基于PTZ摄像头的视频人脸识别

针对传统的视频人脸识别技术受限于理想的环境条件,无法应用于监控场景的弊端,提出了一种基于PTZ（Pan-Tilt-Zoom,旋转-俯仰-缩放）摄像头的人脸识别方法,并结合AdaBoost人脸检测以及Mean-shift跟踪算法进行了识别。实验结果表明,该方法克服了监控场景图像分辨率低的问题,具有较好的鲁棒性。     

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。     

一种基于中值流的Mean-shift改进方法

通过引进中值流的方法,以中值流算法作为运动模型,利用中值流的预测信息指导Mean-shift算法对目标进行搜索。在Mean-shift对目标进行搜索的时候,通过引进目标的纹理特征——局部二值模式（local binary patterns,LBP）使得在目标和背景颜色相似、光照变化强烈的情况下也能对目标和背景进行区分。仿真实验表明,该算法比Mean-shift算法在准确性和跟踪性能上均有明显的提高。     

一种改进的多关节目标跟踪算法*

为提高多关节物体的跟踪效率和精确度,提出了一种目标跟踪算法。首先建立多关节物体的团结构模型,模型的建立结合团势函数等有效降低了传统图模型的冗余度,并结合目标物理的深度、边缘、颜色等信息,利用K-means、Mean-shift算法、粒子滤波实现目标跟踪。实验结果表明,该推理算法能够提高跟踪效率,有较强的鲁棒性,能够满足多关节目标的跟踪要求。     

图像分割技术在中医舌诊中的应用

舌诊是传统中医辨症论治的重要手段之一.运用计算机视觉技术,可实现舌诊的定量化和客观化.方法是从采集到的图像中准确提取出完整的舌体图象,然后进行特征提取,提出一种自动分割舌图像的新方法.首先用中值滤波去除图像噪声;其次在YCbCr彩色空间对图像进行预处理,去除面颊皮肤等背景信息;然后用均值移动法初步分割出舌体;最后应用改进的图像区域生长的方法,得到准确完整的舌体图象.通过试验,证明该方法具有令人满意的分割性能.     

基于Mean-shift的粘连人体目标分割算法

人体目标分割是人体目标视觉分析的关键问题之一。提出了一种基于Mean-shift的粘连人体目标分割算法。首先对视频图像进行预处理,从中分离出运动区域,根据人体外形的统计特征建立人体目标模板。在运动区域中均匀取若干个数据点作为种子点。从种子点出发,基于人体目标模板,应用Mean-shift算法不断迭代逼近模态点。对取得的模态点集合进行聚类,从而自动确定分类数,即运动区域中的人体目标数,并进行合理分割。基于PETS 2006数据库的试验验证了该方法的可行性。     

基于Mean-shift算法与模糊熵的图像平滑

为解决均值漂移算法的滤波核带宽的选择问题,通过分析模糊理论的模糊隶属度函数和Mean-shift算法的核函数的定义,指出可将模糊隶属度函数作为Mean-shift的核函数。由此定义新隶属度函数作为表示灰度信息的核函数,应用Mean-shift算法对一幅混有噪声的细胞图像进行平滑处理。通过实验表明该方法能到达较好的平滑效果且不需要选择核带宽hr。     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法(KMSEPF)。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

Segmentation and labeling of face images for electronic documents

Face image segmentation and labeling is required in several quality tests which a face image has to pass in order to be included into an electronic ID document. The complexity of such a problem depends on the complexity of the scene, but in general there are no restrictions to the scene. The procedure that we have developed segments a face image into five regions: skin, hair, shoulders, background and padding frame. The presented method consists of two main steps: oversegmentation and labeling. In the first step, the image is segmented into homogeneous regions, whereas in the second step, the labeling of the homogeneous regions is performed. In the course of our research we experimented with several methods for the two described steps, and in this paper we present a setup in which the oversegmentation is performed using the mean-shift segmentation, and labeling is performed using the AdaBoost classification algorithm. Such setup has produced the best results in our experiments which we also present herein.     

主动学习的白细胞图像自动分割

提出利用极端学习机算法(ELM)在线构建像素分类模型分割白细胞图像。训练阶段根据白细胞核深染色的特点,先利用一个Mean-shift过程在RGB空间定位白细胞核区;再经核区形态学膨胀,得到一个熵与面积之比最大的区域作为正样本候选区域,而此区域外像素则作为负样本候选区域;通过正负样本像素抽样组成训练集,能在线训练得到一个两分类ELM模型。多次抽样得到的训练集可以产生多个ELM模型。测试阶段利用上述ELM模型集成分类全体像素,可实现白细胞自动分割。与传统图像分割算法相比,本文方法基本无参数调整,可自适应光照和染色条件导致的图像颜色变化,分割效果好。相关实验结果表明算法的有效性。