K-均值聚类中心分析法实现红外人体目标分割

针对由于不同红外成像设备参数差异以及目标周围环境影响而造成的红外目标分割阈值自动选取算法的鲁棒性差这一问题,本文从红外成像的机理出发,提出了一个新的解决方案并加以实现。首先对图像的直方图采用K-均值聚类,然后通过对聚类中心分布特点的分析,确定图像分割的阈值。该方法不需要事先对图像进行均衡和对背景分布进行假设。实验结果表明,算法具有良好的鲁棒性。     

K-均值聚类中心分析法实现红外人体目标分割

针对由于不同红外成像设备参数差异以及目标周围环境影响而造成的红外目标分割阈值自动选取算法的鲁棒性差这一问题,本文从红外成像的机理出发,提出了一个新的解决方案并加以实现.首先对图像的直方图采用K-均值聚类,然后通过对聚类中心分布特点的分析,确定图像分割的阈值.该方法不需要事先对图像进行均衡和对背景分布进行假设.实验结果表明,算法具有良好的鲁棒性.     

红外遮挡人体目标模板图像的Mean Shift分割算法

提出了一种红外图像中遮挡人体目标的分割方法。首先通过传统的阈值选取方法或直方图聚类等红外图像分割的方法,获取遮挡区域目标的二值化模板。用目标像素在模板中的相对行列坐标作为特征集使用Mean Shift算法分别计算各像素在行列方向的收敛位置并使用复数向量进行联合表达,再次以所有的复数向量作为特征集进行Mean Shift聚类,根据各像素位置对应的复数向量所属类别对其进行划分,完成遮挡目标的分割。与分水岭算法相比,该算法的分割结果完整保留了目标模板的外形,并且可以通过Mean Shift 带宽参数的选择完成不同精细程度的分割。     

基于粒子Mean Shift迁移的红外人体目标跟踪算法

提出了一种基于粒子Mean Shift迁移过程的红外人体跟踪方法.算法通过采样粒子迁移和聚类动态建立目标的状态模型和量测模型.在被跟踪区域随机布撒粒子,以各粒子对应像素的亮度作为特征值进行Mean Shift收敛性分析,使用收敛后的粒子集表达目标的当前状态;以状态粒子的坐标位置为特征值对其进行Mean Shift聚类,作为对目标的量测.连续跟踪时,下一帧的采样粒子基于上一帧的量测结果产生.与传统的基于序贯重要性采样的粒子滤波方法相比,算法不需要目标的相似性测度计算,仅用少数粒子即可实现对目标的可靠跟踪.