Region-based license plate detection

Automatic license plate recognition (ALPR) is one of the most important aspects of applying computer techniques towards intelligent transportation systems. In order to recognize a license plate efficiently, however, the location of the license plate, in most cases, must be detected in the first place. Due to this reason, detecting the accurate location of a license plate from a vehicle image is considered to be the most crucial step of an ALPR system, which greatly affects the recognition rate and speed of the whole system. In this paper, a region-based license plate detection method is proposed. In this method, firstly, mean shift is used to filter and segment a color vehicle image in order to get candidate regions. These candidate regions are then analyzed and classified in order to decide whether a candidate region contains a license plate. Unlike other existing license plate detection methods, the proposed method focuses on regions, which demonstrates to be more robust to interference characters and more accurate when compared with other methods.     

基于改进直方图映射和均值移位目标跟踪算法

提出了一种改进直方图映射和均值移位结合的目标跟踪算法，根据目标模型各成分直方图比例系数建立索引表，索引号为颜色值，索引内容为颜色对应的归一化目标模型直方图，在索引表中查询输入图像颜色值构建反映目标出现概率灰度图；均值移位算法在生成灰度图中快速定位目标位置。对比实验结果表明，改进的直方图映射算法从根本上抑止模型背景干扰，均值移位算法准确定位目标；系统能实时准确跟踪运动目标。     

Novel mean-shift based histogram equalization using textured regions

This paper presents a novel mean-shift based histogram equalization method called the MSHE method. The key insight of the proposed MSHE method is that the basis of histogram equalization could be based on textured regions in an image, while impact of smoother regions should be suppressed. Using a mean-shift based approach, the sets of textured regions in an image are determined by finding regions which have a high density of edge concentration. In addition, a new cost function is presented to balance the image quality and contrast enhancement effect for search termination in the proposed algorithm. Based on three typical test images, experimental results show that our proposed MSHE method is quite competitive with the previous eleven methods, such as the HE, BBHE, DSIHE, POHE, RSWHE, DHE, BPDHE, SRHE, GHE, FHE, and THShap.     

复杂情形下目标跟踪的自适应粒子滤波算法

该文提出一种自适应粒子滤波算法。首先建立目标的颜色模型,提出基于加权颜色分布图的目标颜色模型。采用该模型计算目标模板与粒子区域的相似程度,以此作为对目标物体定位的依据,使目标定位更加合理有效;进而在滤波过程中,针对粒子退化问题,提出基于mean-shift迭代的粒子重抽样方法,形成对抽样粒子集的自适应调节,提高了粒子质量,有效降低了粒子数量。最后,进行了对大机动快速运动的小目标和被严重遮挡目标的跟踪实验,结果表明该算法具有较强的鲁棒性。     

基于均值偏移和卡尔曼滤波的目标跟踪方法

分析了Mean—shift难以有效地跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和卡尔曼滤波器的目标跟踪方法。该方法利用卡尔曼滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时。采用Bhattacharyya系数度量“目标模型”和“候选模型”相似程度．确定“候选模型”是否更换为“目标模型”,避免目标模型过度更新。以地物为背景的飞机目标图像序列试验结果表明该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

结合自适应核函数的Mean-shift改进算法

为解决Mean-shift算法采用固定跟踪窗口造成的目标定位精度低的问题,结合视觉显著性检测和像素灰度相似度,提出一种采用自适应核函数的Mean-shift跟踪算法。该方法以灰度相似度加权的视觉显著性特征确定目标区域,并结合Epanechnikov核函数构建自适应核函数,使跟踪窗口自适应目标大小变化,降低目标尺度变化的影响,实现目标的有效跟踪。实验结果证明,该方法能够有效跟踪尺度变化目标,处理每帧图像耗时小于25ms,满足实时性需求。     

基于多特征在线模板更新的鲁棒目标跟踪算法

在Mean-shift算法框架下提出一种基于多特征在线模板更新策略的鲁棒目标跟踪算法．首先,针对目标与背景色彩相似引发的跟踪漂移现象,提取照度不变性色彩特征与旋转不变性LBP纹理特征提取算法,并通过引入BWH算法实现多特征融合;其次,在传统的Mean-shift算法收敛条件上增加了直方图相似度校验,以避免陷入局部最优解．此外,还提出了基于直方图差异空间分布图的遮挡现象检测算法,从而提升了模板在线更新算法的准确性．实验结果表明,本文方法对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性．     

一种基于Mean-Shift聚类算法的图像区域分割方法

提出一种基于均值平移(Mean-Shift)聚类算法的图像区域分割方法.该方法首先选用适当的彩色空间对图像中的每个像素点抽取颜色、纹理及空间位置等特征,形成特征空间;然后,利用Mean-Shift聚类算法,在像素点特征空间中进行聚类,利用提出的方法,确定最佳窗口半径参数,进而确定聚类簇数、聚类中心等参数,将像素初步划归不同的组,并利用相邻像素之间的连接原理对图像区域进一步分割.分割方法提供了丰富的区域描述特征.实验结果表明这种方法具有图像分割速度快,分割效果好等特点.     

基于角点特征融合的Mean-shift跟踪算法

传统Harris检测算法不能很好地适应跟踪环境。为此,提出一种基于角点特征融合的Mean-shift跟踪算法。考虑人体姿态变化或遮挡对多区域跟踪的影响,采用角点更新策略,将特征融合主色调模型的跟踪结果与多区域跟踪结果进行权衡。实验结果表明,该算法能克服人体姿态变化或遮挡对跟踪的影响,实时性满足一般跟踪系统的要求,且在非遮挡状况下,其跟踪准确率比传统算法高。     

嵌入式客流量统计模块的设计和实现

在达芬奇系列处理器TMS320DM6437平台上,以HOG特征描述目标特性,利用支撑向量机作为分类器完成垂直放置的摄像头获取图像中的人头检测,并采用Mean-shift技术完成进出人员的跟踪计数,实现了一个实时的嵌入式客流量统计模块.测试结果表明,该模块客流量统计精度高,数据处理速度快.