一种基于多特征的距离正则化水平集快速分割方法

现有的图像分割模型存在对初始化信息敏感,分割速率慢,图像弱边界区的泄露等现象.提出了一种混合快速分割方法.该方法利用偏压场近似估计图像的局部统计信息,并结合全局信息相容性及改进的距离正则化方法建立模型,最后将模型嵌入水平集框架中,与此同时,引入双重终止准则以提高分割的速度.最后利用合成图像和真实图像进行分割实验,并与CV（Chan-Vese）模型、非线性自适应水平集方法以及局部尺度拟合模型对比,表明本方法不仅对初始化信息敏感度降低,而且分割速度提高3~5倍.     

基于簇相似的多分类器目标跟踪算法

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.     

基于簇相似度的实时多尺度目标跟踪算法*

针对目标跟踪中跟踪实时性和适应目标尺度变化的问题,提出在粒子滤波框架内基于簇相似度测量的实时目标跟踪算法,算法的外观模型使用改进的均值类哈尔特征表示.首先,根据采样半径采集目标簇和背景簇.然后,定义粒子与簇之间的相似度.当新帧到来时计算每个粒子与目标簇和背景簇的相似度,并将相似度最高的粒子作为目标在该帧的位置.在每帧跟踪结束时,更新目标簇和背景簇的统计特征,并对粒子进行重采样防止退化.与当前通用的跟踪算法对比体现文中算法的优越性.