一种基于图像分割的动态规划立体匹配算法

本文提出了一种基于图像分割的动态规划立体匹配算法。此算法首先利用MeanShift图像分割算法对左右图像对进行分割处理,从而得到分割域的深度范围约束;然后结合窗口匹配及可信度约束得到地面控制点;综合地面控制点和其所属分割域的深度一致性关系可以有效剔除部分不可信点;以地面控制点和分割域作为约束信息,对动态规划的数据能量项和遮挡能量项加入分割域关系约束,利用动态规划算法得到最终视差图。实验结果表明,该算法可得到较好的视差结果。     

一种尺度自适应的粒子滤波跟踪算法

针对复杂背景下目标发生旋转、遮挡、尺度变化和摄像机运动时不能实时跟踪到目标的问题,将最佳核窗宽方法和信息量度量方法相结合,用于粒子滤波框架中.各个粒子通过均值偏移来搜索峰值,同时加入了相应的遮挡策略.实验结果表明,该算法在目标发生旋转、遮挡后仍能很好地跟踪到目标.同时跟踪窗能随目标尺度的大小变化作相应调整,大大提高了算法的实时性和稳健性.     

自动选择跟踪窗尺度的Mean-Shift算法

实用的跟踪系统要求能实时地适应运动目标的外观变化,尺度固定不变的跟踪窗口不能有效地跟踪存在明显尺度变化的目标。本文将多尺度图像的信息量度量方法引入到运动目标跟踪中,提出了一种跟踪窗口自动更新算法,并用此算法改进了基于颜色直方图的Mean-Shift跟踪方案。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标都能自动选择合适的跟踪窗口大小。     

基于Mean-Shift的投影聚类算法PCMF

高维数据的聚类都隐含在低维的子空间内。为找出有效的子空间，Agrawal等人提出了投影聚类概念，通过映射变换转换到子空间里，然后借助其他方法找到聚类。该文基于目前最新的投影聚类算法EPCH，提出了PCMF算法，借助Mean-Shift划分子空间聚类。与EPCH算法相比，PCMF在划分子空间中数据时，无须输入参数（EPCH中是最大聚类个数），能够有效降低划分出的子空间数量，获得与EPCH相媲美的实验结果。     

基于目标信息量变化的自调整跟踪算法

针对视频跟踪中的传统Mean-Shift方法不能有效跟踪尺度有明显变化的目标这一问题,将图像信息量度量理论引入到了算法之中,提出了一种自适应窗宽的改进Mean-Shift跟踪算法。该算法利用均值漂移矢量对目标位置进行预测,然后结合目标信息量的变化来自适应的调整跟踪窗的尺度,从而快速稳定的对目标进行定位跟踪。实验结果表明改进算法能较好适应目标的尺度变化,跟踪效果良好。     

非特定人手语数据生成及其有效性检测

根据手势手语的特点,提出了手语语言学和人体运动学相结合的非特定人手语数据的生成和检测方法. 首先,Mean-Shift 算法有控制生成强度的优点,将改进的Mean-Shift 算法应用于手形数据通道的生成,以保持手势手 语的语言学特性,并应用关键手形的音韵标记进行数据有效性的检测;其次,为了丰富手语手势动作的运动特性,将 改进的遗传算法应用于与运动相关的数据通道进行数据生成,并应用拉班舞谱对其进行数据有效性检测;最后,提出 了基于原始样本的检测实验框架,使得所提出的检测方法适用于语言类的多类别数据检测问题.实验结果表明,所提 出的非特定人手语数据的生成和检测方法是有效的.     

基于邻域Mean-Shift的彩色图像滤波算法

在空间域与色彩域中分别给定移动窗口半径的适当值,把空间位置处于当前数据点的圆邻域内的色彩数据作为算法的样本数据,利用窗口半径固定且独立于空间位置的核函数对色彩数据进行均值偏移(Mean-Shift)聚类,用聚类中心更新当前位置的图像数据,克服了空间域与色彩域结合的Mean-Shift图像滤波模型窗口半径难于恰当选取以适...     

基于边界力的Mean-Shift 核窗宽自适应算法

针对Mean-Shift(中值漂移)算法中核函数带宽不能实时改变的缺陷,提出一种基于边界力的Mean-Shift核函数带宽自适应更新算法.在分析目标加权核直方图模型的基础上,引入区域似然度以提取目标的局部信息.然后,比较相邻帧间的区域似然度并构建边界力.通过对边界力的计算,得到边界点的位置,进而自适应地更新核函数带宽.实验结果表明,这些工作改善了Mean-Shift 算法在目标尺度和形态发生变化时的跟踪效果,并且可以满足实时性的需要.     

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。     

基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法.该优化方法利用具有计算量小的Mean-Shift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪.实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升.