重建人体模型体表曲面，快速生成逼真的3D人体模型，从而满足服装CAD中根据用户身材尺寸大小定制服装的应用需求．