指纹图像奇异点提取的一种鲁棒方法

提出了一种改进的奇异点的提取方法，选通过改进的Poincare指数计算，挑选出符合条件的候选点，然后在此基础上，利用径向方向会聚性，前景，背景分割和概率分布来筛选修选奇异点，用该方法对不同质量的指纹图像进行实验，并与经典方法进行比较，结果表明该方法更加有效、可靠，也具有更好的鲁棒性。     

基于鲁棒主成分分析的人脸子空间重构方法

子空间方法是人脸识别中的经典方法,其基本假设是人脸图像处于高维图像空间的低维子空间中.但是,由于光照变化、阴影、遮挡、局部镜面反射、图像噪声等因素的影响,使得子空间假设难以满足.为此,提出一种基于鲁棒主成分分析的人脸子空间重构方法.该方法将人脸图像数据矩阵表示为满足子空间假设的低秩矩阵和表征光照变化、阴影、遮挡、局部镜面反射、图像噪声等因素的误差矩阵之和,利用鲁棒主成分分析法求解低秩矩阵和误差矩阵.实验结果表明,文中方法能够有效地重构人脸图像的低维子空间.     

基于分层鲁棒主成分分析的运动目标检测

针对鲁棒主成分分析(RPCA)模型未能有效地利用运动目标时空连续性先验,容易将背景中的动态细节误判为运动目标的问题,提出了基于分层RPCA的运动目标检测方法.第一层RPCA模型对下采样的低分辨视频进行快速分解,动态地估计可能的运动区域,并利用时空域3D全变差模型来去除稀疏成分中的非结构化的背景扰动,确定显著的运动目标区域,生成运动区域map;第二层构建加权的RPCA模型,根据估计的运动区域map对候选前景进行阈值加权,鲁棒地检测运动目标,得到清晰完整的前景.实验结果证明,该方法能够有效地处理复杂动态背景的运动目标检测.     

一种改进的鲁棒多目标优化方法

针对在解决某些复杂多目标优化问题过程中,所得到的Pareto最优解易受设计参数或环境参数扰动的影响,引入了鲁棒的概念并提出一种改进的鲁棒多目标优化方法,它利用了经典的基于适应度函数期望和方差方法各自的优势,有效地将两种方法结合在一起。为了实现该方法,给出一种基于粒子群优化算法的多目标优化算法。仿真实例结果表明,所给出的方法能够得到更为鲁棒的Pareto最优解。     

基于帧间相似性约束鲁棒主成分分析模型的运动目标检测

针对鲁棒主成分分析模型RPCA(robust principle component analysis)未能有效地利用相邻两帧具有相似性这一特性,提出基于帧间相似性约束鲁棒主成分分析模型的运动目标检测算法。考虑到时间序列数据中相邻数据之间的相似性特性,在原始的RPCA模型基础上,引入帧间相似性约束条件,通过求解新的RPCA模型可以得到平滑的低秩数据矩阵和稀疏误差矩阵,有效保留了原有序列数据中的相似性结构。将该模型用于运动目标检测,观测图像序列分解成低秩背景矩阵和稀疏运动目标矩阵,对分解出的运动目标进行二值化,并对检测出的运动目标图像进行定性分析和采用Similarity与F-measure评判标准进行定量分析。通过实验结果分析,该算法能够有效地对运动目标进行检测,提高运动目标的检测率。     

鲁棒主成分分析的运动目标检测综述

目的 运动目标检测在许多计算机视觉任务中发挥了重要的作用。背景建模是运动目标检测中传统而又常用的方法。然而,许多背景建模方法是基于像素点的,对背景方面的考虑过于简单,难于处理真实视频。最近,将基于低秩和稀疏分解的鲁棒主成分分析应用于运动目标检测成为计算机视觉领域内的研究热点。为使更多国内外运动目标检测的研究者对鲁棒主成分分析方法进行探索和应用,本文对其进行系统综述。方法 融入最新研究进展,基于误差抑制、贝叶斯理论、时间和空间信息、多特征和多因素耦合,对各种国内外的鲁棒主成分分析模型进行归纳,并理论分析其优缺点。结果 本文采用变化检测数据集（change detection dataset）中不同场景的视频序列来对不同算法进行对比实验。从实验结果可知,属于第3类方法的DECOLOR 的检测效果优于其他算法,在均值对比中得到的召回率、精确率和F-measure分别为0.7、0.706和0.66。总体来说,当前改进算法都能有效地弥补最初鲁棒主成分分析方法的缺陷,提高了运动目标检测的精度。结论 鲁棒主成分分析在运动目标检测上取得了较多的研究与应用成果,在智能视频监控应用领域拥有广阔的应用前景。但是,其仍需针对鲁棒主成分分析存在的一些局限性进行深入的研究。融入前景运动目标在视频中的先验知识是基于鲁棒主成分分析的运动目标检测的发展趋势。     

鲁棒低秩稀疏表示的在线目标跟踪

为提高目标跟踪的准确性,针对当前目标跟踪算法因光照、遮挡以及姿态变化等因素引起的漂移问题,提出一种鲁棒低秩稀疏表示的在线目标跟踪算法(LRSP)。以粒子滤波作为目标跟踪的基本框架,通过联合采用低秩矩阵恢复和稀疏表示,发现连续帧和密集粒子之间潜在结构信息,降低数据维度,减少计算复杂度,提高目标跟踪的准确性。实验结果表明,相对于其它目标跟踪算法,LRSP算法可以更准确地跟踪目标,对光照和姿态变化具有良好的鲁棒性,对于严重遮挡目标跟踪问题具有明显优势。     

一种运动目标多特征点的鲁棒跟踪方法研究

提出了一种基于特征光流分割和卡尔曼滤波估计的鲁棒性的运动目标跟踪方法。该方法具有很多特点：首先在特征光流的计算中采用由粗到细的层级匹配算法，因而能够计算大的运动速度和具有更好的匹配精度；其次采用了有效的遮挡判决算法，该算法综合利用了先验的信息，对噪声的干扰不敏感；最后建立了线性卡尔曼滤波模型，当特征点被遮挡或丢失时，能够预测它们的位置，这使得跟踪更具有主动性。实验表明，该方法具有高精度、快速跟踪和很好的鲁棒性。     

卷积鲁棒主成分分析

鲁棒主成分分析(RPCA)是一种经典的高维数据分析方法,可从带噪声的观测样本中恢复出原始数据.但是,RPCA能工作的前提是目标数据拥有低秩矩阵结构,不能有效处理实际应用中广泛存在的非低秩数据.研究发现,虽然图像、视频等数据矩阵本身可能不是低秩的,但它们的卷积矩阵通常是低秩的.根据这一原理,提出一种称为卷积鲁棒主成分分析...     

一种鲁棒的Kalman滤波方法

在目标跟踪测量中,由于各种噪声的影响,Kalman滤波算法对野值数据的估计经常出现较大误差,直接影响了定位结果.修正增益的滤波方法在野值相对较小的情况下误差不能有效的识别.为此,提出残差权重自适应抗野值的Kalman滤波方法,该方法能明显的降低野值对定位结果的影响,对实测数据的仿真结果表明了该方法的有效性,满足试验要求.     

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。     

一种新的无监督前景目标检测方法

针对基于无监督特征提取的目标检测方法效率不高的问题,提出一种在无标记数据集中准确检测前景目标的方法.其基本出发点是:正确的特征聚类结果可以指导目标特征提取,同时准确提取的目标特征可以提高特征聚类的精度.该方法首先对无标记样本图像进行局部特征提取,然后根据最小化特征距离进行无监督特征聚类.将同一个聚类内的图像两两匹配,将特征匹配的重现程度作为特征权重,最后根据更新后的特征权重指导下一次迭代的特征聚类.多次迭代后同时得到聚类结果和前景目标.实验结果表明,该方法有效地提高Caltech 256数据集和Google车辆图像的检测精度.此外,针对目前绝大部分无监督目标检测方法不具备增量学习能力这一缺点,提出了增量学习方法实现,实验结果表明,增量学习方法有效地提高了计算速度.     

一种复杂背景下的运动目标提取算法

本文首先概述了目标提取的诸多算法,然后针对复杂背景下的运动目标提取,重点研究了帧间图像差分算法,设计了一种目标提取算法模型,最后提出了一种基于对象的目标提取方法并进行了仿真实验。     

视频监控系统中运动目标检测的阴影去除方法

在分析了阴影产生的原因及视觉特性的基础上,针对固定场景的运动目标检测问题,提出了一种具有实际应用价值的阴影检测与去除方法。该方法通过背景建模和背景差分方法分割出运动目标及其可能存在的阴影,采用光照评估方法判断阴影是否存在,进而运用多梯度分析和二值图像的快速聚类算法检测出阴影,去除阴影并分割运动目标。实验验证了该方法的有效性。     

基于综合信息的多尺度视频对象提取算法

提出了一种基于图象颜色和细节信息的多尺度视频对象提取算法。在低尺度下根据颜色信息进行初始粗分割;随着尺度的增加,利用对象的细节信息对分割结果进行细调整,直到达到需要的精度;最后,利用形态学的有关算法对分割区域进行填充、平滑。实验证明,算法的提取速度快、定位准确,可以用于视频序列中关键帧(I帧)的对象提取。     

工业场景中背景特征的建模要素分析

随着现代制造业对产品质量、生产效率和操作安全性要求的提高,视频监控在现代制造业中的应用越来越广泛,对视频处理的精度与速度要求也越来越高.运动目标检测是视频理解和分析的基础,因此面向工业场景的运动目标检测算法一直是一个研究热点.作为算法的重要组成部分,运动目标检测所用到的背景特征在以往并没有受到足够的重视.为此本文,从像素数据和已有算法中获取背景特征,给出相关特征和数据的可视形态表示,支持更直观的方式辅助获取这些背景特征之间的关系,进一步给出背景特征模型,同时本文得到的背景特征关系可以指导算法设计.     

GLA聚类算法在视频对象提取中的应用

针对彩色视频对象提取，提出了基于GLA聚类算法对图像进行量化的方案。文中讨论了两种不同的GLS聚类方案，给出了各自的实现方案，并比较了结果。在具体实现时,根据人的视觉特性，采用了Lab彩色空间，并引入了PGF（同等组滤波）方法对图像进行噪声滤波，去除噪声的同时有效地保留了图像的边缘和细节信息。     

运动目标检测中的阴影去除方法

采用背景差分法检测运动目标时常常将阴影点检测成前景点,对目标分割与提取产生严重影响。为了准确提取运动目标,提出了一种基于YUV颜色空间色度畸变和一阶梯度模型进行阴影去除的方法。实验表明该算法抗干扰能力强,而且复杂度较低,易于实现实时运动图像处理。     

基于压缩域的视频关注对象提取

针对视频压缩域的对象分割问题,提出了一种视频对象精确提取方法.先将视频对象的颜色空间进行均值偏移和区域生长,得到分块的视频图像.同时对视频编码过程中所产生的运动矢量统计熵值,提取出视频中能引起人眼关注的运动对象.最后利用提出的对象轮廓精确分割方法,提取视频关注对象.实验表明该算法能精确和完整地分割出视频关注对象,并对视频中关注对象的切换、物体的非刚性形变有很好的鲁棒性.     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。