自适应不规则形状扩展目标跟踪算法

针对具有不规则形状的扩展目标跟踪问题,在目标先验形状未知和运动过程中目标形状发生突变的情况下,提出基于星凸形随机超曲面模型的自适应轮廓扩展目标跟踪算法.首先,研究星凸形扩展目标形状的径向函数傅里叶系数自适应设定问题,基于中心轮廓距离提出不规则形状的自适应方法.其次,针对扩展目标在运动过程中可能发生的形状突变问题,结合滑动窗口构造检测统计量对目标形变进行实时检测,并提出自适应轮廓快速逼近算法对形状突变的扩展目标进行实时跟踪.然后,提出一种拟Jaccard距离作为形状估计质量的评价指标.最后,仿真实验验证了本文所提算法的有效性.     

形变冗余的改进GHT目标双层定位方法研究

经典广义Hough变换可以较好地解决非形变目标定位问题,但对于存在形变的目标定位问题存在不少困难。为解决该问题,同时考虑如何提高检测定位速度与减少存储消耗, 在粗定位与精确定位两级框架下提出基于改进GHT形变目标两层定位快速算法。粗定位过程首先利用图像的局域二进制模式的直方图特征对图像进行全局搜索,检测出目标大致范围 ;在精确定位过程中,通过建立模板图像边缘像素的R表,使待检测图像边缘像素在约束的参数范围内依据该R表进行局部搜索,并通过一个投票结果散布窗对得到的累积矩阵进行 集中化处理,达到把每一点邻域内投票结果集中在某点的目的,从而给出最后的检测结果。实验表明,本文算法能够较好的解决一定程度形变目标的定位问题,同时减少了运算时 间以及存储消耗,检测稳定性高,具有一定应用意义。     

基于解析形式的二维参数可变形模板匹配算法

为了更好地进行图像轮廓提取，对基于解析形式的二维参数可变形模板匹配方法中的模板结构、形变方式、离散化方案、内外部能量函数及优化算法等方面进行了研究与改进，并以生物体为原型，提出了一种具有3种生物组织结构的、形变方式可通过模板结构加以明确控制的、新的参数可变形模板匹配算法，该新算法是利用Gaussian函数来扩展外部力的作用域，并采用贪心优化快速算法进行能量函数优化。实验结果表明，这一新的模板匹配算法具有良好的轮廓提取速度、提取精度及稳定性。     

改进的活动形状模型肺部轮廓提取算法

在医学临床实践和研究中经常需要对胸部DR图像的肺部解剖结构进行识别和精确定位,以获取有用的信息.本文采用一种形变模型分割技术--活动形状模型(Active Shape Motlel.ASM).对胸部DR图像进行肺部轮廓提取.为了提高ASM算法的性能,提出了一种改进的ASM算法.首先,精确定位肺尖和肋角的位置用作平均形状模型的初始化,并采用以轮廓点为中心的矩形区域的平均灰度信息进行轮廓匹配,其次,采用Gaussian金字塔多分辨率搜索策略,提高了定位速度.实验结果表明,与传统的ASM算法相比,该算法在肺部轮廓提取的速度与准确性均有显著地提高.     

基于背景提取和扩展均值漂移算法的目标跟踪

通过在静态背景模型下利用自适应背景提取和扩展均值漂移算法相结合的方法对人机交互式的目标跟踪作了进一步的改进。首先利用自适应的背景提取算法从带有运动目标的复杂背景中构建背景图,并提取出运动目标轮廓。在跟踪模块,在均值漂移算法的基础上加入协方差得到的扩展均值漂移可以很好地解决传统均值漂移算法在跟踪过程中因为目标的形状或大小改变而导致跟踪的框架偏离目标的问题。实验结果表明,该算法能够较好地实现自动、实时、较准确的跟踪目标效果。     

无线传感网络中目标定位的研究

在无线传感网络WSNs(Wireless Sensor Networks)中,现存的基于压缩感知的目标定位算法是假定目标均落在预定网格,当不满足此假设时,将极大地降低了目标定位算法的性能.为此,提出基于变分贝叶斯期望最大化的目标定位VBEM-TL (Variational Bayesian Expectation Maximization-based Target Localization)算法.VBEM-TL算法先利用一阶泰勒级数展开算法建立稀疏近似模型,然后将目标定位问题转化成稀疏恢复问题,再利用VBEM算法重构稀疏矢量.最后,依据重构的稀疏矢量估计目标位置.实验数据表明,提出的VBEM-TL算法能够有效地降低定位误差.     

基于先验形状的混杂活动轮廓模型及其在图像分割中的应用

提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状。将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的。通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力。     

一种视频目标轮廓跟踪的新算法

对双前沿活动轮廓模型进行了改进，提出一种鲁棒的视频目标轮廓跟踪新方法。通过限制支撑区域的大小，提高了演化速度。拟气球力的引入，既解决了因支撑区域限制导致的均匀区域内演化停滞的问题，又使参数调整更加容易，跟踪更加灵活。能较好地跟踪运动速度变化较大和形变较严重的目标，处理速度较快、并能自动适应目标拓扑的变化，适用于动态背景的视频。实验结果证明了该算法的高效性和鲁棒性。     

基于统计模型的遗传粒子滤波器人体运动跟踪

提出了一种基于统计模型的遗传粒子滤波器人体运动跟踪算法。引入局域二值模式(LBP)算子提取纹理特征,利用颜色直方图与纹理直方图相似度的加权和表示目标相似度,以有效解决自遮挡对跟踪的影响。利用该统计模型精确表示运动人体轮廓,目标形状可由一可变形状参数确定;采用遗传粒子滤波器作为跟踪算法以提高粒子滤波器的鲁棒性和精度。通过预测更新可变形状参数,再利用统计模型中目标形状与形状可变参数的关系得到图像序列各帧中人体轮廓,有效降低了计算量,从而达到快速而准确的跟踪目的。最后用上述方法进行了实验,验证了该方法的实用性和有效性。     

基于PSO的无线传感网络节点定位算法

研究稀疏无线传感网络下异常节点的准确定位问题。在信息较少的空旷区域,无线传感网络的传感节点分布较为稀松,为方便计算,多采用多跳距离代替节点间的真实距离,导致距离计算存在较大误差,在传统的基于分布式加权距离定位算法建立的网络分布模型中,节点定位准确度低,导致节点定位误差较大。为了解决上述问题,提出了一种粒子群优化的多维标度节点定位算法。采用多维标度算法求得各未知节点的初始坐标,利用粒子群优化算法对其目标代价函数进行优化求得未知节点的真实距离坐标,准确定位节点。实验结果表明:改进算法在定位精度上有明显的提高。     

先验形状力场参数活动轮廓模型及其医学图像分割

先验形状参数活动轮廓模型是一种抗噪声干扰稳定的图像分割方法.它具有对弱边缘、凹区域进行分割的能力,同时有较大的边缘捕捉范围.通过引入一种非距离性的先验形状力场,构建一种新的能反映先验形状的参数活动轮廓模型.新的先验形状活动轮廓模型避免了曲线之间距离的计算,减少了模型的复杂性.新的方法可以较好地解决传统型参数活动轮廓模型的一些本质缺陷.实验对带噪声且为弱边缘的医学CT图像和超声图像进行分割能得到理想的边缘轮廓.     

基于图像目标特征空间自学习分类算法

为解决图像分类过程中特征点选择的随机性对分类精度造成的影响,提出一种基于图像目标特征空间自学习分类算法。利用基于颜色和纹理特征的多通道局部主动轮廊模型找到图像的目标区域,在目标区域选取特征并对特征稀疏编码建立图像的目标特征空间。为进一步提高图像分类精度建立投票机制下基于图像目标特征空间的自学习算法。实验结果表明,该方法能避免特征选择的随机性对实验结果的影响,有效地提高图像分类的精度。     

融合凹点检测与仿射变换的活动轮廓模型

目的 针对基于矢量场的活动轮廓模型,如经典的梯度矢量流（GVF）模型、矢量场卷积（VFC）模型等,在提取凹形物体时矢量场常出现平衡点,不能较好地收敛到凹陷区域、尤其是深而窄的凹形及复杂凹陷区域的问题。提出一种融合凹点检测与仿射变换的活动轮廓模型。方法 首先利用活动轮廓模型进行曲线演化,得到演化后轮廓曲线上各点的坐标并求出各点的法线方向;然后基于凹点检测的方法,判断各点的凹凸性,利用梯度判断法,检测出未收敛到目标边界的凹点;其次对各凹点进行法向方向的仿射变换。在接近且不越过目标边界的情况下求出可变换的最大距离,变换后的点穿越了平衡点区域,让变换后的点代替原来的点形成新的轮廓曲线;最后为保证提取边界的精确性,将变换后的轮廓曲线再次演化并最终收敛到目标边界。结果 通过对具有凹陷区域的合成图像进行分割,计算提出模型分割结果的平均Jaccard相似系数（JS）值为95.51%,相比目前先进的GVF模型,VFC模型和自适应扩散流（ADF）模型分别提高了15.08%,12.09%和10.70%,整体效果上优于几种先进的模型。然后又对单/多目标真实图像及含噪的图像进行分割,证实提出模型分割性能的鲁棒性。结论 提出的模型有效地避免了凹形区域内的平衡点问题,可以对深凹形及复杂凹形图像进行有效分割,并且提高了分割精度。此外,该模型能融合到任何基于矢量场的活动轮廓模型中,具有广泛的普适性。     

基于超像素/像素协同约束和稀疏分解的活动轮廓模型

针对水平集图像分割模型的分割结果不够准确且对初始轮廓位置和噪声敏感问题,提出了超像素/像素协同约束和稀疏分解的活动轮廓模型。首先引入超像素提取图像块信息构造符号压力函数防止轮廓在演化过程中陷入局部最优;其次,构建了基于超像素/像素协同约束的能量泛函以弥补超像素无法保留局部细节的缺陷;同时,为了解决基于非全局信息的活动轮廓模型演化速度慢的问题,提出模型利用超像素块加速轮廓演化;最后引入了稀疏分解对模型进行优化以减弱局部噪声对分割精度的影响。与多种水平集分割模型的实验结果对比,证明了提出方法的有效性,尤其与原始的二值选择和高斯滤波正则化水平集模型相比,提出方法对噪声和初始轮廓位置不敏感,平均Jaccard相似度系数提升了34%。     

结合边缘和区域的活动轮廓模型SAR图像目标轮廓提取

目的 目标轮廓表征了目标形状,可用于目标方位角估计、自动目标识别等,因此提取合成孔径雷达（SAR）图像中的目标轮廓受到了人们的广泛关注。受SAR图像乘性噪声的影响,传统的目标轮廓提取方法应用在SAR图像时失效。针对这一问题,提出一种将基于边缘的活动轮廓模型和基于区域的活动轮廓模型相结合的活动轮廓模型。方法 以真实SAR图像为基础,分析了向量场卷积（VFC）活动轮廓模型以及区域竞争（RC）活动轮廓模型各自的特点和优势,发现这两个模型存在一定的互补性,因此将这两个模型进行了结合,得到了一种新的SAR图像目标轮廓提取方法。结果 基于真实SAR图像的实验结果表明,本文方法能较好地应对SAR图像信噪比较低、目标边缘模糊等特点,能准确地获得SAR图像目标轮廓。结论 本文方法可用于执行实际的SAR图像轮廓提取任务,为后续的SAR图像自动识别和特征级图像融合等任务提供了较为优良的输入信息。     

基于活动基模型的非刚体目标跟踪算法研究

近年来,非刚体目标跟踪技术作为视频目标跟踪中的一个难点受到了广泛关注。为了精确跟踪非刚体目标,克服跟踪过程中目标形状变化和遮挡带来的困难,提出一种基于活动基模型的非刚体目标跟踪算法。首先采用共享草图算法从目标训练样本集中学习得到目标的活动基模型,然后把活动基模型嵌入粒子滤波观测模型中。在对金鱼与企鹅序列跟踪的实验结果表明,与现有算法相比,该算法在非刚体目标形状变化以及存在遮挡的情况下,具有更好的跟踪性能。     

Contour-based object detection as dominant set computation

Contour-based object detection can be formulated as a matching problem between model contour parts and image edge fragments. We propose a novel solution by treating this problem as the problem of finding dominant sets in weighted graphs. The nodes of the graph are pairs composed of model contour parts and image edge fragments, and the weights between nodes are based on shape similarity. Because of high consistency between correct correspondences, the correct matching corresponds to a dominant set of the graph. Consequently, when a dominant set is determined, it provides a selection of correct correspondences. As the proposed method is able to get all the dominant sets, we can detect multiple objects in an image in one pass. Moreover, since our approach is purely based on shape, we also determine an optimal scale of target object without a common enumeration of all possible scales. Both theoretic analysis and extensive experimental evaluation illustrate the benefits of our approach.     

An active contour model with shape regulation scheme

This paper presents an active method for locating target objects in images, which is aimed at improving the performance of detecting object boundaries by enhancing the behavioral characteristics of an active contour. The proposed active contour model simulates a mechanical system consisting of two main parts: the first is a rigid fixture, called the 'core', specifying the expected shape of target boundaries, while the second is an elastic rod attached to the rigid fixture. The elastic rod deforms or moves relative to the rigid core according to the classical laws of the mechanical system. When the initial contour is applied to an image data, it is attracted near the dominant image features, but tries to keep its home shape and simultaneously make the deformation smooth if a deformation is more natural for force equilibrium. This mechanism significantly improves the performance of detecting object boundaries in the presence of some disturbing image features. The active contour is scale invariant, thereby significantly relieving the difficulty in selecting proper values for the model parameters. The values for the model parameters can be selected to make the contour have the desired behaviors around the equilibrium position through the analysis of the vibration mode of the mechanical system. The performance of the proposed method is validated through a series of experiments, which include detection of heavily degraded objects, tracking of objects under non-rigid motion and comparisons with the original snake models.     

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。