万向椭圆描述的Mean-Shift算法

传统的Mean-Shift算法在目标跟踪过程中,由于跟踪窗口尺度固定而不能很好适应目标的尺度变化,当目标尺度减小时,目标区域所提取的特征向量包含过多的背景干扰信息,目标尺度增大会使跟踪窗口偏离目标的质心,降低跟踪的鲁棒性。为此文中采用万向椭圆的方式对目标区域进行描述,减少背景干扰信息以突出目标模型,提取椭圆区域的加权颜色直方图为目标特征,采用尺度加减法自适应调整椭圆区域的大小,并在跟踪过程中根据运动轨迹动态调整椭圆方向,以增强跟踪的准确性。实验结果表明万向椭圆能够更好地描述跟踪目标的尺度和方向,在目标尺度变化比较平稳的情况下,尺度加减法能自适应调整跟踪窗口的尺度,可以取得良好的跟踪效果。     

监控场景下的目标自适应跟踪

目标跟踪是监控系统的关键技术之一.Mean-Shift作为高效的模式匹配算法,已经成功地应用在对实时性要求较高的目标跟踪系统中,但是传统的Mean-Shift跟踪算法未能有效地解决跟踪窗自适应和目标特征更新问题,无法实现对目标的长时间跟踪.论文提出了卡尔曼滤波、局部目标检测和Mean-Shift有机结合的目标自适应跟踪方法,能有效的解决跟踪窗自适应和跟踪目标的特征更新问题,并有较强的抗遮挡的能力,提高跟踪的稳健性.并通过跟踪实验对比验证了算法的有效性.     

均值漂移跟踪的双模板更新算法*

针对均值漂移算法缺少必要的模板更新方法的缺点,提出了一种基于双模板判定的更新算法。该算法首先通过分析目标特征与背景特征的相对大小,设计了加权函数分别对前景和背景特征进行加权;然后在此基础上引入背景模板并构造双模板,通过对候选目标与双模板相似度系数的综合分析,可以准确判定跟踪状态及干扰产生的原因,以采取相应的模板更新策略。实验表明,该算法可以有效地增强均值漂移算法在目标姿态变化、前景遮挡等复杂条件下的跟踪效果,具有较好的跟踪稳健性。     

改进的单尺度Retinex及其在人脸识别中的应用*

为了提高在光照条件变化下的人脸识别率,提出一种改进的单尺度Retinex算法并用于人脸识别的光照预处理中.该算法通过非线性全局对比度增强对原图像增强,并利用Mean-Shift平滑滤波代替传统单尺度Retinex中的高斯滤波对光照估计,能够明显地消除单尺度Retinex算法中不能解决的光晕现象.在人脸库的实验表明,该算法不仅比直方图均衡化、Gamma校正、单尺度Retinex、多尺度Retinex算法具有更好的光照预处理效果,而且能够有效提高人脸识别率.     

基于部分背景加权更新的均值漂移跟踪算法

为了解决均值漂移跟踪算法中背景对目标定位的扰动, 提出了一种基于颜色和纹理混合特征以及采用背景加权更新的改进算法。改进算法先将原始视频序列RGB帧图像转换为HSV颜色空间表示, 然后分别在H、S通道上提取颜色特征, 在V通道上用LBP描述符提取纹理特征, 在此基础上为目标区域和背景区域建立三维颜色纹理混合直方图作为其描述符; 在对象的跟踪过程中, 通过巴氏系数选择性地加权更新部分背景信息。实验结果表明, 与基于全部背景更新策略相比, 改进算法充分利用了颜色和纹理特征并加权更新背景信息, 具有更高的可靠性和鲁棒性, 具有更好的计算效率。     

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪.为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法.利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪.实验结果证明,该算法...     

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.     

无人水面艇目标图像自适应分割算法

针对水面目标与海天背景对比度变化大、景深差异明显的特点,提出一种改进的自适应Mean-Shift图像分割算法．首先通过估计参考点领域灰度值分布,自适应地得到空间域带宽,然后结合叶斯准则,自适应计算空间窗内灰度域带宽,实现目标与背景的自适应分割．分别抽取水面艇视频图像中,目标远、近距离以及清晰对比度不同的视频帧进行仿真测试,与传统分割算法对比研究,结果表明该算法可以有效实现水面目标图像分割．     

多技术融合的Mean-Shift目标跟踪算法

在研究经典算法的基础上,提出了一种多技术融合的Mean-Shift目标跟踪算法,有效地解决了经典Mean-Shift跟踪算法存在的缺陷。通过Kalman算法预测估计目标的中心位置,通过分块颜色直方图提取目标区域的空间信息进行,同时采用背景加权和核加权相结合的方式抑制背景像素对目标的干扰。在多个视频数据上的试验结果表明,研究方法有效地克服了经典的Mean-Shift目标跟踪算法对遮挡、背景像素敏感的问题,在复杂环境的背景下对运动目标跟踪更加准确。     

参数自适应的半监督复合核支持向量机图像分类

半监督复合核支持向量机在构造聚类核时,普遍存在复杂度高、不适于大规模图像分类的问题;且K均值(K-means)图像聚类的参数难以估计。针对上述问题,提出基于均值漂移(Mean-Shift)参数自适应的半监督复合核支持向量机图像分类方法。结合Mean-Shift对像素点进行聚类分析以避免K-means图像聚类的局限性;利用图像的结构特征自适应算法参数以避免算法的波动性;由Mean-Shift结果构造Mean Map聚类核以增强同一聚类中的样本属于同一类别的可能性,使复合核更好地指导支持向量机对图像分类。实验验证了改进的聚类算法和参数取值方法可以更好地获取图像的聚类信息,使算法对普通图像和加噪图像的分类正确率较对比的半监督算法一般情况下提高1~7个百分点,且对于较大规模图像也有一定适用性,能够更高效、更稳定地进行图像分类。