基于模糊均值聚类算法的运动目标检测方法

在实时监控系统中利用模糊均值聚类算法来检测运动目标，有着良好的抑制噪音干扰效果，同时对小目标能够进行很好的检测和跟踪。     

基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

基于核的K-均值聚类

将核学习方法的思想应用于K-均值聚类中,提出了一种核K-均值聚类算法,算法的主要思想是：首先将原空间中待聚类的样本经过一个非线性映射,映射到一个高维的核空间中,突出各类样本之间的特征差异,然后在这个核空间中进行K-均值聚类。同时还将一种新的核函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性,分别利用人工和实际数据进行K-均值聚类和核K-均值聚类,实验结果显示对于一些特殊的类分布数据,核K-均值聚类比K-均值聚类具有更好的聚类效果。     

基于聚类的背景建模与运动目标检测方法

为克服目前动态背景建模方法中计算量和存储量大的问题,提出了一种基于聚类的动态背景建模与运动目标分割方法。由于动态背景下每个像素的取值在时间轴上呈多峰分布形式,因此将每个峰看成一个子类,用聚类技术快速实现了动态背景的建模与更新,然后利用建立的背景模型快速、准确地实现运动目标的分割。实验结果表明：提出的背景建模方法能有效捕获并适应背景的动态变化,可显著降低目前动态背景建模方法的计算量和内存需求量,易于在基于DSP 或 FPGA等硬件系统上实时实现。     

基于K-均值与蚁群混合聚类的图像分割

针对单一聚类算法在图像分割中容易陷人局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K-均值聚类和蚁群聚类相结合的新算法.新算法先将K-均值算法作快速分类,根据K-均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率.实验结果证明,新算法在图像分割处理的精确度上较单一的K均...     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

基于差分演化的K-均值聚类算法

传统的K-均值算法,因对初始聚类中心的选择敏感,存在容易陷入局部最优解的缺点,差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了克服K－均值聚类算法的上述缺点,提出基于差分演化的K-均值聚类算法,该方法结合K－均值算法的高效性和差分演化算法的全局优化能力,较好地解决了聚类中心优化问题。通过实验结果表明,此算法能够有效改善聚类质量。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于K-均值聚类算法的图像区域分割方法

提出了一种自动确定聚类数目的K-均值聚类算法,并基于这种算法介绍了一种彩色图像区域分割方法。这种方法首先选择合适的彩色空间,抽取图像的像素点颜色、纹理及位置等特征,形成特征向量空间;然后,在此特征空间中,运用提出的方法进行聚类和图像区域分割;最后,抽取图像区域的特征。对提出的方法进行了详细的介绍,给出实验结果分析,并与相类似的方法进行了比较实验。实验结果表明,提出的图像区域分割方法具有分割速度快、效果好等特点,适合于基于图像区域检索系统,具有较强的实用价值。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于SIFT特征的合成孔径雷达景象匹配方法

根据合成孔径雷达图像的特点,提出一种基于SIFT特征的合成孔径雷达(SAR)景象匹配的方法。首先利用改进的特征描述符初步提取实时图与参考图的SIFT 关键点;然后利用距离比和RANSAC算法去除错配,匹配出可靠的同名点对;最后计算反映实时图和参考图之间变换关系的转换参数,完成景象匹配。实验结果表明,本方法快速实用,有较强的有效性和鲁棒性。     

基于SIFT特征的人脸识别方法

根据人脸识别中对高独特性的人脸特征的要求,提出一种改进的基于SIFT算子进行人脸识别的方法,结合K-means聚类的模式匹配策略,采用局部相似性和全局相似性的计算方法对人脸图像进行相似度匹配,并在匹配过程中使用基于概率统计的权值赋予方案和相似度的平方来提高识别的准确性。实验结果证明,该方法具备鲁棒性和有效性。     

基于尺度不变特征的光流法目标跟踪技术研究

针对目标跟踪问题中目标和场景动态变化的问题,提出了一种结合尺度不变特征变换（SIFT）和光流估计算法并改进模板更新策略的目标跟踪算法。SIFT特征是一种局部特征,具有尺度和旋转不变性。光流场反映的是一种全局特征,表示像素点强度的变化。SIFT特征点可以很好地满足光流估计的条件。实验结果表明这种改进后的目标跟踪算法能应用于部分遮挡的情况,并且相对于传统光流法具有更高的精确度。     

基于SIFT和Daisy相结合的立体匹配算法

立体匹配是计算机视觉领域最活跃的研究课题之一,针对传统SIFT描述符在图像存在多个相似区域时易造成误匹配和Daisy的匹配效率会因200维的描述符而降低的问题,提出一种SIFT和Daisy相结合的立体匹配算法。该方法利用SIFT算法生成关键特征点,利用Daisy描述符自身具有的良好的旋转不变性,对特征点进行描述,利用特征描述符欧氏距离的最近邻匹配和种子区域增长得到视差图。实验结果表明,该方法匹配精度高,速度快,在部分遮挡、视点变化引起的图像变形等问题上有更好的表现。     

基于全局颜色传递的SIFT匹配算法

研究在不同光照条件下两幅彩色图像的匹配问题,提出了一种新的基于全局颜色传递的具有尺度不变性的特征变换（SIFT）匹配算法。新算法对不同光照下同一场景或目标的两幅彩色图像进行全局颜色传递,以减小匹配时由颜色差异带来的误差;利用SIFT算法提取处理后的图像的特征信息完成初步匹配;采用随机抽验一致性（RANSAC）算法消除误匹配点。实验结果表明新算法具有良好的彩色图像匹配性能。     

基于SIFT特征匹配的车牌识别方法

针对智能交通系统中基于视觉的车牌识别中存在的依赖于光学字符识别以及在复杂环境下准确率低的问题,提出了基于SIFT特征匹配的车牌识别方法。通过基于插值的超分辨率图像重建方法对车牌图像进行预处理,基于轮廓特征对车牌进行定位,通过SIFT特征匹配的方式,利用模板库中的车牌字符模板对车牌进行定位验证以及字符识别。实验结果表明该方法能有效提高车牌识别的效率。     

一种改进的SIFT图像特征匹配算法

针对传统SIFT图像特征匹配算法因其特征描述算子维度过高而造成的计算量大、实时性差的问题,提出一种基于内核投影的改进SIFT图像特征匹配算法。传统SIFT特征匹配算法采用平滑加权直方图计算特征点的梯度模值和梯度方向。采用内核投影算法对其进行改进,使生成的特征描述算子的维度降低,从而能够提高特征匹配效率。实验结果表明,改进后的SIFT算法具有较高的匹配精度,同时匹配时间有所减少,使实时性得到提高。     

改进型SIFT立体匹配算法研究

针对机器人视觉系统立体匹配中存在的匹配重复或错误等问题,提出了一种基于尺度不变特征变换（Scale Invariant Feature Transform,SIFT算法）和余弦相似度匹配规则的立体匹配方法。该方法以左、右两幅图像中特征向量较多的图像作为基准匹配图像,另一幅图像作为待匹配图像;再由二者的特征向量之间的余弦相似度所建立的匹配规则进行立体匹配。实验结果表明,改进型立体匹配方法有效地降低了匹配错误或重复比,具有较强的鲁棒性,匹配效果较佳,更加有利于机器人视觉系统的三维重建与定位。