基于局部分块和模型更新的视觉跟踪算法

针对目标跟踪过程中的目标表观变化、背景干扰及发生遮挡等问题,该文提出一种基于局部分块和模型更新的视觉跟踪算法。该文采用粗搜索与精搜索相结合的双层搜索方法来提高目标的定位精度。首先,在包含部分背景区域的初始跟踪区域内构建目标模型。然后,利用基于积分直方图的局部穷搜索算法初步确定目标的位置,接着在当前跟踪区域内通过分块学习来精确搜索目标的最终位置。最后,利用创建的模型更新域对目标模型进行更新。该文主要针对分块跟踪中的背景抑制、模型更新等方面进行了研究,实验结果表明该算法对目标表观变化、背景干扰及遮挡情况的处理能力都有所增强。

基于局部分块学习的在线视觉跟踪

视觉跟踪中,如何构建一种能够适应目标表观特征变化的目标模型是增强算法跟踪精度和稳定性的关键之一.本文提出利用跟踪区域内像素的初始分类标记来构建目标的局部分块模型,并在贝叶斯理论框架下提出了基于局部分块学习的在线视觉跟踪算法.首先,利用标定的初始跟踪区域构建目标的局部分块模型;然后,在当前跟踪区域中通过局部分块学习和贝叶斯估计确定当前帧的跟踪结果;最后,利用特征聚类对局部分块模型进行更新.实验结果表明:所提算法对目标表观变化的适应性明显增强,跟踪精度和稳定性较近年来的同类算法均有一定提高.

CLNF在人脸识别中的应用研究

针对人脸特征点定位的精确性对人脸识别系统精确性的影响,本文在受约束的局部模型(constrained local models,CLM)基础上,主要研究人脸特征点定位算法——受约束的局部神经域模型(constrained local neural fields,CLNF)算法。考虑每个patch模型(特征点检测器)的可靠性,CLNF结合局部神经域(local neural field,LNF)的patch模型,在拟合过程中,由原来的正则化特征点均值偏移(regularised landmark mean shift,RLMS)改为采用不均匀的正则化特征点均值偏移方法进行人脸拟合,同时,在人脸数据集Multi-PIE上进行实验,并对比分析两种模型。分析结果表明,CLNF定位算法在平均用时、成功率及误差率方面都具有明显优势,证明CLNF的LNF patch模型在人脸特征点拟合的精确性相对于CLM有明显提高。该技术拟合速度更快,拟合准确率更高,能够使人脸识别技术更加精确,具有更大的优势。该研究具有广泛的应用前景。

基于约束局部模型的人眼特征点定位

在眼动追踪技术中需要提取有效的眼动参数,针对各类人脸人眼特征点定位过程中不涉及瞳孔定位的问题,提出了一种有效的人眼特征点定位方法。首先用约束局部模型训练方法对人眼训练好模型,然后利用AdaBoost算法检测到人脸和人眼图像,最后把人眼的位置和图像信息传递给约束局部模型,经过搜索,精确定位出人眼特征点。实验表明,提出的方法不仅对光照和头部姿态有很好的鲁棒性,而且检测速度快,定位准确率高,能适应实际场景中应用。

结合非局部相似性的foveated选票缺陷检测

针对传统选票缺陷检测过程中图像配准的计算复杂度高、过程繁琐、对图案细节变化的鲁棒性差等问题,提出了一种避免图像配准、基于Patch相似性度量的foveated NL-means缺陷检测算法。该算法是对传统window NLmeans缺陷检测算法的改进,通过构建非局部相似模型,利用Patch权重和相似性关联对缺陷图像进行重构,无法重构的部分即为缺陷区域。通过foveated NL-means算法和window NL-means算法的实验对比表明,前者对缺陷区域的检测效果更加显著;其次这两种缺陷检测算法AUC分别为:0.923 5和0.863 8(小于0.923 5),数值积分表明前者对缺陷区域的预测更加精确,缺陷的分类性能更高;最后通过计算这两种算法的平均时间开销,可知foveated NL-means算法的时间效率相较于window NL-means算法平均提升了11.697 1 s,因此能够高效的完成缺陷检测任务。