基于加权直方图和均值漂移的实时跟踪算法

均值漂移算法在跟踪过程中没有有效利用跟踪目标的位置、运动方向等信息,当物体快速移动、旋转时,实时跟踪的目标极易丢失;均值漂移算法利用密度梯度估计跟踪目标,直方图是用来统计图像或图像的某个区域中每个灰度级或颜色级的分布情况的,依据颜色分布进行匹配具有较好的稳定性。跟踪目标的直方图受目标形状变化的影响较小,但通常直方图不包含任何的空间位置信息,加权直方图有效利用了空间信息。提出了一种加权直方图和均值漂移算法相结合的快速实时跟踪算法。实验证明该算法具有速度快、鲁棒性、稳定的特点,基本达到了实时跟踪处理的要求。

基于DBSCA聚类算法优化的均值漂移算法的移动通信网络站址规划优化算法研究

为适应当今无线通信产业的快速发展,解决基站选址是否合理,本文提出了一种基站定位算法,结合均值漂移算法和DBSCAN聚类算法来解决基站的合理选址问题。该算法将大区域划分为较小的子区域,并利用均值漂移算法计算每个子区域内局部服务体密度的密度极值点。根据每个高密区域的大小,建立覆盖范围不同的基站。采用DBSCAN聚类算法对近距离弱覆盖区域进行聚类,优化传统均值漂移算法的收敛速度。实验结果表明,该算法在寻找基站定位和数据分类的最优解方面具有实用性和有效性。

基于背景加权的尺度方向自适应均值漂移算法

针对经典的均值漂移算法在跟踪过程中由背景相似度、尺寸变化以及遮挡等引起的跟踪漂移问题,提出了一种基于背景加权的尺度方向自适应均值漂移跟踪算法。结合背景加权来提取目标颜色特征,充分利用了视频图像序列的空间信息,突出了目标区域的信息特征,抑制了由背景相似度和背景模糊引起的跟踪漂移现象。采用尺寸方向自适应的协方差矩阵估计方法,以适应运动目标尺寸方向的实时变化,保证了跟踪的准确性。经实验验证提出的运动目标跟踪算法较之其他经典均值漂移算法在精度和效率上都有显著提高。

基于部分背景加权更新的均值漂移跟踪算法

为了解决均值漂移跟踪算法中背景对目标定位的扰动,提出了一种基于颜色和纹理混合特征以及采用背景加权更新的改进算法。改进算法先将原始视频序列RGB帧图像转换为HSV颜色空间表示,然后分别在H、S通道上提取颜色特征,在V通道上用LBP描述符提取纹理特征,在此基础上为目标区域和背景区域建立三维颜色纹理混合直方图作为其描述符;在对象的跟踪过程中,通过巴氏系数选择性地加权更新部分背景信息。实验结果表明,与基于全部背景更新策略相比,改进算法充分利用了颜色和纹理特征并加权更新背景信息,具有更高的可靠性和鲁棒性,具有更好的计算效率。

基于知识量加权的直觉模糊均值聚类方法

针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题,提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量,据此实现数据集特征加权,再利用核空间密度与核距离初始化聚类中心,以提高高维特征数据集的计算精度与聚类效率,最后基于类间样本距离与最小知识量原理建立聚类优化模型,得到最优迭代算法。基于UCI人工数据集的实验结果表明,所提方法较大程度地提高了聚类的准确性与迭代效率,分类正确率及执行效率分别平均提高了10.63%和31.75%,且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果,为该理论在其他相关领域的潜在应用开创了新例。

基于改进均值漂移算法的绿色作物图像分割方法

针对绿色农作物图像背景复杂且分割难的问题,提出一种基于改进均值漂移算法的分割方法。采用均值漂移算法对图像进行平滑和分割时,带宽的选择直接影响平滑和分割的结果。传统的均值漂移分割方法需要人为地设定空域带宽和值域带宽这2个参数。该文首先根据绿色作物图像的颜色特点,提取图像的颜色指数;然后采用均值漂移算法,将图像的颜色信息与空间信息结合起来,根据作物图像颜色分布的丰富程度定义自适应空域带宽,采用渐近积分均方差来获得自适应值域带宽,对图像进行平滑滤波;最后采用Otsu方法将平滑后的图像分成两部分:绿色部分和背景部分。试验结果表明,该方法能够有效地分割出绿色作物,并在分割性能上明显优于常规的颜色指数方法,作物图像的错分率均小于6.5%。

基于加权模糊c均值聚类与统计检验指导的多阈值图像自动分割算法

图像分割是计算机视觉中一个重要的研究课题.本文提出一种基于直方图的多阈值灰度图像自动分割方法,该方法利用加权模糊c-均值聚类算法快速实现分割过程,同时通过单峰统计检验指导来自动确定多阈值的合适数目.实验结果表明了该方法的有效性.

点密度函数加权模糊C-均值算法的聚类分析

基于模糊C-均值算法具有对数据集进行等划分趋势的缺陷,文章利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种新的加权模糊C-均值算法,该方法不仅在一定程度上克服了模糊C-均值算法的缺陷,而且具有良好的收敛性。

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C-means,FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California-Irvine,UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。

基于改进遗传算法的加权模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法具有初始聚类中心敏感和容易陷入局部最优的问题,提出了一种基于改进遗传算法(GA)的加权模糊C均值聚类算法,采用高斯变异算子,提高了遗传算法在每个峰值附近的局部搜索能力,用基于复相关系数的加权欧式距离代替欧式距离,改进了FCM算法的聚类目标函数。用改进的算法对国际标准测试数据Iris进行测试,实验结果表明改进后的算法具有更好的稳定性和健壮性,提高了聚类的效果。

基于均值漂移和联合粒子滤波的移动节点定位算法

针对无线传感器网络移动节点定位面临的高精度和实时性要求,把均值漂移算法引入联合粒子滤波(Joint ParticleFilter)框架,提出了基于均值漂移和联合粒子滤波的移动节点定位算法。它使用均值漂移算法构建粒子滤波的建议分布,通过有效利用最新观测信息,提高粒子状态估计的准确性,使得采样粒子的状态分布与后验概率分布更接近,减少了状态估计必需的粒子数目。该算法还提出了基于虚拟海明距离和交互势的权重计算方式,减少相邻移动节点间的干扰。仿真实验结果表明,基于均值漂移算法和联合粒子滤波的移动节点定位,可获得比基本粒子滤波更高的定位精度,其定位精度与无味粒子滤波(Uscented Particle Filter)相当,而计算开销比无味粒子滤波减小至少50%。

背景抑制直方图模型的连续自适应均值漂移跟踪算法

针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合,是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率,提出了一种基于2维直方图加权的塔形模糊c均值(FCM)聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制;然后通过塔形分解来缩减聚类样本集;最后利用加权FCM聚类算法进行分类。仿真结果表明,该方法的效率明显优于标准的FCM算法。此外,为确定分割的最优类别数c,还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度,实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。

基于自适应阈值Kirsch-LBP纹理特征的均值漂移目标跟踪算法

针对以颜色特征建立概率模型的Mean Shift目标跟踪算法在光线变化时存在的缺陷,提出了一种融合改进型纹理特征与HSV颜色特征的Mean Shift目标跟踪算法。首先,设计一种具有抗光性能的自适应阈值Kirsch-LBP纹理特征算子,该算子利用Kirsch算子的8个方向模板所求的差值,并采用LBP模板均值作为自适应阈值,再按照旋转不变LBP原理提取局部纹理特征;其次,利用不同特征相似性系数间的关系作为加权准则来构建新的权重;最后,将其嵌入到Mean Shift算法中以实现目标跟踪。对比实验结果表明,本算法在光线变化场景中也具有良好的目标跟踪特性,广泛适用于光照变化和姿态变化等复杂场景下的目标跟踪领域。

基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上,提出一种基于加权模糊C均值算法方案。该方案通过加权模糊C均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比,该方案在相对较小的数据集下,具有较为理想的稳定性,较高的分类精度,大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。

一种基于均值漂移和遗传算法的图像分割算法

均值漂移算法在图像分割中有着重要的应用,考虑到图像的噪声和边缘保持等因素,提出了一种基于均值漂移的图像平滑和利用遗传算法取得直方图最大熵的图像分割算法。首先利用均值漂移算法对图像进行平滑处理,然后对平滑后的图像通过遗传算法获得在直方图最大熵时的分割阈值,均值漂移平滑后的图像不仅能很好地保持图像的边缘特征,还能有效地去除噪声,而利用遗传算法可以比较快速和准确地取得分割阈值。实验得出,文中算法能够取得较好的分割效果。

基于前向查找和均值漂移的点模型鲁棒降噪算法

针对点模型提出了基于前向查找和均值漂移两种鲁棒统计方法的滤波算法。前向查找算法根据残差图自动检测离群点,并将输入的点云数据划分为多个不带离群点的最优局部降噪邻域。对局部邻域进行加权协方差分析,估计出该邻域的最小二乘拟合平面。在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点,核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面,将每一个采样点漂移到密度函数的局部最大值点,使点云曲面收敛为一个稳定的三维数字模型。实验结果表明,本文的算法是鲁棒的,能在有效剔除点模型表面噪声的同时较好地保持模型表面的尖锐特征。

基于特征加权C均值聚类算法的案例索引和检索

一个成功的案例推理系统高度取决于如何设计出一个精确并且高效的案例检索机制。提出用特征加权C均值聚类算法(WF-C-means)把源案例中的初始案例分成几类。在WF-C-means的分类结果基础上提出了案例索引方案。实验表明,研究的结果对于一个现实的案例推理系统非常有用。

一种改进型自适应加权模糊均值滤波算法

针对原有的自适应加权模糊均值AWFM滤波器对局部噪声幅度估计不足的缺点 ,提出了一种新的改进型自适应加权模糊均值MAWFM滤波算法。该算法采用了一种新的模糊检测方法 ,可以同时检测各个像素点的正负向噪声幅度 ,从而能够建立一种新的自适应的模糊信号空间 ,以适应噪声在各个图像局部的变化。实验结果表明 ,MAWFM滤波器比以前的AWFM滤波器及传统的中值滤波器均有较优越的性能。

基于均值漂移算法的人脸自适应跟踪

采用自适应人脸方向模板和YCbCr自适应肤色模型,提出了一种新的基于均值漂移算法的自适应人脸跟踪方法。与传统的均值漂移跟踪方法相比,当人脸倾斜时或光线变化时,该方法能更精确地描绘出人脸位置。实验结果表明,在基本上不增加计算量的情况下,该方法能对人脸的倾斜和光线的变化进行很好地自适应跟踪。