非监督学习图像层次组合模型的研究算法

针对传统的监督学习图像模型对训练样本要求苛刻的问题,本文提出一种非监督学习算法,该算法不仅对训练样本要求简单,而且学习到的层次组合模型由能在位置和方向进行扰动Gabor小波组成,是一种可变形模板,因此一定程度上提高定位及分割算法在物体发生形变情况下的鲁棒性。经过多组实验结果表明,本文所提出的层次组合模型能高效地解决目标在发生形变、存在遮挡以及复杂背景下的定位分割问题。     

基于欧氏距离预测的Camshift目标跟踪方法

针对被检测的运动目标在图像中被遮挡后出现运动目标干扰的问题,提高目标跟踪的准确率,提出了基于欧式距离预测的Camshift目标跟踪方法。通过高斯检测前景、像素过滤、中值滤波、形态学膨胀及遮挡判断等措施,采用将Camshift算法与改进的预测器相融合的方法完成对运动目标的预测跟踪。当目标被遮挡时,自适应选取Kalman预测器或者线性预测器,预测运动目标可能出现的位置,再用Camshift算法搜索目标质心,提高搜索的准确性。实验结果显示,所提改进算法可有效地解决原有算法中目标跟丢率高的问题,且能满足跟踪的精度和实时性要求。     

基于时空马尔可夫随机场模型的车辆跟踪算法研究

鲁棒的车辆跟踪是实现交通事件自动检测的重要前提,车辆跟踪中的车辆相互遮挡则是影响车辆跟踪结果的关键因素。针对这一难题,设计自适应的车辆跟踪算法,并依据交通图像序列的时空相关性,根据马尔可夫的基本理论和贝叶斯方法,应用MRF-MAP理论分析框架,并结合了彩色图像序列的纹理信息建立了图像序列的时空马尔可夫随机场模型。采用随机松弛算法中的Metropolis算法来求解时空马尔可夫随机场模型,对车辆跟踪得到的目标标号图进行优化,从而解决车辆跟踪中的遮挡问题。初步实验结果,跟踪不遮挡的车辆时达到的跟踪成功率为95%。遮挡情况时成功率也可达到83%。实验结果表明,该跟踪算法在不遮挡时效果非常理想,在遮挡情况下跟踪鲁棒性也较好。     

基于深度学习的SPD人脸识别算法

本文提出一种自商图像法(SQI)、主成分分析法(PCA)和深度信念网络(DBN)相结合的SPD人脸识别算法。首先将人脸图像经过自商图像处理,勾勒其边缘特征。然后使用主成分分析法将高维自商图像降维至低维子空间。接着将训练集低维子空间的数据作为深度信念网络的输入,并对网络逐层进行训练。最后使用训练好的深度信念网络对测试集低维子空间的数据进行识别。对于遮挡性识别,采用遮挡分割法,减弱局部遮挡对整个图像的影响因子。经过反复实验验证,本文提出的算法在小样本中对脸部识别效果较好。     

记忆驱动的空时相关滤波跟踪算法

为解决目标跟踪中目标形变、遮挡等因素导致目标外观大幅度变化的问题,提出了记忆驱动的空时相关滤波跟踪算法。首先使用交叉熵公式度量前、后两帧模型的差异,以确定样本的置信度;然后通过置信度储存跟踪目标的外观记忆,并使用外观记忆对模型做时间上的约束,以增加跟踪模型的抗干扰性。基于公开数据集OTB2015进行算法性能测试,结果显示,所提出的目标跟踪算法的跟踪精度和跟踪成功率皆有所提升,尤其是对目标遮挡、形变类视频的跟踪效果提升显著。     

山岭公路隧道施工安全风险评估方法及其应用研究

由于山岭公路隧道施工安全风险大小与各安全风险影响因子之间存在非线性映射关系,引入混合核函数和粒子群算法,建立基于粒子群算法优化混合核极限学习机的山岭公路隧道施工安全风险评估方法.该方法依据山岭公路隧道地质与施工特征,建立隐含层节点特征映射混合核函数,采用粒子群算法对训练样本进行模型训练,同时对映射函数中混合核函数参数进行最小均方差寻优,获得山岭公路随道施工安全风险评估的混合核极限学习机模型并进行算例验证,结果表明所建模型可靠.     

山岭公路隧道施工安全风险评估方法及其应用研究

由于山岭公路隧道施工安全风险大小与各安全风险影响因子之间存在非线性映射关系,引入混合核函数和粒子群算法,建立基于粒子群算法优化混合核极限学习机的山岭公路隧道施工安全风险评估方法.该方法依据山岭公路隧道地质与施工特征,建立隐含层节点特征映射混合核函数,采用粒子群算法对训练样本进行模型训练,同时对映射函数中混合核函数参数进行最小均方差寻优,获得山岭公路随道施工安全风险评估的混合核极限学习机模型并进行算例验证,结果表明所建模型可靠.     

基于自适应结构局部稀疏外观模型法的视觉跟踪

本文基于MATLAB软件,通过利用局部结构稀疏外观模型的方法和一种新颖的队列池方法 ,利用跟踪目标的空间和局部信息实现目标跟踪。通过遍历所有图像局部块获得的相似性,不但能够准确定位目标而且处理了遮挡问题。此外,也使用了结合增量子空间学习和稀疏表达方法的模板更新策略,此策略可使模板实时更新,稳定性好。     

基于核相关滤波的多尺度绝缘子目标跟踪

针对输电线路巡检视频中的绝缘子目标跟踪背景复杂,不能适应绝缘子尺度变化的问题,提出了一种基于核相关滤波的多尺度绝缘子目标跟踪算法。该算法首先提取绝缘子Hog特征,通过最小化决策函数来训练一个分类器,得出绝缘子目标位置,最后引入多尺度估计方法,来确定绝缘子目标的大小,从而提高了绝缘子跟踪的精度。实验结果表明,本文提出的跟踪算法能够适应绝缘子尺度变化且与传统Camshift的算法相比,具有较好的跟踪性能。