排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
利用改进的Retinex进行人脸图像光照处理 总被引:7,自引:2,他引:5
为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸侧光照图像时会误增强阴影的边缘提出了一种基于新的传导函数的自适应平滑Retinex算法。该传导函数用空间梯度和像素的局部不一致性两种方式共同测量灰度的剧烈变化,在平滑图像的同时没有边缘增强效应,且不会损失人脸特征边缘。在平滑估计的迭代过程中,选取上一次与此次迭代结果中的较大值作为约束条件来保证估计出的亮度图像能满足Retinex理论的约束条件。在YaleB人脸库上的实验结果表明,本文算法能有效克服强侧光照时的阴影现象且没有损失人脸特征边缘;与较经典Retinex算法相比,侧光照时的识别率在最好情况时提高了24.2%,无强侧光照时也可提高4%左右,具有光照鲁棒性,可适用于任何光照条件下的人脸识别。 相似文献
3.
融合梯度特征的灰度目标跟踪 总被引:2,自引:2,他引:0
为了克服灰度目标跟踪中目标和背景的对比度低、界线模糊的情况,提出了融合梯度特征的灰度目标跟踪方法.该算法采用mean-shift迭代过程,是一种用新的概率密度向量代替以亮度为特征建立概率密度向量的跟踪方法.目标的梯度特征描述了目标的纹理等细节信息,增加了目标和背景的对比度,因此通过提取目标的梯度特征,建立梯度概率密度向量,与灰度概率密度向量融合构成新的向量,用新概率密度向量描述目标模板的特征跟踪目标.实验结果表明,该算法与mean-shift算法相比,跟踪稳定得到了较大改进,取得了理想的跟踪效果. 相似文献
4.
5.
6.
室外复杂环境下的人数统计面临诸多复杂问题,如背景复杂、人群存在遮挡、与干扰物紧密结合的“不干净”人体等.这些因素给人数统计带来严重挑战.针对前景区域提取多种局部特征,并对各种干扰进行针对性处理.最后通过ε—SVR对特征进行回归得到人数计数,较好地解决不完全遮挡、常见干扰物、复杂背景造成的前景人体被分割等影响.同时针对处理不断提高的监控视频分辨率带来的实时性挑战,利用改进的混合高斯模型提高运算速度,使其适用于实际系统. 相似文献
7.
一种鲁棒的基于改进Mean-shift的目标跟踪算法 总被引:10,自引:4,他引:6
为了克服传统Mean-shift算法在跟踪运动目标时由于背景像素造成的定位偏差和由于遮挡造成的跟踪失效,提出了两点改进措施。第一,根据初始帧目标和背景在颜色分布上的差异,建立对数似然图(log-likelihood image),筛选出目标中与背景可区分性好的颜色特征建立目标模型,并以同样的方法在后续帧建立候选模型。第二,将候选区域划分为若干重叠的子块,分别利用Mean-shift算法对各个子块进行迭代,以与目标区域相应子块最为匹配的子块的所在位置对整个目标重新定位,该方法很好地实现了目标部分遮挡情况下的稳定跟踪;严重遮挡时,采用简单的线性预测,估计下一帧目标可能出现的位置。实验结果表明:改进算法可以准确的进行目标跟踪,对部分遮挡和严重遮挡都有较强的鲁棒性。 相似文献
8.
9.
1