结合水平集和粒子滤波的人脸轮廓跟踪

针对视频序列中的人脸轮廓跟踪问题,提出了一种将改进水平集方法引入到粒子滤波框架中的轮廓跟踪算法.此算法使用零水平集函数对人脸轮廓进行表示,通过水平集函数的演化对人脸轮廓进行逼近.为了解决人脸遮挡问题,将形状先验加入到演化过程中来约束曲线的演化.算法在粒子滤波的框架下可以同时跟踪人脸区域的仿射运动和人脸轮廓的形变.实验结果表明,所提出的'方法可以对人脸轮廓进行精确的跟踪,并对外界的光照变化,背景干扰,人脸部分遮挡有较强的鲁棒性.     

融合颜色和轮廓的粒子滤波人脸跟踪

实际人脸跟踪过程中,光照和姿态的变化、背景颜色干扰等因素都会极大地削弱颜色特征的有效性,从而造成跟踪的不稳定.针对该问题,本文提出了一种以颜色和轮廓分布为线索的粒子滤波人脸跟踪算法.该算法主要有三个方面的特点:第一,在粒子滤波基本框架下,引入新的用直方图描述人脸轮廓的方法,有效解决了光照、人脸旋转、部分遮挡问题对跟踪的影响,并且能及时有效地重新捕获由于大面积遮挡等原因而丢失的目标.同时采用实时调整每帧图像特征点个数,有效提高了跟踪效率.第二,针对背景干扰问题,提出了一种抑制相似背景颜色干扰的方法.第三,本文还提出实时更新模板的方法来提高跟踪的准确性.实验证明本文算法对人脸跟踪具有很好的效果.     

使用粒子滤波和差分进化法实现轮廓跟踪

退化现象可能导致基于粒子滤波(PF)的轮廓跟踪误差增大甚至失败。为解决这一问题,提出一种将PF状态向量后验概率密度估计问题转化为最优化问题,并使用差分进化法(DE)求解轮廓跟踪算法。该算法的最优化目标函数定义为轮廓模型与运动目标边缘匹配误差;函数参数为运动参数向量;PF的状态向量分布空间作为DE的搜索空间。目标函数的最优解对应着运动参数的最优估计值。在仿真图像序列的轮廓跟踪实验中,重心位置误差不大于0.5pixel,每帧图像平均耗时约80ms。     

一种改进的C-V主动轮廓模型

本文对C-V主动轮廓模型进行改进.依据曲线演化理论对C-V模型中的图像数据力驱动项进行简化,提出一种常微分方程(ODE)类型的模型.理论分析验证了该模型的水平集函数可初始化为零.与传统C-V模型相比,不但具有其特点,如可以自动检测带孔目标的内轮廓等,而且具有以下优点:抗噪性能较优;水平集函数无需重新初始化,可快速计算出全局最优分割;远离轮廓的边界可以被准确检测;时间迭代步长不受限制.对合成和真实图像的分割结果证明了本文模型具有稳健、快速的优点.     

一种时变序列轮廓图像运动参数重建方法

针对现有的基于特征场的运动场估计方法对帧间位移比较大时运动参数建立困难的问题,提出了基于目标轮廓图像序列的运动估计理论和参数重建方法.该方法基于水平集方法理论,通过对二维轮廓线的标识处理,对轮廓线的演化运动序列进行了建模,并通过仿真试验进行了验证.本方法可用于重建瞬态目标及形变目标的运动位移、速度和加速度等运动参数检测研究.尤其可用于膛H火焰、爆炸过程分析等动态图像检测领域.     

一种改进的边界轮廓矢量化算法

左右于断层测量的反向建模中，物体断面图像序列的区域边界和实现模型重构的基础，如何从边界轮廓精确提取几何特征是实现重构的关键。本文提出一种改进的矢量化算法，该算法的基本思想是首先提取曲率极值点作为初始分段点。然后判定每两个相邻初始分段点之间轮廓线的形状，并区别直线段与曲线段分别进行拟合和矢量化。实践表明，该算法既能准确提取边界形状的特征关键点，又保证了重构后曲面的光滑规整。     

基于演化非对称核函数的均值漂移跟踪算法

针对传统均值漂移跟踪算法中采用的对称核函数模板中包含了较多背景像素点,影响跟踪精确度和稳定性的缺点,在固定非对称核函数的基础上对均值漂移跟踪算法进行了改进,提出了一种基于演化非对称核函数的均值漂移目标跟踪算法。本文算法首先介绍了将非对称核函数模板引用到均值漂移算法框架的关键问题——模板中心——的计算方法;其次将非对称核函数模板的表述和演化有机结合,提出了利用区域相似度的目标轮廓水平集演化算法并阐述了非对称核函数模板的更新策略。实验结果表明,相比现有的方法,本文提出的基于演化非对称核函数模板均值漂移跟踪算法具有更高的准确性和可靠性,同时也能满足一般目标跟踪任务的实时性要求。     

一种新的红外目标跟踪方法

一般的Snake模型用于目标跟踪时存在一些问题,如要求初始控制点位置非常接近于真实 轮廓、不能可靠跟踪快速运动目标、对目标的运动规律有许多约束条件等。在继承所提出的Auto-Snake模型跟踪算法优点的基础上,进一步采用最小二乘估计预测器对目标的位置进行预测,放宽对运动规律的约束,可以实现对快速运动(大位移)的目标的自动跟踪。     

基于在线学习的Siamese网络视觉跟踪算法

基于Siamese网络的视觉跟踪算法是近年来视觉跟踪领域的一类重要方法,其在跟踪速度和精度上都具有良好的性能.但是大多数基于Siamese网络的跟踪算法依赖离线训练模型,缺乏对跟踪器的在线更新.针对这一问题,本文提出了一种基于在线学习的Siamese网络视觉跟踪算法.该算法采用双模板思想,将第一帧中的目标当作静态模板,...     

低轮廓平板阵列天线跟踪体制研究

本文主要阐述了低轮廓平板动中通天线系统捕获、跟踪卫星的方法。低轮廓动中通天线利用捷联惯性系统辅助天线在初始状态下捕获卫星,利用电子波束倾斜的方法实现对信标信号和通信信号的捕获、跟踪,同时实现了当天线锁定卫星后通过接收机的差信号对惯性系统进行航向修正的功能。     

双重主动轮廓图像分割

本文首先利用小波变换得到原图像的粗分辨逼近,在粗分辨逼近中得到图像的一个粗尺度分割。由于逼近图像中噪声下降,尺寸减少,使得算法对参数的选取不太敏感,而且收敛速度加快。然后将第一次分割结果通过小波反变换返回到原始尺度上,将得到的近似轮廓曲线作为初始水平集函数再在原图像中演化得到更准确的分割,这样就得到了一种双重主动轮廓图像分割算法。由于初始轮廓曲线非常接近真实的轮廓曲线,所以很快就可以收敛到真实的轮廓。理论分析和数值结果表明,双重主动轮廓分割算法可以快速有效地分离出感兴趣目标。     

基于Moore-Penrose逆矩阵的选择性集成

本文提出了一种基于Moore-Penrose逆矩阵的新型选择性集成学习算法.先独立训练出一批个体学习器并为每个学习器指定一个初始权值,然后应用基于Moore-Penrose逆矩阵的算法对这些权值进行优化,最后选择权值较大的个体学习器进行最终集成.本文提出的选择性集成学习算法方法简单、易于实现,执行效率高.对8个真实数据集的实验表明,该集成学习算法相对于一般的集成学习算法,可以采用更少的学习器而获得更高的泛化能力.     

基于形状保持主动轮廓的椭圆状目标检测

本文通过形状约束方程(组)与一般主动轮廓模型结合,将目标形状与主动轮廓模型融合到统一能量泛函模型中,提出了一种形状保持主动轮廓模型即曲线在演化过程中保持为某一类特定形状.模型通过参数化水平集函数的零水平集控制演化曲线形状,不仅达到了分割即目标的目的,而且能够给出特定目标的定量描述.根据形状保持主动轮廓模型,建立了一个用于椭圆状目标检测的统一能量泛函模型,导出了相应的Euler-Lagrange常微分方程并用水平集方法实现了椭圆状目标检测.此模型可以应用于眼底乳头分割,虹膜检测及相机标定.实验结果表明,此模型不仅能够准确的检测出给定图像中的椭圆状目标,而且有很强的抗噪.抗变形及遮挡性能.     

A Deep Learning Hierarchical Ensemble for Remote Sensing Image Classification

Artificial intelligence, which has recently emerged with the rapid development of information technology, is drawing attention as a tool for solving various problems demanded by society and industry. In particular, convolutional neural networks (CNNs), a type of deep learning technology, are highlighted in computer vision fields, such as image classification and recognition and object tracking. Training these CNN models requires a large amount of data, and a lack of data can lead to performance degradation problems due to overfitting. As CNN architecture development and optimization studies become active, ensemble techniques have emerged to perform image classification by combining features extracted from multiple CNN models. In this study, data augmentation and contour image extraction were performed to overcome the data shortage problem. In addition, we propose a hierarchical ensemble technique to achieve high image classification accuracy, even if trained from a small amount of data. First, we trained the UC-Merced land use dataset and the contour images for each image on pretrained VGGNet, GoogLeNet, ResNet, DenseNet, and EfficientNet. We then apply a hierarchical ensemble technique to the number of cases in which each model can be deployed. These experiments were performed in cases where the proportion of training datasets was 30%, 50%, and 70%, resulting in a performance improvement of up to 4.68% compared to the average accuracy of the entire model.