人体姿态识别算法在视觉人机交互中的应用

针对当下视觉人机交互应用中所面临的识别过程复杂,交互效率低等一系列问题,提出了一种基于人体构造的姿态识别算法。利用该算法和软硬协同的设计思想,在FPGA平台上实现了一套运用视觉感知进行交互的机器人控制系统。图像采集模块获取双摄像头的画面,图像预处理模块完成降噪和冗余帧的去除,关节识别模块实现对人体皮肤和关节处颜色标记的检测;得到的关节位置信息送入软核,运用空间向量模型识别出肢体动作。最终将识别结果编码后通过蓝牙传输给远端机器人。实际测试表明,该算法能快速准确地识别出绝大部分基本的肢体动作,机器人能实时跟随人体简单运动。     

机器人足球视觉目标的快速识别

本文基于YUV颜色空间,采用Minkowski距离对颜色进行分类;利用改进的差分法,对图像中的目标进行检测和识别,提出了一种识别机器人足球比赛中目标的快速算法,提高了系统的实时性,减少了程序的运算量。     

基于嵌入式系统的移动机器人目标识别方法

基于S3C2410嵌入式系统平台,提出一种高效实用的目标识别方法,把视觉辨识应用于移动机器人的目标识别中。从目标识别的流程上,首先采用一种全整数运算的RGBHSV颜色转换空间模型;然后以HSV颜色空间中H值为主,S值为辅的方式对图像进行二值化处理;接着采用一种快速的行扫描标记聚类算法找到二值化图像中的目标物体存在的连通区域。从而从颜色和形状上识别目标物体。经实验证明,谊方法在移动机器人运动场合中能较好的完成对目标物体的识别,实用性强。     

基于主元分析法的行为识别

通过研究,建立了一个基于主元分析的识别办体行为的系统,其方法是通过在Ｈ、Ｓ、Ｉ颜色空间对皮肤颜色建立高期模型,结合运动限制和区域连续性,系统地分割并跟踪人脸和双手,然后,在ＰＣＡ框架下,表示脸和手的运动参数曲线,并和范例进行匹配,这种通过对行为在时空域变化的建模方法,能在行为主体和成象条件有变化的情况下识别行为,以太极拳式谡列,来验证方法和系统的效果,实验结果证明了此方法误识率低,有一定的鲁棒性,     

基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

边缘双轮廓线阴影去除研究

为去除阴影对运动目标检测的影响，在传统基于颜色空间特性的阴影检测法基础上，综合边缘特征进行快速双轮廓阴影去除。通过前景物体的轮廓线形状特征及阴影与光源之间投影位置关系快速找到阴影定位点，在定位点附近轮廓线上结合灰度及颜色特性进行有针对性的搜索，找阴影与物体的交界点位置，标记为阴影的外轮廓线；根据外轮廓线长度和位置，求出S空间与之相对应内轮廓线，此时的外轮廓线包围阴影区域。最后，对该封闭的不规则阴影轮廓线进行基于像素点的校正和标记，并对物体反光面的自阴影进行H空间去除，得到更精确的去阴影效果。实验结果表明，该方法快速且有针对性的锁定阴影区域进行阴影去除，避免物体区域误检测，有较好的实时性和准确性。     

一种压缩域中的快速运动目标提取算法

论文提出了一种工作于MPEG压缩域的快速运动目标提取算法。算法以通过部分解码得到的运动向量和亮度分量的直流DCT系数作为输入,提取P帧的运动目标。首先采用鲁棒性回归分析估计全局运动,标记出与全局运动不一致的宏块,得到运动块的分布;然后将运动向量场插值作为时间域的特征,将重构的直流图像转换到LUV颜色空间作为空间域的特征,采用快速平均移聚类找到时间和空间特征具有相似性的区域,得到细化的区域边界;最后结合运动块分布和聚类分析的结果,通过基于马尔可夫随机场的统计标号方法进行背景分离,得到运动目标的掩模。实验结果表明该算法可以有效地消除运动向量噪声的影响,并有很高的处理速度,对于CIF格式的视频码流,每秒可以处理约50帧。     

基于彩色图像分割的机器人足球目标识别

研究了机器人足球视觉系统中基于彩色图像分割的目标识别的方法。为了适应光照条件的变化，采用分离出亮度信息的YUV颜色空间；将彩色图像分割分为离线的颜色分类和实时的分割、识别两个部分，并采用最大似然法完成颜色的自动分类，满足了机器人足球视觉系统实时、准确的要求。试验证明，在光照条件改变的情况下能够有效地进行目标识别。     

基于ELM运动想象脑电信号的分类

针对运动想象脑电信号的分类识别,提出一种基于小波变换和共空间模式滤波的方法进行特征提取。对EEG进行3层小波分解,提取相关层数小波系数的特征量;同时利用共空间模式对EEG进行空间滤波,提取其转换后信号的方差作为特征量,并将这两类特征量进行组合。该方法结合了时频域和空间域的特征信息,可提高分类识别的效果。最后选取BCI2003中Data setⅢ数据作为样本,分别用极限学习机和基于粒子群算法的支持向量机进行分类识别。实验结果表明极限学习机分类学习时间较快,最优识别率为94.2857%,证明了该方法更适用于脑机接口系统。     

基于YUV颜色空间和多特征融合的视频烟雾检测

针对基于视频的烟雾检测方法在复杂环境中存在高误报、高漏报问题,提出了一种基于YUV颜色空间和多特征融 合的视频烟雾检测算法。首先通过高斯混合模型检测运动区域,然后应用YUV颜色空间烟雾像素过滤方法确定疑似烟雾区域,进一步将疑似区域块分割后使用离散小波变换和均匀局部二值模式提取烟雾纹理特征,最后多特征融合并通过Real AdaBoost分类器进行火灾识别分类。实验结果表明,高斯混合模型能够有效检测运动区域,运动区域YUV颜色空间过滤可以滤除大量非烟雾像素区域,选取的烟雾特征及分类方法具有更高的识别精度,多个场景视频测试表明所提出的视频烟雾检测算法相比同类算法具有识别准确度更高、误报率更低,从而更符合不同的应用场景。     

压缩视频流中主要运动的定性分析

随着视频数据量的急剧增加，如何为海量视频数据建立高效索引并提供查询和检索能力成为目前信息检索领域重要的研究课题，许多研究表明，通过对视频中主要运动的定性分析，有助于实现视频内容的索引和检索，该文根据运动矢量的分布特性，运动矢量之间的相对关系特性等，提出了一种压缩视频流中主要运动的定性分析算法，实验结果表明该算法具有速度快，精度高，鲁棒性好等特性，非常适合于视频信息检索方面的应用。     

基于三参数模型的快速全局运动估计

提出了一种新的全局运动估计方法——基于三参数模型的快速全局运动估计.新的参数模型在保证准确性的同时,使用更少的参数来描述和估计全局运动,从而简化了计算复杂度.此外,对光流场计算做出了两方面改进：（1）提出了宏块预判的方法,计算光流场前对宏块的梯度信息进行预分析,通过减少参与计算的宏块数目提高光流场的计算速度;（2）提出了快速估计宏块运动向量的方法,在块匹配的过程中同时考虑图像的梯度和灰度信息,通过引入更多的约束提高运动向量的计算速度.实验证明了该方法的有效性.     

用小波分层模拟铅笔画纹理

基于原图像根据亮度分层的思想,提出了一种应用小波变换得到不同分层的新方法。采用小波将一幅灰度化后的图像分解并分别对低高频信息进行重构,提取重构后的三幅高频信息,添加高斯噪声,应用运动模糊生成不同方向的纹理。将彩色图像进行霓虹处理,再进行反相计算和灰度化,生成铅笔画中的轮廓。将不同的纹理方向和轮廓图按照一定的方法进行叠加,得到铅笔画图像。实验结果表明,与以往算法相比,能够更快速地将输入图像转换为铅笔画,取得令人满意的效果。     

视频微小运动放大的加速方法

通过放大视频中的微小运动,可以展现一些肉眼不可见的运动信息。原始欧拉视频放大技术（EVM方法）将输入的视频由RGB颜色空间转换为YIQ颜色空间,对视频的YIQ三个通道进行运动放大处理,这样的处理过程十分耗时。在原方法的基础上,分别提出了基于RGB颜色空间和基于Y通道的运动放大加速方法。将Y通道方法、RGB方法和EVM方法进行实验对比,结果表明：RGB方法相对EVM方法在处理速度方面有所提升,但是运动放大效果差别较大;Y通道方法相对于EVM方法在处理速度方面得到了明显的提升,而且在放大效果方面基本保持一致。     

基于运动特征的颜色粒子滤波器

传统颜色粒子滤波器不能对跟踪状态进行自我判断,粒子容易失效,导致目标跟偏甚至跟丢。针对该问题,设计一种基于运动特征的颜色粒子滤波器。在分析目标运动特征的基础上,改进系统运动模型,建立自适应背景颜色尺度;在跟踪过程中通过最优估计速度和加速度来判断粒子滤波器的跟踪状态,建立相应的捕获机制以跟踪目标。实验结果证明,改进的颜色粒子滤波器能对与背景相似的运动目标进行有效准确的跟踪。     

结合运动矢量和像素递归的全局运动估计方法

全局运动估计是计算机视觉、视频处理等领域中一项重要研究课题。结合运动矢量和像素递归提出一种新的全局运动估计方法,该方法根据块运动矢量求出运动矢量直方图,找出主要块运动方向作为初始的全局运动方向,并初始化全局运动参数。利用运动矢量间距离及类间方差求出运动矢量分割阈值,自适应地去除外点块区域。根据背景块梯度和值的大小,在每个背景块中选择一到两个特征像素点进行运动参数估计。实验结果表明,该方法具有较快的计算速度,同时也具有较高的计算精度。     

人体实体运动的自动检测

将人体运动系统视为由19个关节相连的实体构成的刚性框架系统,人体的连续运动就可用这19个表示人体运动的实体角随时间变化的曲线组表示。在被测人体的关节处粘贴图形彩色标记,根据人体运动的普遍规律,人体的运动是受约束的,所以可由计算机软件自动识别出人体各个实体在每幅图像画面中的实体角,得到人体连续运动动作的定量数据。     

基于运动模型的道路识别与跟踪算法的研究

自主驾驶与辅助导航是目前国际上研究的热问题,通过对室外行驶车辆上的ＣＣＤ摄像机所采集的长序列立体图象的处理与分析,研究公路汽车自动视觉导航中的道路识别与跟踪问题。     

Superpipelined high-performance optical-flow computation architecture

Optical-flow computation is a well-known technique and there are important fields in which the application of this visual modality commands high interest. Nevertheless, most real-world applications require real-time processing, an issue which has only recently been addressed. Most real-time systems described to date use basic models which limit their applicability to generic tasks, especially when fast motion is presented or when subpixel motion resolution is required. Therefore, instead of implementing a complex optical-flow approach, we describe here a very high-frame-rate optical-flow processing system. Recent advances in image sensor technology make it possible nowadays to use high-frame-rate sensors to properly sample fast motion (i.e. as a low-motion scene), which makes a gradient-based approach one of the best options in terms of accuracy and consumption of resources for any real-time implementation. Taking advantage of the regular data flow of this kind of algorithm, our approach implements a novel superpipelined, fully parallelized architecture for optical-flow processing. The system is fully working and is organized into more than 70 pipeline stages, which achieve a data throughput of one pixel per clock cycle. This computing scheme is well suited to FPGA technology and VLSI implementation. The developed customized DSP architecture is capable of processing up to 170 frames per second at a resolution of 800 × 600 pixels. We discuss the advantages of high-frame-rate processing and justify the optical-flow model chosen for the implementation. We analyze this architecture, measure the system resource requirements using FPGA devices and finally evaluate the system’s performance and compare it with other approaches described in the literature.     

稀疏光流快速计算的动态目标检测与跟踪

动态目标的检测与跟踪作为图像处理和计算机视觉学科的重要分支,广泛应用于军事和民用等各个领域。文中提出一种基于稀疏光流快速计算的目标检测和跟踪新方法,该方法通过计算能反映图像特征的特定像素点光流矢量来实现目标检测和跟踪,同时结合图像金字塔技术,可以检测和跟踪运动速度更快、运动尺度更大的目标。文中将该方法分别与稠密光流方法和基于颜色特征方法作对比,结果表明该方法有计算量小、能很好应对目标遮挡情况和能检测和跟踪运动速度较快的目标等诸多优点。实验在多种条件下对该方法进行了验证,跟踪准确率都能达到80%以上,且基本能符合实时性的要求,说明该方法具有可行性和实用价值。