基于奇异值分解的特征跟踪方法

在传统的基于模板匹配的跟踪方法中，均是给定一个模板，然后从图像中各个位置取出一个个与模板大小一致的区域进行相似性度量，找出与模板距离最小的一个区域作为当前模板，以便进行下一步的匹配跟踪工作。在景象匹配和相关跟踪过程中，由于所面临的大多数是变化的场景，实时获取的图像与预存模板之间存在比较大的差异，传统相关匹配方法的应用就会受到限制；而且在跟踪过程中，随时更新模板会造成跟踪性能对扰动过分敏感，从而产生漂移。首先拍摄目标不同角度的图像（尽可能包含目标可能出现的所有情况），构成目标图像训练集合，抽取出特征矩阵，对它进行奇异值分解，构成一个关于目标的多维空间。然后再用匹配方法在全局范围搜索，找出目标的大致位置，并利用收敛方法在确定的大致位置内进行搜索，确定目标的仿射变换系数，从而得到一个目标位置的确切描述。     

基于不可分小波分解的图像配准方法

张量积小波强调的是图像中水平和垂直方向的高频信息,而不可分小波具有各向同性,可以提取图像中各个方向的边缘,能获得比较完整的图像轮廓,将这种特点应用于图像配准时,能准确定位图像仿射不变点的位置。为此,提出一种通过求取不可分小波分解后的高频子图像配准参数来配准原图像的方法,把图像的配准问题转化为其不可分小波分解后的高频子图像配准问题。从不可分小波分解的快速算法理论出发,证明该配准方法的正确性。构造一组四通道不可分小波滤波器组,在此基础上给出配准的方法和步骤。实验结果表明,该方法具有较好的配准效果,其求取图像配准参数的运算量比直接求取原图像配准参数运算量的1/4还少,与基于张量积小波分解的图像配准方法相比,具有较高的配准精度。     

红外与可见光复合寻的制导中的快速图像配准方法

对现有多传感器图像配准方法在红外与可见光复合寻的制导应用中存在的计算量大等不足,提出了一种基于部分Hausdorff距离的快速方法和一种两集合相似度的定义,从而实现了有效减小误匹配特征点对的红外与可见光图像快速配准方法.此算法通过分别提取两幅图像边缘上显著特征点,再根据提出的快速方法和两集合相似度定义,粗略估计出图像间的旋转角度、平移量;然后依据此估计值,缩小特征点匹配时匹配特征点搜索范围,求得一致特征点对;最后用最小二乘法求解最优变换参数.实验结果表明了该方法的有效性、快速性.     

时空双仿射微分不变量及骨架动作识别

目的 人体骨架的动态变化对于动作识别具有重要意义。从关节轨迹的角度出发,部分对动作类别判定具有价值的关节轨迹传达了最重要的信息。在同一动作的每次尝试中,相应关节的轨迹一般具有相似的基本形状,但其具体形式会受到一定的畸变影响。基于对畸变因素的分析,将人体运动中关节轨迹的常见变换建模为时空双仿射变换。方法 首先用一个统一的表达式以内外变换的形式将时空双仿射变换进行描述。基于变换前后轨迹曲线的微分关系推导设计了双仿射微分不变量,用于描述关节轨迹的局部属性。基于微分不变量和关节坐标在数据结构上的同构特点,提出了一种通道增强方法,使用微分不变量将输入数据沿通道维度扩展后,输入神经网络进行训练与评估,用于提高神经网络的泛化能力。结果 实验在两个大型动作识别数据集NTU（Nanyang Technological University）RGB+D（NTU 60）和NTU RGB+D 120（NTU 120）上与若干最新方法及两种基线方法进行比较,在两种实验设置（跨参与者识别与跨视角识别）中均取得了明显的改进结果。相比于使用原始数据的时空图神经卷积网络（spatio-temporal graph convolutional networks,ST-GCN）,在NTU 60数据集中,跨参与者与跨视角的识别准确率分别提高了1.9%和3.0%;在NTU 120数据集中,跨参与者与跨环境的识别准确率分别提高了5.6%和4.5%。同时对比于数据增强,基于不变特征的通道增强方法在两种实验设置下都能有明显改善,更为有效地提升了网络的泛化能力。结论 本文提出的不变特征与通道增强,直观有效地综合了传统特征和深度学习的优点,有效提高了骨架动作识别的准确性,改善了神经网络的泛化能力。     

一种提取抖动视频中前景目标的新方法

提取视频中的前景目标信息是视频处理领域非常重要的问题,考虑到现实生活中会出现监控摄像头不可避免地会出现晃动或偏移情况,造成监控视频短暂抖动,此时背景图像灰度和纹理信息都会受到较大的影响,从而给后期进一步分析前景信息带来了巨大的困难。为了兼顾纹理特征提取和噪声抑制两方面的要求,针对抖动视频的前景提取问题,提出了一种有效的融合小波变换和在线混合高斯模型的方案。首先运用仿射变换在线逐帧校准,接着利用小波变换对图像去噪,并建立自适应模型迭代上述过程,最后利用在线混合高斯模型提取前景。实验结果表明,与同类方法相比,该算法无论针对单目标还是多目标视频均可以有效去除抖动,得到较好的前景目标提取效果,具有较高的准确性和鲁棒性。     

仿射变换在压缩感知跟踪中的应用

针对跟踪中目标尺度变化和旋转问题,将仿射变换和应用到压缩感知跟踪中.首先,以上一帧的跟踪结果为均值,以一定的标准差按照高斯分布,随机生成不同尺度和旋转角度的候选框;然后,通过仿射变换将其转换至直角坐标系中,通过多尺度滤波得到目标在不同尺度下的高维特征向量,采用压缩矩阵将高维特征向量降维至低维空间;最后,将低维特征向量通过贝叶斯分类器选取具有最大响应的候选位置作为目标的跟踪位置.在此基础上分别提取正负样本来更新分类器参数,从而实现持续稳定的跟踪.实验结果表明,该算法能够较好地解决压缩感知跟踪中的目标旋转和尺度变化问题.     

基于变分贝叶斯逼近的前向仿射变换点集匹配方法研究

本文建立了两个点集线性匹配过程的贝叶斯模型框架,并利用变分贝叶斯逼近方法对模型点集到场景点集的仿射参数进行估计。该模型利用一个有向图对映射参数、隐藏变量、模型与场景点集的关系进行了描述,并基于有向图给出了各个参数和变量后验概率的迭代估计算法。而且该模型还利用了一个带有各向异性协方差矩阵的高斯模型对场景点集的离群点进行了估计和推理。实验结果表明该模型在鲁棒性和匹配精度方面均获得了良好的效果。     

基于Radon变换和HSV彩色模型的倾斜车牌校正

倾斜车牌校正是车牌识别系统中字符分割前的必要步骤。车牌的倾斜方式可以分为水平倾斜、垂直倾斜和混合倾斜。采用Radon变换来检测倾斜车牌的水平和垂直倾斜角,首先对倾斜车牌进行水平校正,然后基于HSV彩色模型对车牌区域颜色进行提取,进而去除非车牌区域的干扰,最后运用仿射变换对图像进行垂直校正。