基于目标规格化与Zernike矩相结合的目标识别算法研究

平面形状的识别是计算机视觉研究的一个重要领域，它也是许多二维或三维视觉处理任务的基本步骤。文章提出了一种基于图像规格化与Zernike矩相结合的目标识别方法。该方法通过把图像进行紧凑化，再结合紧凑化后图像边缘轮廊Zernike矩的计算，使得由于人眼或摄像机的观察视角的不同而引起的物体的各种形变，校正到一个紧凑图像，再通过各高阶Zernike矩的不同特征，进行不同模式的目标识别，实验表明该方法原理简单明了，计算量小，对于特征相关较明显的目标，具有很好的识别效果。     

一种不做乘法的快速整数小波变换

该文提出了一种不做乘法的整数小波变换方法,它可以迅速地完成二维可分离小波变换,比传统的浮点型小波变换在速度上有了很大的提高,并且便于硬件实现,在图像压缩上有广泛的应用前景。     

基于运动信息与马尔可夫彩色聚类的运动目标分割

针对视频序列图像中的运动目标分割,论文提出了将运动检测和马尔可夫彩色聚类相结合的运动目标分割算法。该算法首先利用基于统计模型的运动检测算法,通过后处理,得到运动目标的初始模板。然后,利用区域生长算法进行彩色图像的初始分割,在初始分割的基础上应用马尔可夫随机场模型进行彩色聚类,得到具有精确边缘的分割区域。最后,将运动目标的初始模板和彩色精确分割结合起来提取出具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

基于支持向量机的运动目标中人脸检测

本文提出基于支持向量机的运动目标中人脸检测方法.首先采用高斯马尔可夫随机场(GMRF)模型的分割算法将运动目标与背景分开,然后根据灰度投影定位头部区域,最后在头部区域以支持向量机作为分类器提取特征器官位置,依此裁剪出人脸样本.实验表明该方法是有效的,鲁棒的.     

基于自适应活动轮廓模型的实时手势跟踪

在基于视觉的手势分析与识别中,一个关键环节是手势跟踪。本文提出了基于颜色信息的自适应活动轮廓模型,并与均值漂移算法相互融合,实现图像序列的实时手势跟踪。跟踪算法分为两步进行,首先应用均值漂移算法实现手部区域的定位,然后基于自适应活动轮廓模型提取手部轮廓。在跟踪过程中,轮廓提取为下一帧的区域定位更新搜索窗口,提高了搜索效率,使目标跟踪达到实时性要求。同时,本文根据跟踪区域模板与目标模板的相似性度量Bhattacaryya系数给出了在跟踪目标被遮挡时的处理方法,有效地解决了这一难题。实验结果证明了在无遮挡和遮挡两种情况下算法均能实现准确、实时的手势跟踪。     

一种基于模型的光学层析图像重建方法

光学层析图像重建是个病态问题,测量误差会在重建过程中被放大,对此,提出一种以广义高斯马尔可夫随机场模型为先验信息的光学层析图像重建方法.重建过程是对目标函数的优化过程,目标函数关于光学参数的梯度计算是算法中的难点,因此,提出一种基于梯度树的梯度计算方法.文中分别给出了吸收系数和散射系数的重建结果,并引入三个指标因子衡量重建图像的质量,进而列出不同重建算法下,重建图像的指标值.最后通过对重建结果和指标因子取值的比较,分析基于模型的重建算法的有效性.     

一种新的基于时空马尔可夫随机场的运动目标分割技术

在图像处理领域,视频图像序列中的运动目标分割技术是一个被广泛研究的热点课题。该文提出一种新的基于时空马尔可夫随机场的运动目标分割技术。首先,对视频序列的前后3帧图像进行处理,获得两帧初始标记场;随后,对两帧初始标记场进行“与”操作,获得共同标记场;最后,以原始图像的色彩聚类图像作为先验知识,重新定义Gibbs能量函数,并利用迭代条件模型（ICM）实现最大后验概率（MAP）的估算问题,获得优化标记场。实验结果表明：该模型克服了传统时穿马尔可夫随机场模型因运动产生的晶露遮挡现象,同时减弱了运动一致性造成的空洞现象并削弱了噪声的影响。     

基于运动信息与多尺度分水岭的视频目标分割

从视频序列中提取视频目标是基于内容编码中的一项关键技术。提出了将高阶统计运动检测和多尺度分水岭相结合的视频目标分割算法。该算法首先利用高阶统计运动检测算法检测出运动区域,通过后处理得到运动目标的初始模板。然后,用小波变换对视频图像进行多分辨率分解。在最低分辨率上应用分水岭算法分割得到具有精确边缘的分割区域,通过将区域融合后的区域逐步投影到高分辨率图像上并结合高分辨率图像上的分水岭算法逐步提取出具有精确边缘的区域。最后,将运动目标的初始模板和多尺度分水岭分割得到的区域结合起来提取出具有精确边缘的视频对象。实验结果表明该算法能有效地分割和提取出视频序列中的视频对象。     

基于各向异性核函数的均值漂移跟踪算法

均值漂移算法是一种将迭代轨迹滑向局部邻域内均值的迭代算法,已应用于目标跟踪领域。传统的均值漂移算法通常采用各向同性核函数进行跟踪,但视频序列中的跟踪目标的结构随时间而变化,尤其当目标结构快速变化时,基于各向同性核函数的均值漂移跟踪算法常常会导致目标的丢失。该文采用各向异性核函数均值漂移算法实现目标跟踪,由于该核函数的形状、大小、方向能自适应于目标局部结构的变化,保证了跟踪效果的稳定性和鲁棒性。实验结果证明该算法是有效的。     

基于范例集实现复杂场景下的动态手势跟踪

范例集作为近年来视觉跟踪器的一种表示方法,已应用于手势跟踪与识别。但是基于范例集的手势跟踪往往不能实现复杂场景下手部轮廓特征的精确提取,并且不能在手部位置与方向任意变化情况下实现手部轮廓的提取与跟踪,极易造成手部动作的不准确预测,从而影响手势跟踪效果与手势识别率。本文提出一种新的基于范例集的跟踪器：CEE(CAMSHIFT Embedded Exemplar)跟踪器,实现复杂场景下的动态手势跟踪。在学习阶段,利用ICAMSHIFT（Improved CAMSHIFT）算法提取手部轮廓特征并生成范例集,同时建立手势的动态HMM模型;在跟踪阶段,首先利用由ICAMSHIFT算法获取的手部特征和HMM概率模型预测手势动作,然后根据学习所得范例集获取当前手部轮廓。实验结果表明,算法能实现复杂场景下的准确手势跟踪,并能在手部位置与方向任意变化情况下实现手部轮廓的提取与跟踪。此外,在严重遮挡情况下也能取得不错的跟踪效果。