基于非精确图匹配的CAD模型搜索方法

为了弥补现有的三维CAD模型搜索方法难以搜索到不同近似程度的相似模型的缺陷,提出一种基于面属性化邻接图非精确匹配的CAD模型搜索方法.首先提取CAD模型中的B-rep信息将CAD模型转化为面属性化邻接图;然后计算目标模型与被搜索模型的面属性化邻接图之间的顶点相容程度矩阵和边相容程度矩阵,并由此建立2个模型相似程度的度量作为选择不同顶点匹配矩阵M的优化目标函数;在对匹配矩阵M进行连续化松弛后,运用Sinkhorn行列交替规范化方法求解匹配优化问题.实验结果表明,采用该方法能够搜索到不同近似程度的相似模型;并且由于避免了具有NP复杂性的精确图匹配过程,检索效率也能满足实际要求.     

基于颜色匹配的密集多目标快速跟踪算法

研究公共场所的监控场景问题,为了实现密集运动目标的快速准确的跟踪并有效排除目标碰撞、遮挡形成的干扰,提出了一种基于颜色匹配的密集多运动目标快速跟踪算法,运用形态学方法准确提取目标。根据卡尔曼原理得到目标在下一帧的预测位置,并确定搜索框的位置,然后在搜索框内运用简化的颜色匹配跟踪方案,提高匹配速率,实现密集运动目标的快速跟踪,且通过设定稳定度数组来迅速排除碰撞、遮挡情况形成的干扰,从而实现密集目标的快速准确跟踪。仿真表明,改进方法能在多目标跟踪过程中正确处理目标的碰撞、遮挡等问题,可实现公共场所的实时准确监控。     

基于双索引的近似子图匹配

越来越多的大型复杂网络使得图结构的研究变得日益重要,其中近似子图查询备受关注。为了提高查询效率,利用顶点的邻接关系特征为每个顶点建立索引,减少了匹配顶点的数量;并基于结构和标签对大型数据图进行划分,缩小了匹配时的搜索空间。利用离线时建立的双索引,查询时首先利用顶点间的近邻关系判定公式过滤掉大量不满足匹配关系的候选顶点,然后在一定的划分空间中进行边的匹配。真实数据集中的实验表明,与单纯的划分方法或近邻关系索引相比较,双索引机制对于查询的效率和准确率方面均有明显改善。     

基于属性邻接图匹配的装配体模型搜索方法

为了重用装配体模型中包含的设计、制造和装配工艺等信息,需要在装配体模型数据库中搜索相似的装配体模型作为参考.为此提出一种基于属性邻接图匹配的装配体模型搜索方法.首先提取装配体模型中零件的接触面信息,将装配体模型及其零件模型分别转化为零件属性邻接图和接触面属性邻接图;然后计算用于零件模型匹配的成功匹配接触面数量、接触面关系编码数量以及用于装配体模型搜索的零件相似度矩阵,将其作为零件模型和装配体模型相似度度量;最后由最优匹配Kuhn-Munkres算法得到零件相似度矩阵最优匹配加权和,作为装配体模型相似度.实验结果表明,该方法能有效地搜索到相似的装配体模型,并且对模型的相似度进行了排序.     

基于遗传算法与模型投影的三维物体匹配

基于遗传算法与模型投影的三维物体匹配,实际上是三维参考模型投影参数的搜索和优化过程.本文采用粗细层次结合的策略,即先基于模型外轮廓,再进行整体边缘匹配的方法,使模型参数在优化过程中迅速得到正确的初始值,提高遗传算法优化的效率.相似度评价函数采用34Chamfer距离变换,提出使用距离变换的标记图方法建立目标图像边缘点与其距离图的对应关系,降低噪点的影响,目标图像的特征也可以通过对应关系在匹配过程中被引用.实验结果显示本文方法在三维物体匹配中的有效性.     

基于自学习近邻图策略的短文本匹配方法

针对自然语言处理中的文本匹配问题,提出一种基于自学习文本近邻图框架的深度学习模型,以处理短文本匹配问题。文本近邻图可使用词嵌入将文本转换为向量形式,再通过构建文本相似度关系矩阵获得,可表达文本样本的近邻关系。现有方法通常构造静态的近邻图,这些方法一方面依赖先验知识,另一方面难以获得句子对的最优表示。因此,提出了利用孪生卷积神经网络学习更优的动态更新的近邻图。该模型在Quora数据集上的准确率和◢F◣▼1▽值分别是84.15%和79.88%,在MSRP数据集上的准确率和◢F◣▼1▽值分别是74.55%和81.63%。实验表明,提出的模型能有效地提高文本识别和匹配的准确率。     

基于改进加权图转换的图像匹配算法

对提出的基于马氏距离的点匹配方法进行了理论分析与实验验证,针对马氏距离及加权图转换匹配方法的不足,将马氏距离融入到加权图转换匹配算法中,提出了一种新的稳健的图像匹配策略——基于马氏距离加权图转换的图像匹配算法。该算法利用图中的点及其K-近邻点的马氏距离中值和角度距离建立权重矩阵,根据不断更新得到的权值更新图,逐个剔除出格点,获得更加精确的匹配结果。仿真数据和真实图像实验对比结果表明该方法的可行性和鲁棒性。     

基于联合图频谱特征分析的异源图像匹配方法

针对光线强度过高或过低情况下的异源图像匹配问题,提出一种基于联合图频谱特征分析的异源图像匹配方 法。首先,采用K 近邻法则计算可见光图像与红外图像中角点的结构关系并构建联合图;接着,基于拉普拉斯分解计算联合图 中邻接矩阵的特征值从而得到邻接矩阵的特征向量,并通过三维重构构建特征函数对;第三,提出一种基于SU SAN -M SER - SU R F最大稳定极值区域检测器,检测特征函数对的极值位置;最后,通过对最大稳定极值区域进行归一化后匹配,可以得到 异源图像的精确匹配结果。实验结果表明,提出的基于联合图频谱特征分析的匹配方法能够解决光强过高或过低情况下的异 源图像匹配问题并取得较优异的匹配率。     

车道模型的高速公路车辆异常行为检测方法

针对高速公路上车辆的逆行、停车、轨迹异常等事件的检测问题,提出了一种基于车道模型知识的自底上向的车辆异常检测方法。首先由车道线的连续性、共线性的感知搜索出车道线和消失点,自动建立车道模型;然后在多车辆检测与跟踪时,通过目标运动位置预测和KLT特征点跟踪的方法建立表示目标区域交叠关系图,依据后验关系通过对图中节点对应目标区域的合并与拆分实现目标与实际车辆的一一对应,建立可靠的跟踪轨迹;最后基于消失点的坐标变换,计算车辆实际位置与速度,采用轨迹滑动窗口方法判断目标运动趋势并计算窗口内轨迹点平均速度,判断车辆的异常行为。实验结果表明,所提方法在不同天气、不同车流量环境中均有80%以上的事件检测率,同时算法简单,具有很好的实时性,能够适应实际高速公路智能检测设备的需求。     

不确定图上的高效top-k近邻查询处理算法

图的不确定性普遍存在,研究不确定图的高效查询处理具有重要意义.文中提出了不确定图上一种新型查询——近邻查询.给定一个查询标签集R和距离约束σ,在不确定图G上进行近邻查询是要找到标签集包含R并且任意两个顶点间距离不超过σ的匹配顶点集.为解决该问题,文中首先提出了“可靠期望距离”,然后基于可靠期望距离建立了高效的近邻关系图...     

基于注意力机制与图网络的多目标跟踪

在基于检测的多目标跟踪算法中,为了获取更具鉴别性的特征以及解决复杂场景下目标的频繁带来的目标丢失以及身份切换问题,提出了一种基于注意力机制与图网络的多目标跟踪算法。算法利用Resnet-34-CBAM网络作为外观特征提取网络,分别将相邻帧的外观特征、位置信息利用特征融合网络进行融合,将获得的融合特征与运动特征分别使用不同更新策略的图网络进行更新,分别获得融合特征与运动特征相似度,使用超参数将两种相似度结合,进而获得相邻帧目标之间的相似度。最终使用匈牙利算法完成关联实现跟踪任务。最后在MOT17数据集进行实验,相较MOTDT算法,MOTA指标提升2.7%,MOTP指标提升6.4%,IDF1指标提升5.9%。实验结果证明,提出的基于图网络与注意力机制的多目标跟踪算法可以有效提高多目标跟踪的整体性能,并有效降低身份切换。     

核函数带宽自适应的均值漂移目标跟踪算法

针对均值漂移(Mean Shift)算法在跟踪视频目标过程中核函数带宽固定不变的缺陷,提出了一种核函数带宽与目标大小自适应变化的Mean Shift视频目标跟踪算法.用Mean Shift算法搜索到目标,以搜索框中心不变,将搜索窗口扩大,并计算新搜索框的模型及每个像素的核函数权值;通过将每个像素点的核函数权值代替像素值,并利用不变矩计算方法,识别出能框选住目标的椭圆;根据椭圆参数反求新搜索框的大小(核函数带宽)及位置.实验结果表明,该算法能够有效地跟踪大小变化的目标,并且搜索框能较好地与目标大小相适应.     

基于随机一致性采样估计的目标跟踪算法

为了解决在实际监控中因为目标遮挡、外观变化和时间过长导致跟踪丢失的问题,提出一种基于随机一致性采样（RANSAC）估计的目标跟踪算法。算法首先在搜索区域提取局部不变特征集,然后利用特征匹配传递性和非参数学习算法从特征集中分离出目标特征,最后对目标特征进行RANSAC估计跟踪目标位置。将算法在不同场景的视频数据集上进行测试,分别从准确率、召回率和综合评价指标F1-Measure三个指标分析算法性能,实验结果表明所提出的算法提高了目标跟踪的准确性,克服了长时间目标跟踪产生的跟踪漂移。     

基于多模态数据的目标跟踪算法

为解决目标跟踪中目标遮挡、背景复杂等问题,提出一种基于多模态数据的目标跟踪算法。首先对各个模态数据进行像素级融合,以减少单模态数据中信息不足对跟踪结果的影响。然后对融合后的图像提取不同的特征进行滤波,接着将滤波得到的响应图进行决策级融合,以解决因单个模型漂移导致的模型跟踪失败问题。最后根据融合后的响应图的峰值得到跟踪结果。此外,在跟踪过程中加入遮挡检测模块,进一步增强模型鲁棒性。在普林斯顿跟踪基准上对算法进行评估,结果表明,与其他主流算法相比,基于多模态数据的目标跟踪算法在目标遮挡类视频上跟踪精度提升了8.4%,重合成功率提升了3.3%,具有较好的抗遮挡效果。     

基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法

针对穿墙雷达运动人体目标图像"闪烁"与"抖动"的特点,提出基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法。首先,针对形成的连续多帧穿墙雷达图像以及对应的颜色概率分布图,引入目标预测过程以确定图像中运动目标搜索波门,消除波门外的杂波干扰;然后,利用颜色概率分布图,在波门内自适应迭代调整目标搜索窗尺度,匹配形状与大小变化的目标图像以提取目标位置;最后,对提取的目标位置进行α-β滤波,形成连续平滑的目标运动跟踪航迹,实现基于穿墙雷达成像的建筑物内运动人体稳定航迹跟踪。多输入多输出（MIMO）穿墙雷达实验结果显示,与传统Camshift和Meanshift算法相比,改进后算法的跟踪航迹误差分别降低了40.99%和43.09%,获得了更加准确和平滑的目标运动航迹。     

基于图割理论的尺度自适应人脸跟踪算法

针对连续自适应的Mean-Shift（Camshift）算法跟踪人脸时尺度过度放缩这一问题,提出了一种基于图割的Camshift人脸跟踪算法。首先,在每一帧图像的Camshift迭代结果内建立图割区域,使用高斯肤色模型作为图割权值分割出图割区域内肤色团块;然后,计算该肤色团大小得到目标真实尺度,并比较与上一帧图像跟踪框内肤色团的尺度来判断是否需要重新跟踪目标;最后,再以该团块作为下一帧跟踪目标。实验结果表明,基于图割的Camshift人脸跟踪算法有效地克服了跟踪时其他肤色区域的干扰,能有效地反映人体快速运动中人脸真实尺度变化,同时防止Camshift算法丢失跟踪目标而陷入局部最优解,具有较好的可用性和鲁棒性。     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

融合目标形状信息及图割窄带优化的目标跟踪算法

提出基于图割窄带优化算法及融合目标形状信息的目标跟踪方法,首先采用卡尔曼滤波方法对目标新的位置进行预测,进而基于目标当前位置及分割结果估计目标的形状的信息,然后在目标预测位置采用窄带的图割优化算法并集成目标的形状先验信息对目标的进行分割,从而确定目标新的位置并得到目标新的轮廓结果,完成目标的精确跟踪。实验结果表明提出的方法具有良好的性能,能够精确有效的跟踪复杂背景中的运动目标。由于采用窄带图割分割优化,使得算法也具有良好的实时性,能够在实际中得到应用。     

基于高效卷积算子的异常抑制目标跟踪算法

传统的目标跟踪算法易受边界效应影响，且当目标因遮挡严重、运动模糊、光照变化等产生外观变化时，目标响应图会发生突变，从而降低目标跟踪检测结果的可信度。提出一种改进的高效卷积算子（ECO）目标跟踪算法。利用高斯混合模型生成紧凑且多样化的样本数据，采用因式分解卷积方法减少模型参数，引入空间权值系数和前后两帧响应图的变化率来弱化边界效应并抑制响应图突变，以提高目标跟踪算法的鲁棒性能和精度。实验结果表明，在光照、尺度变化等多种干扰下，该算法的成功率和距离精度较原始ECO算法分别提高3.1个百分点和1.9个百分点。