基于轮廓分段特征描述的遮挡目标识别算法

针对传统目标识别算法对于遮挡目标识别准确率低的问题,提出了一种基于轮廓分段特征描述的遮挡目标识别算法。该算法首先采用离散曲线演化算法初步划分目标轮廓,根据分段起伏度进行分段优化,得到完整描述目标轮廓特征的有效分段;然后通过动态规划算法分析轮廓分段之间高度函数特征的相似度,利用特征显著度评价分段特征相对于目标整体特征的重要性;最后将分段之间的相似度和其特征显著度相结合,得到衡量识别准确率的联合相似度,获得最终的识别结果。通过对MPEG-7测试集进行实验分析,证明所提算法能够有效地对遮挡目标进行匹配识别,识别率优于常见的遮挡目标识别算法。     

基于轮廓分段特征可信度的遮挡目标识别算法

针对传统目标识别算法在目标遮挡情况下识别准确率较低的问题,提出一种基于轮廓分段特征可信度的遮挡目标识别算法.为获取有效分段,提出了基于弯曲度的轮廓分段优化算法,首先根据轮廓曲率分布进行初步分段,再根据分段的弯曲度进行分段优化,得到有效分段.然后用重要性和局部性两个参数对分段的特征可信度进行评价.在此基础上提出加权相似度...     

基于轮廓特征的车辆遮挡检测和分离算法

在交通场景下进行多目标跟踪时,如何正确检测出车辆间的相互遮挡是影响车辆跟踪结果的影理论分析交通场景的三维几何投影特征.用长方体投影轮廓模型对车辆进行建模,重构其三维投影轮廓,以进行遮挡的检测和分离.与以往的方法相比,它在估计出的车辆外形轮廓基础上进行遮挡检测,不需要匹配操作,计算量较小,并能解决基于匹配的方法无法对付的初始遮挡问题.用实验验证了该算法的有效性.     

平面轮廓的分段与识别技术

采用十一点法计算轮廓的近似曲率，该处比普通的三点法具有更强的抗噪性，提出利用曲率差分图进行特征点识别，并根据曲率差分图中轮廓特征点对应的波形特点，一次性将特征点识别为角点与切点，最后，对特征点间的线段类型加以识别，并进行连接调整和圆弧的分割与融合，从而较精确地实现了平面轮廓的分段及识别。     

基于角点的CT影像轮廓遮挡识别

针对CT影像中的启发式轮廓提取,提出了一种根据上层轮廓识别的当前轮廓遮挡的算法。使用基于曲线的弧长参数化方法识别遮挡,这种方法能够识别出轮廓的所有遮挡,但是,轮廓中的非遮挡部分也可能被识别为遮挡。利用DCSS（直接曲率尺度空间）在上下轮廓中自动识别和匹配角点,进一步设计基于角点的遮挡收缩技术,通过匹配的角点缩短或者删除被错误识别的遮挡。大量的实验研究表明,该算法可以有效、准确地识别所有轮廓的遮挡。     

基于多线程的分段图像轮廓跟踪算法

针对将轮廓分段,并对每段单独进行或全部区段同时进行轮廓跟踪的需求,提出了基于多线程的分段图像轮廓跟踪算法,采用C#语言进行了程序实现.并以面向对象的观点,将轮廓跟踪操作封装成类.一段轮廓的跟踪对应一个线程和一个轮廓跟踪类的对象.应用表明,基于多线程的分段图像轮廓跟踪算法很好地解决了图像分段轮廓跟踪的问题,不仅可以灵活地对整个轮廓中所关心的某几段或所有段进行跟踪,而且各段轮廓的跟踪过程能够相互通信,跟踪速度快、效率高.     

基于姿态模型的人群目标分割方法

多相机间运动目标的跟踪与识别需要获得尽可能准确的目标区域。针对人群目标的粘连问题,提出一种基于姿态模型的人群目标分割方法。依据人体在运动过程中姿态的变化规律,构造7种出现频率较高的姿态模型。依次对单个目标和联合目标进行模型匹配,获得各个目标的位置、大小以及运动姿态信息。实验结果表明,该方法能有效解决相互遮挡情况下的目标分割问题。     

基于路径轮廓的三维目标识别

骨架能更有效地反映出目标的拓扑结构和细节变化, 因而在三维目标识别中得到广泛应用, 但存在的基于骨架的识别方法均要求骨架端点位于轮廓曲线上, 并且识别精度受骨架端点排序的影响。针对该问题, 提出了一种新的基于路径轮廓的三维目标识别算法。该算法首先定义了一种新的特征点——骨切点, 并根据骨切点在轮廓曲线上的顺序关系, 对骨架端点进行排序; 然后利用路径轮廓对目标轮廓进行分割; 再构造一种新的局部不变特征, 并结合hash表以识别三维目标。实验结果表明, 该算法对存在部分遮挡或缺损的三维目标仍有较好的识别效果。     

局部遮挡下的目标识别算法

规格化互相关算法是用得较普遍的目标识别方法,但是当目标区域被局部遮挡时,该方法通常不能正确定位目标.提出了一种新的基于选择互相关系数的目标识别算法用于搜索有局部遮挡的目标区域.算法分两步进行:用增量互相关算法计算出模板图和场景图的增量图像,比较二者增量图像的一致性,计算出选择互相关系数矩阵;结合选择互相关系数矩阵,用规格化互相关算法在场景图中搜索目标区域.当场景图存在较严重的噪声时,可对选择互相关系数矩阵进行修正以克服噪声的影响.实验结果表明,基于选择互相关系数的目标识别算法对局部遮挡和高亮度变化情况有较强的鲁棒性.     

利用多种特征和Hopfield神经网络的有遮挡的目标识别

该文提出了一种新的识别有遮挡目标的方法,即将目标模型和含有目标的遮挡图象的轮廊在某一尺度上张角的极值、极值点（亦称显著点）之间距离、相对位置等信息集成在一起,作为描述目标模型（遮挡图象）的一组特征,且这组特征在平移、旋转和均匀尺度变换下保持不变。其轮廓上点ｐ处的张角可用余弦定理很方便地求出,而张角的极值点则对应于轮廊急剧变化的地方。同时将特征匹配定义为模型特征与遮挡图象特征之间的对应,若这种对应被映射到Ｈｏｐｆｉｅｌｄ神经网络上,则该网络即可用于完成全局特征匹配。该文提出了的方法已在ＰⅡ个人计算机上用Ｍａｔｌａｂ５．２编程实现,并给出了应用实例。实验结果表明,该方法能有效地从含有遮挡目标的景物图象中识别出目标,且实现起来非常方便。     

自然场景中基于局部轮廓特征的类圆对象识别方法

在自然场景下,受背景纹理、遮挡、光线影响,不容易提取到对象完整的轮廓,为此,提出了一种基于局部轮廓特征的识别方法,该局部轮廓特征是由直线和曲线组成的2相邻轮廓片段特征(2AS)。首先,分析相邻片段之间的夹角、片段的长度和弯曲强度,定义2AS的语义模型;接着,依据2AS之间的相对位置关系定义2AS相互关系模型,分别描述对象的2AS特征和2AS之间的相互关系;然后,使用对象模板的2AS的语义模型与测试图像中的2AS特征进行初步匹配,接着依据对象模板的2AS相互关系模型进行精确匹配;最后,根据对象模板的2AS相互关系模型检测到的成组2AS进行重复性聚类,并根据对象模板的2AS相互关系模型对聚类的对象判决。与使用近似直线片段组成的2AS特征算法的对比实验结果证明,该算法对输电线路中均压环部件的识别具有较高的正确率、较低的误检率和漏检率,从而更为有效地识别均压环部件。     

自然场景中基于局部轮廓特征的对象识别方法

在自然场景下,受背景纹理及光线影响,很难提取到对象完整的轮廓,提出了一种基于局部轮廓特征的识别方法。提取图像的边缘线段,进行基于关键点的分裂与基于Gestalt感知定律的断续线段的合并处理,得到不同方位的独立直线段。分析2或3相邻线段构成的轮廓特征,通过线段之间夹角、长度和线段的向量对2相邻直线段构成轮廓特征的语义模型定义。分解对象的整体模板轮廓,手动绘出2或3相邻直线段所组成局部轮廓特征的样本,结合2相邻直线段语义模型与手动绘出的样本从线段夹角、长度以及对应线段向量之间的关系进行匹配,实现2或3相邻直线段组成局部轮廓特征的检测。求出所检测局部轮廓特征的位置点进行聚类实现对象的识别。通过对直无人机巡检所拍摄的输电线路图像处理,验证了这种方法能有效识别间隔棒和防震锤部件。     

一种基于联合轮廓特征矢量的目标识别方法

针对基于形状特征进行目标识别的方法存在的不足,提出一种联合轮廓不变矩特征和轮廓几何特征的识别方法;针对不同的待识别目标,采集足够数量的训练样本,统计每一个轮廓特征的均值、标准差和变异系数;并据此对这些轮廓特征进行动态筛选和加权,建立起待识别目标的联合轮廓特征矢量模型.在线识别时,提取场景目标的联合轮廓特征矢量,对其进行...     

基于透视点和区块特征的多车粘连分割方法

针对交通视频车辆检测与跟踪中经常出现的车辆前景粘连问题,提出了一种利用透视点在图像轮廓上搜索车辆分割点并通过区块特征识别车辆的粘连车辆分割方法.根据路面场景中车道线信息提取出透视点和车道区域,结合混合高斯模型与形态学梯度轮廓算法提取出车辆前景团块.利用透视点原理从前往后顺序分割粘连的车辆前景团块.对分割开的待检定区域,利用车辆区块特征进行检验识别,修正错误分割,将粘连的多辆车逐一分割.实验结果表明,该方法对直线道路上多辆车粘连的分割有较好的准确度和适应性.     

基于轮廓层次和小波分析的工业字符识别

为了提高工业字符识别的准确率,增强字符识别算法对含噪声字符或发生形变字符的适应性,提出了一种改进的轮廓层次特征提取方法.对经过预处理归一化的字符,先提取轮廓层次特征,再对特征信号进行小波分解,从分解结果的低频部分中提取特征信息,最后将特征输入SVM(Support Vector Machines,支持向量机)训练和分类.实验结果表明,该特征提取方法降低了后续要处理的数据量,具有良好的抗干扰能力,实用价值较高.     

基于特征点分段的多元时间序列相似性搜索

现有的各种多元时间序列相似性搜索方法难以准确高效地完成搜索任务。提出了一种基于特征点分段的多元时间序列相似性搜索算法,提取所定义的用于分段的特征点,分段后将原时间序列转化为模式序列,该模式序列能够很好地保留原序列的全局形状特征,再用分层匹配的方法进行相似性搜索。实验结果表明,该方法能够有效刻画序列的全局形状特征,通过分层匹配保留局部的相似性,同时提高搜索准确率。     

基于镜像MeanShift的遮挡目标跟踪算法

针对当目标跟踪过程中目标被全遮挡时易导致目标跟踪不精确、甚至丢失目标的问题,提出一种基于镜像Mean Shift的遮挡目标跟踪算法.当前后帧Bhattacharyya系数匹配度大于等于80%时,表示目标没有被遮挡,采用颜色特征和轮廓特征定位目标,利用分块沙包窗核函数实现尺寸自适应;当前后帧Bhattacharyya系数匹配度小于80%时,表示目标进入遮挡区域,则利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测;当前后帧Bhattacharyya系数匹配度再次大于等于80%时,表示目标离开遮挡区域,则转换为Mean Shift跟踪.实验结果表明:所提算法与子区域分类器的在线Boosting算法和多视角多目标协同追踪算法相比,在目标全遮挡的情况下能更好地跟踪目标,提高了跟踪精度和鲁棒性,且满足实时性要求.     

新的基于特征关系表述的步态识别算法

为了快速有效地进行步态识别,利用特征关系非平稳分布的统计特性,提出了一种新的基于特征关系表述的步态识别算法。首先,将剪影轮廓相邻像素点间8邻域相对方向标号作为特征关系属性一,将轮廓边界点与中心点间的距离作为特征关系属性二,经直方图归一化处理,得到两种关系属性的联合概率;其次,结合主成分分析(PCA)降维的方法,提取特征主向量;最后,采用最近邻分类器进行识别分类。实验证明,该算法在CASIA步态数据库上,最高达到了90%以上的识别率,而且与传统的特征关系表述步态识别算法相比,关系属性联合概率矩阵维数由900维下降到240维,大大降低了算法的计算代价。