基于随机局部均值Hash特征的在线学习目标跟踪

在局部遮挡,光线变化,以及复杂背景环境下进行有效稳定的目标跟踪一直是一个长期困扰研究者的复杂问题。提出一种基于随机局部均值Hash特征的在线学习目标跟踪算法,算法的创新点为基于泊松概率分布的目标模型建立及其在线更新。算法首先利用已标定实际位置的目标图像来初始化目标模型及构建初始分类器池,由此求出下一帧的检测算子,同时基于多实例在线学习方法,利用检测到的目标样本(正样本)以及附近的背景样本(负样本)在线更新目标模型,求出新的检测算子用于后续帧的目标检测及跟踪。提出的算法与现有基于检测学习的Online Boosting Tracker,Semi Tracker,Beyond Semi Tracker,Context Tracker和MILTracker跟踪算法在给定的四个标准视频序列中进行了跟踪性能比较。实验结果表明,在各种复杂环境下,该算法具备良好的综合跟踪性能,尤其在抗局部遮挡方面尤为突出。在抗目标旋转方面,该算法仍有待优化。

基于均值hash的图案织物疵点检测

图案织物的疵点检测是织物瑕疵自动化检测的难点,论文提出以均值hash特征描述子表示图案织物的均值hash特征和灰度特征,实现了图案织物的疵点检测。首先,基于图案织物的周期性,构建了无疵点织物的均值hash特征词典;然后,提取测试织物图像块中的均值hash特征和灰度特征;通过图像块的均值hash特征与词典进行匹配,利用汉明距离表示差异度,获得了结构显著图;将图像块的灰度特征与全局灰度平均值比较,得到灰度显著图;最后,融合显著图,定位了缺陷位置。大量图案织物的实验结果表明,均值hash特征描述子能有效地表示周期性图案织物的结构特征,算法结合灰度特征,提高了织物疵点检测的成功率,并具有良好的视觉效果。

基于运动筛选和3D卷积的视频早期烟雾检测

针对基于视频的早期烟雾检测在复杂环境下的高误报和高漏检问题,提出了一种基于运动筛选疑似区域的方法并设计了一个输入为6帧图片的多尺度3D卷积神经网络(6M3DC)来进行视频烟雾检测的算法。将视频帧进行均值滤波后通过背景差分模型获取运动区域并计算获得区域所在块,通过颜色判断和均值HASH算法对运动块进行筛选提取疑似块并将不符合条件的块更新到背景图。通过组合连续6帧相同区域的疑似块输入多尺度3D卷积神经网络进行检测,将检测为烟雾的块标记,非烟雾块更新到背景图。实验结果表明,算法对缓慢运动的烟雾有一定的适应性,可以较好地在复杂环境下检测出烟雾。