【摘 要】
：
针对复杂场景中的目标外观和背景变化引起的模板更新问题,提出了一种新的视觉跟踪模板更新策略,用以提高目标模板正确性。算法利用特征信息在时间和空间上的区别和变化,进行特征子量分类更新,避免了模型过更新,提高了目标模型的容错能力,使更新带来的误差尽量小,以适应目标和背景信息的不断变化,在一定程度上提高了跟踪算法的精准度和鲁棒性。实验结果表明,本文方法在视频跟踪系统中具有优越的性能,可以在目标运动、变化和
论文部分内容阅读
针对复杂场景中的目标外观和背景变化引起的模板更新问题,提出了一种新的视觉跟踪模板更新策略,用以提高目标模板正确性。算法利用特征信息在时间和空间上的区别和变化,进行特征子量分类更新,避免了模型过更新,提高了目标模型的容错能力,使更新带来的误差尽量小,以适应目标和背景信息的不断变化,在一定程度上提高了跟踪算法的精准度和鲁棒性。实验结果表明,本文方法在视频跟踪系统中具有优越的性能,可以在目标运动、变化和遮挡情况下实现鲁棒跟踪。
其他文献
基于特定场景的先验信息,通过分析多个特征参量对弱小目标检测的性能,利用各参量对弱小目标检测的长处,设计了一种基于多特征融合的目标检测算法。以空域匹配模型、区域加权信息熵和频域滤波自适应阈值分割3种方法为单特征量,基于各个特征量对特定应用场景下的大量目标检测的先验结果,利用概率论的知识,构造了有利于提升计算速度和检测概率的两种多特征融合方法。实验表明,该方法能够有效地提高单帧弱小目标的检测性能。
已有的椒盐噪声滤波方案的颜色还原或细节保护方面均有不足,提出了一种基于滤波窗口像素分量间关联性差异的脉冲噪声检测与滤波算法。针对像素分量分析滤波窗口中像素的差异,并结合分量间的关联度提高噪声检测正确率;滤波阶段,对向量滤波改进,提高参考向量的可靠性,将噪声像素与参考向量进行最优对齐,从而实现像素亮度与颜色的最佳复原。对比试验结果证明,本算法具有较高的颜色还原与细节保护性能,脉冲检测与滤波效果均明显
针对光照变化、姿态变化等条件下人脸鲁棒性差的难题,提出了一种改进主成分分析与低秩投影的鲁棒性人脸识别算法。首先利用改进主成分分析对人脸图像进行学习,形成低秩稀疏误差矩阵,然后根据稀疏误差图像计算平滑度和边缘,并进行加权实现人脸识别,最后进行仿真实验。结果表明,相对于当前经典人脸识别算法,本文算法获得更高的人脸识别率,并且具有较强的鲁棒性。
由于多种因素影响,激光图像结构非常复杂,传统方法难以获得高精度的分割结果,为了提高激光图像的分割精度,提出一种改进神经网络的激光图像分割方法。首先对激光图像进行去噪处理,消除噪声对图像分割的不利影响,然后采用改进神经网络对激光图像进行分割,最后采用多幅激光图像进行仿真性能测试。实验结果表明,改进神经网络以较少时间准确分割出激光图像中的目标区域,可以有效抑制噪声对分割结果的干扰,且比当前经典激光图像
图像信号在采集、传输和记录过程中,很容易受到各种噪声信号的干扰,使得获得的图像的视觉效果下降。对于实时性要求高的图像处理系统而言,用软件来实现噪声的预处理相对来说是比较耗时的。采用集成化的整体解决方案,将信号采集和滤波处理完全的由FPGA来完成,从而提高图像信号采集速度以及图像处理效率。
在随机相位编码光学扫描系统中(PRE—OSH),加入了随机相位板(液晶空间光调制器)来解决此系统中存在的离焦噪声问题,由于相位调制设备的精度限制(相位调制与加载驱动电压的非线性关系)以及系统中相位板的设计误差,无法达到理想的调制范围(0-2π),相位调制最高达到1.7π,无法生成理想的重建图像。为此,优化这部分的相对恢复算法并且计算模拟实验过程,并且需要分析相应的模拟光学重构图。
提出了一种基于OMR的自动模板提取算法,该算法主要是通过把实对称矩阵对角化后来寻找选项涂画区域模糊集的代表,提取模糊集代表后并在标记识别中应用大津法,通过对OMR卡的定位标记和涂画标记的识别,能实现批量标准化卡片的评判。应用提取的算法,可以很方便地实现高适应性的自动识别评判系统。
针对传统基于稀疏表示的目标跟踪方法中,当场景中含有与目标相似的背景时容易出现跟踪漂移的问题,提出一种新的目标跟踪方法.该方法基于目标的局部二元模式特征,将目标外观模型同时用原始目标模板与当前帧部分粒子构成的联合模板稀疏表示,构建一个联合目标函数,将跟踪问题通过迭代转化为求解最优化问题.实验结果表明,所提出跟踪方法在解决遮挡、光照等问题的同时,对场景中含有与目标相似背景的序列具有较好的跟踪效果.
In this work, the affine point set matching is formulated under a variational Bayesian framework and the model points are projected forward into the scene space by a linear transformation. A directed
针对基于纠错输出编码多类分类中如何保证基分类器差异性的问题,提出一种基于特征空间变换的编码方法.该方法引入特征空间,将编码矩阵扩展成三维矩阵;然后基于二类划分,利用特征变换得到不同的特征子空间,从而训练得到差异性大的基分类器.基于公共数据集的实验结果表明:该方法能够比原始的编码矩阵获得更优的分类性能,同时增加了基分类器的差异性;该方法适用于任何编码矩阵,为大数据的分类提供了新的思路.