相关峰实时模板判别方法的研究

本文提出了一种联合变换相关峰的实时判别方法，该方法采用参数图象的自相关峰分布作为实时模板，将相关输出结果与实时模板进行比较，通过计算二者的相似度确定目标图象与参考图象的一致性。实验结果对理论分析进行了良好的验证。     

遥测参数的实时判别

遥测参数代表了火箭或导弹等飞行器的实时状态,所以在任务中实现参数的实时判别已经是必须而紧迫的任务。详细讲述了遥测参数的子帧、副帧和特殊帧的结构形式,针对参数的各种结构形式提出了线性增长判断、越界判断和比特位判断等几种实时判决方法,在实际工程中得到了较好的效果。结合工程实践讲述了遥测参数实时判断软件的结构和实现方法,并介绍了工程软件开发过程中的一些经验和技巧。     

一种针对监控视频场景的压缩域运动对象分割方法

提出了一种压缩域背景建模与运动对象分割框架:首先提取H.264视频压缩码流中的MB-bits与4×4块残差系数,基于MB-bits场进行压缩域Vibe背景建模分割出宏块级运动对象区域,然后结合最大熵模型提取4×4边缘块进行运动对象轮廓细化最终分割出压缩域运动对象。试验对比分析表明,提出的算法能快速、准确地提取压缩域运动对象,系统具有一定鲁棒性。     

基于视频序列的运动目标检测

为了能够在数字视频系统中实时的检测出运动目标,提出了一种基于序列图像的运动目标实时检测方法.采用了改进的基于自适应背景提取与自适应阈值分割的背景差分方法提取运动区域,同时使用高斯滤波及形态学滤波消除噪声等,改善了对运动区域的提取效果.实际工程实践证明,该方法可以准确、有效的完成运动目标分割,经统计,检测准确率在95%以上.     

基于自适应背景图像更新的运动目标检测方法

在运动目标的实时检测中常用的方法是背景图像差分法,但因其缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了本方法的适应性.对此,本文首先提出了一种基于光流场等技术的自适应背景逼近更新方法,并根据彩色差值模型得到差分图像;然后引入Gauss模型实现运动目标的自适应阈值分割.实验结果表明:本文提出的背景更新方法可随着光照条件的变化实时、准确地更新背景图像,在此基础上提出的基于Gauss模型的自适应阈值分割方法可以实现运动目标的完整分割,这为运动目标的后续识别与理解奠定了基础.     

基于特征帧构建的运动目标检测方法

非参数密度估计在样本分析建模方面得到了很大的关注,尤其是核密度估计方法。但由于核密度估计方法计算量大,应用到运动目标检测方面很难达到实时效果。提出了一种特征帧构建的核密度估计方法。因为核密度估计不需要假设背景模型的密度分布函数,所有样本值又满足独立同分布的原则,所以可以通过特征帧构建的方法进行背景建模,同时应用此方法进行背景更新。实验结果表明:该方法能够适应环境变化且具有运算速度快、实时性好等特点,可以将其应用到复杂背景下的监控系统中。     

基于混合高斯背景模型的运动目标检测

运动目标检测是计算机视觉、图像理解、目标跟踪等领域非常重要的研究内容。为了能够及时检测到图像场景中的运动目标,本文选择建立混合高斯背景模型作为检测运动目标的方法,该方法能有效的提取出运动的目标及其携带的运动信息,取得比较好的效果。     

基于分块背景建模的运动目标检测技术

研究了视频监控系统中的目标检测技术,在分析比较几种目标检测算法的基础上提出了一种使用分块处理的方式建立初始背景模型的方法。该方法对视频序列图像中的噪声有较好的抑制作用,并且能够有效地克服因平均而造成背景模糊和阴影残留的缺点。为适应背景变化,在背景更新方法中结合三帧差分寻找像素值变化较大的像素点进行自适应更新。仿真结果表明,在背景减除中使用该方法能够快速、完整、准确地检测出运动目标。     

复杂场景下基于动态纹理的运动分割和背景估计方法

针对现有的运动分割和背景估计方法无法分割停止运动的对象、不适用于复杂动态场景等不足,首先提出一种基于动态纹理(DT)的背景-前景混合模型(FBM),实现动态场景下前景和背景的联合表示。FBM包括一组关于位置的DT成份和一组全局DT成份,前者用于模拟本地背景运动,后者用于模拟持续性的前景运动。其次,提出一种可学习FBM参数的EM算法及变分近似策略,使得FBM在不需要人工选择阈值和不需要单独训练视频的前提下,实现多种运动复杂场景下的前景运动分割,并检测出停止运动的对象。仿真实验结果表明,与当前最新的运动分割和背景估计方法相比,该方法可显著提升背景估计和运动分割的精度。     

基于运动生物力学的人体运动建模方法

针对当前关键帧运动数据捕获方法进行人体运动建模准确度低的问题,提出基于运动生物力学的人体运动建模方法。首先进行人体运动的生物力学数据分析和插值重建;然后构建运动状态方程进行人体运动建模关键数据的捕获和特征分析;最后进行仿真实验,结果表明,该方法提高了人体运动分析的准确率,对运动步行、跳跃、侧手翻等人体运动的重构能力好,结果具有一定的合理性。     

基于AdaBoost算法和光流匹配的实时手势识别

着眼于更宽泛和更便捷的应用需要,提出了基于AdaBoost算法和光流匹配的实时手势识别方案.只需连接到计算机的摄像头读取二维手势视频片段就能对手势作为较为准确的识别.其中,采用AdaBoost算法遍历图像,完成静态手势的识别工作;在动态手势的识别过程中,运用了光流法结合模板匹配的方法.整个系统对静态和动态手势的识别均具有较强的鲁棒性.     

基于触摸显示屏的人机交互手势分析

针对触摸显示屏的操作特点提出了一种基于元动作的触摸手势分类和表示方法,根据人机交互要求定义了一套笔画触摸手势,提出了基于RBF神经网络的笔画触摸手势训练和识别方法。测试结果表明,所提出的方法能够快速、准确地对触摸手势进行训练和识别,可以为带触摸屏的设备提供一个更加自然、直观的人机交互手段。     

基于多目标Camshift手势识别

基于单目视觉下的手势识别技术一般由手势建模、特征提取、手势匹配等几个关键技术构成。手势跟踪算法目前主流的是粒子滤波算法和Camshift算法。系统采用Camshift算法,将人手图像由RGB空间转换到HSV空间后,在HSV空间利用半自动预定义模板颜色对人手进行分割,并对其进行改进实现多目标跟踪,由于Camshift算法为半自动算法,在对手势进行跟踪前需对手势进行手动标定,系统采用了手势跟踪与手势识别技术结合的方法,改进了Camshift算法,解决了Camshift的半自动问题和实现多目标跟踪,实现双手的手势识别。     

基于图像的手势识别技术的专利分析

随着图形交互界面技术的发展,手势识别技术的研究日益受到重视,成为界面输入技术的研究热点,但是识别率和易操作性仍是制约手势识别技术发展的重要因素之一.针对基于图像的手势识别技术,分析了该领域历年专利申请数量及专利产出国的分布情况,并对该领域的热点技术手势分割和手势匹配进行了分析,希望对该领域研究者有所帮助.     

基于3D体感技术的动态手势识别

提出了一种基于3D体感机Kinect的图像处理手势识别算法,通过深度图像和骨骼图像的方法实现动态手势识别。首先在Kinect提供的骨骼图像中20个骨点中,选取2个离手部最近的骨骼点,通过追踪这两个骨骼点的位置来实现对手部的追踪,再通过判断手部的深度（即其相对于摄像头的距离）的变化来实现动态手势识别。     

基于三角核估计模型的运动目标快速检测方法

在资源受限情况下,针对视频监控系统的实时性要求,在摄像头静止场景下,通过三角核估计法并结合改进的帧差法实现运动目标检测.首先通过帧差法对场景中物体运动进行判断,并结合背景减法对于运动点进行预判,对已判为预运动点部分采用三角核估计模型对目标进行精确提取,在保证精度的情况下显著减少了运算量.同时引入一种快速有效的背景模型更新模式,使三角核估计法的样本数目大大减少,节约了硬件资源,提高了系统性能.     

基于改进型形状上下文描述子的字母手势识别

针对基于单目视觉信息的裸手手势,采用了基于改进型形状上下文描述子的分类识别方法。该方法首先通过肤色信息以及背景建模提取手部区域,然后利用单手指模板对手指进行检测,同时采用改进型形状上下文描述子对手部区域整体轮廓进行描述。在此基础上,使用有向无环图支持向量机(Directed Acyclic Graph Support Vector Machine,DAGSVM)对所提取的特征进行模式分类。其中,针对基本算法存在的问题,改进型形状上下文描述子将基于各个轮廓点的形状上下文直方图改为基于重心的形状上下文直方图,以提高计算速度,增强实时性。对30种字母手势,3种控制手势和10个数字手势开展的离线和在线实验结果表明,该方法取得了较好的分类准确率(离线:96%,在线:91%)和较高的实时性(识别时间14~15ms),适用于基于字母手势的实时人机交互。     

基于HMM方法的动态手势轨迹训练性能研究

基于HMM(Hidden Markov Model,隐形马尔可夫模型)对动态手势轨迹的训练是手势识别的关键技术之一。本文对HMM的模型训练采用Baum.Welch算法,并分别从迭代次数,样本个数选取,以及模型初值选取等方面对动态手势轨迹的训练性能进行了研究。实验结果表明HMM方法对具有时空特性的动态手势轨迹识别是非常有效的。     

基于运动窗生成的时空视频分割

本文提出了一种基于运动窗生成的时空视频分割方法.首先通过检测运动变化区域而生成运动窗,然后只对视频图像在运动窗内的部分进行时空视频分割,从而大大减少了运算量,提高了运算速度.此外,在空间分割中,本文提出了一种符合人眼视觉特性的逐级划分的空间分割方法;最后根据运动相似性将区域合并,完成视频分割.实验结果表明,本文的方法运算速度快并能有效地进行空间分割,最后能取得较好的视频分割结果.