基于局部模型匹配的目标轮廓跟踪

在复杂背景下,传统轮廓跟踪方法会发生漂移,甚至丢失目标。针对上述问题,提出一种基于局部模型匹配（LMM）的目标轮廓跟踪算法。利用超像素技术结合EMD相似性度量构建局部特征模型,从而进行局部模型匹配。结合粒子滤波的Snake模型作提取目标轮廓,实现目标轮廓精确跟踪。实验结果表明,该算法在目标形变、部分遮挡、复杂背景等条件下均具有较高的跟踪成功率。与多种目标轮廓跟踪算法进行对比,该算法具有较高的准确性和鲁棒性。     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

基于几何活动轮廓模型的目标跟踪与快速运动估计

为了快速灵活地实现对图像序列中的目标运动的跟踪与描述,首先基于几何活动轮廓模型,提出了一种目标跟踪与运动估计的耦合变分模型,该模型可在进行多个目标跟踪的同时,估计运动矢量场,并以此修正跟踪的结果;然后分别从耦合模型的两个方面,讨论了模型对序列图像处理的执行效率和精度,接着针对耦合框架中的目标跟踪环节,改进了几何活动轮廓模型的外力场,从而增强了模型的跟踪能力和收敛速度;最后针对运动估计问题,由于耦合框架基于几何活动轮廓模型,因此框架在跟踪过程中,天然地提供了图像水平集信息,并在此信息的基础上,提出了一套用于快速计算图像序列局部目标的运动矢量场的方法,其对混合有非刚性运动的目标也能有较好的逼近结果。多种类型图像的数值实验结果证明,整套框架是有效的和鲁棒的,而且与经典光流方法进行的对比实验表明,新算法可以快速准确地同时估计图像序列中局部运动目标的轮廓位置与运动参数,从而为后续图像分析与处理打下了良好的基础。     

基于局部与全局拟合的活动轮廓模型

针对局部二值拟合(LBF)模型容易陷入能量泛函局部极小值的问题,提出基于局部与全局拟合的活动轮廓模型。引入一个衡量某点处局部区域内灰度分布是否均匀的特征函数,将LBF模型中的局部拟合项与CV模型中的全局拟合项相结合,同时保留LBF模型分割灰度不均匀图像和CV模型全局收敛性的优点。实验结果表明,该模型能够分割灰度不均匀图像,对初始轮廓的依赖性较弱,并且具有一定的抗噪性。     

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。     

基于几何活动轮廓模型的图像分割

为降低噪声对图像分割的影响,提出一个几何活动轮廓模型,并应用变分方法求解出模型对应的水平集曲线演化的偏微分方程。该模型考虑到图像区域和边缘的先验信息,并充分考虑图像的统计信息。引入一个惩罚项作为内部能量项,以避免耗时的重新初始化过程。为了验证模型的有效性,文中基于简单的高斯型概率密度函数建立分割实例,结合应用高效且无条件稳定的AOS算法进行分割实验。实验结果表明,模型准确性较高,具有良好的抗噪性、高效性。     

基于几何活动轮廓模型的人脸轮廓提取方法

针对在结构性噪声较严重的情况下 ,常规几何活动轮廓模型无法获得理想分割效果的问题 ,提出一种基于几何活动轮廓模型的人脸轮廓提取方法 ,该方法首先将人脸形状的椭圆性约束作为算子嵌入到几何活动轮廓模型中 ,并利用几何活动轮廓模型提取任意轮廓的优势来快速抽取出图象中类似椭圆的目标边缘 ;然后根据图象中人脸的先验知识 ,通过对检测到的椭圆目标进行进一步验证来找出最终人脸轮廓 .由于采用变分水平集方法做数值计算 ,因此该方法不仅能够自然地处理曲线的拓扑变化和能较精确地提取出图象中的人脸轮廓 ,而且同时可以给出人脸水平旋转的大致角度等信息 .实验结果表明 ,该方法是有效的 .     

基于区域的活动轮廓模型

基于区域几何活动轮廓模型已经成为目前最流行的图像分割方法之一。本文主要介绍了自Mumford-Shah模型提出以来基于区域几何活动轮廓模型的发展演变过程,分析其中几种典型模型,并对他们的优缺点加以评述,最后指出进一步的发展方向。     

基于核特征距离的局部活动轮廓模型

提出了一种基于核特征距离局部活动轮廓分割模型。在模型中使用核特征距离来构造局部拟合能量,从而可以获取精确的局部图像特征,可以分割存在灰度不均匀的图像。并通过引入水平集规范项以避免水平集演化的重新初始化,提高了分割的效率。实验结果表明,本模型可以很好地克服灰度不均匀性,同时在分割精度上有了较大的提升,特别是分割速度比LBF模型快1.3～1.5倍。     

基于符号压力函数的几何活动轮廓模型

针对几何活动轮廓(GAC)模型的诸多缺点,提出一种基于符号压力(SPF)函数的活动轮廓模型。采用一种基于区域统计信息的符号压力函数作为边界指示,能够提高演化曲线在运动过程中对模糊边界的识别能力和抗噪能力。相对于传统几何活动轮廓模型,所提模型具有如下特点：一是能够有效分割边界模糊的目标;二是更具抗噪能力;三是轮廓线运动具有双向性。实验结果表明了所提模型的有效性。     

采用测地线活动轮廓模型检测与跟踪运动目标

水平集几何活动轮廓模型能较好地适应曲线的拓扑变化.为了跟踪和获取刚体和非刚体运动目标的轮廓信息,提出了一种基于改进测地线活动轮廓(GAC)模型和Kalman滤波相结合的算法以检测和跟踪运动目标.该算法首先采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内采用引入距离规则化项的GAC模型进行曲线演化,使改进GAC模型在运动目标的真实轮廓处收敛;然后通过结合Kalman滤波预测目标下一帧的位置,实现对目标轮廓跟踪.实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测和跟踪效果.     

基于加性算子分割的快速静磁场主动轮廓模型

针对静磁力主动轮廓模型计算复杂度较高,收敛速度较慢的问题。将该模型对应的水平集方程做隐式数值化,采用加性算子分割方法（AOS）求解。实验发现,这种改进后的静磁场主动轮廓模型不仅保留了原有模型的优点,而且提高原有模型的收敛速度和稳定性。     

基于Gabor小波的几何活动围道纹理图像分割方法

用活动围道分割纹理图像时,纹理经常被分割为一个个独立的区域,影响了分割的质量。针对此问题,提出了一种基于Gabor小波的几何活动围道分割新方法。该方法先用Gabor小波对纹理图像进行特征提取,再用几何活动围道模型进行分割,模型求解时采用了无需初始化的曲线演化方法,减少了计算量。对自然界真实图像和合成纹理图像的分割实验结果说明,与传统几何模型分割法相比,提出的分割方法精度高、速度快。     

基于改进几何活动轮廓模型的图像分割算法

针对传统几何活动轮廓（GAC）模型易出现边界泄露的缺陷,提出一个基于改进GAC模型的图像变速分割算法。该算法结合了图像边缘梯度信息和边缘角点坐标信息,通过改变演化曲线在角点及弱边界处的常量速度,避免活动轮廓曲线继续演化进入目标边界内,造成边界泄露和角点丢失现象,影响目标轮廓提取的准确性。实验结果表明：该算法可使演化曲线更加准确地停在目标边缘,并且在一定程度上减少了边界泄露问题。     

先验模型约束的抗干扰轮廓跟踪

目的 基于水平集的轮廓提取方法被广泛用于运动物体的轮廓跟踪。针对传统方法易受局部遮挡、复杂背景等因素影响的问题,提出一种先验模型约束的抗干扰（AC-PMC）轮廓跟踪算法。方法 首先,选取图像序列的前5帧进行跟踪训练,将每帧图像基于颜色特征分割成若干超像素块,利用均值聚类组建簇集合,并通过该集合建立目标的先验模型。然后,利用水平集分割方法提取目标轮廓,并提出决策判定算法,判断是否需要引入形状先验模型加以约束,避免遮挡、复杂背景等影响。最后,提出一种在线模型更新算法,在特征集中加入适当特征补偿,使得更新的目标模型更为准确。结果 本文算法与多种优秀的轮廓跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Fish、Face1、Face2、Shop、Train以及Lemming视频图像序列下的平均中心误差分别为3.46、7.16、3.82、13.42、14.72、12.47,算法的跟踪重叠率分别为0.92、0.74、0.85、0.77、0.73、0.82,算法的平均运行速度分别为4.27 帧/s、4.03 帧/s、3.11 帧/s、2.94 帧/s、2.16 帧/s、1.71 帧/s。结论 利用目标的先验模型约束以及提取轮廓过程中的决策判定,使本文算法在局部遮挡、目标形变、目标旋转、复杂背景等条件下具有跟踪准确、适应性强的特点。     

一种区域自适应主动轮廓模型的图像分割方法

为了有效地分割灰度不均匀图像,提出了一种区域自适应主动轮廓模型,在该模型中,定义了一个包含全局能量项和局部能量项的能量泛函。在算法的初期,全局能量项占主导地位,它具有收敛速度快、对初始轮廓不敏感的优点。在算法的后期,局部能量项占主导地位,它具有定位精度高的优点。理论分析和实验结果表明,该模型具有收敛速度快、分割精度高、对初始轮廓不敏感等优点。     

基于非局部总变差的图像分割活动轮廓模型*

在一般活动轮廓模型的连续全局极小化方法基础上,利用四种非局部总变差,给出了一种具有连续全局极小解的非局部活动轮廓模型。由于该模型的非局部特性,在分割过程中能有效地去除图像中的噪声,同时保留那些重复的精细结构。数值实验证明,该模型能将图像中的主体结构和精细结构很好地分割出来,而标准活动轮廓模型的分割结果中则丢掉了许多小的精细结构。     

一种改进的活动区域轮廓模型——无需水平集重新初始化

基于区域的活动区域模型已经成功应用在图像分割、目标跟踪等领域,较之基于梯度的活动轮廓模型具有很多优点。但是,这些水平集模型在演化过程中,为了保持为符号距离函数,必须对其重新初始化,降低了曲线演化速度,增加了实现复杂度。为了解决重新初始化问题,在测地活动区域模型的能量函数中,加入惩罚项来约束水平集保持为符号距离函数,无需再重新初始化,极大地提高了演化速度。将其运用在纹理图像、脑MR图像分割以及视频跟踪中,实验证明该模型是有效的。