一种在复杂情况下车辆的跟踪算法研究

采用把kalman滤波与图像模板匹配相结合的方法，用于车辆的复杂跟踪，实现简单，运算量小，且可以满足实时性。实验结果表明该方法的可用性。     

基于HMM的车辆碰撞事件预测

近年来,基于数字图像处理的交通事件检测技术应用日益广泛.本文应用了隐马尔可夫模型进行高速公路上的车辆碰撞预测.本文首先通过车辆跟踪得到车辆的运动信息,然后根据提取的车辆相互运动信息利用HMM模型判断碰撞事件发生的概率.实验证明,该方法有效可行.     

多元经验模态分解及在SAR图像目标识别中的应用

提出基于多元模态分解的合成孔径雷达（SAR）目标识别方法。多元模态分解是传统模态分解的多元扩展,能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理,获得的多层次固有模式函数（IMF）能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性,同时它们描述同一目标因而具有内在关联性。分类阶段,采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下,对多个关联稀疏表示问题进行求解,可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上,计算不同类别对于当前测试样本多层次IMF的重构误差之和,进而判定测试样本的目标类别。基于MSTAR数据集开展实验,通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析,验证了提出方法的有效性。     

基于Bayes法则和BP神经网络的高速动态情形下车型识别

针对在高速动态情形下的车型识别，介绍了一种对汽车提取特征、基于红外线检测的汽车分类仪；阐述了采用汽车特征参数作为样本向量训练BP网络的方法和识别车型原理；采用共轭梯法修正BP网络，提高了训练速度和全局收敛性；对于样本向量存在的数据“噪声”，则以Bayes法则对大量样本去除“噪声”，使特征样本向量更有代表性，理论与实际证明，这样得到BP网有强容错能力，能识别没有看过的汽车样本，从而提高了车型识别精度。     

基于Camshift与Kalman的目标跟踪算法

针对目标跟踪复杂的难点,提出了一种比较实用的跟踪方法。采用基于颜色概率分布的Camshift算法进行目标跟踪的同时,引入卡尔曼滤波,并给出模型参数。在目标发生遮挡时,使用卡尔曼滤波对目标运动状态进行估计。实验表明,算法能够对目标进行持续、稳定的跟踪。