子空间描述的关节式目标跟踪

针对关节式目标变化对子空间描述造成的影响,本文提出了一种基于增量学习的关节式目标跟踪算法.该算法通过引入图像分割方法与快速傅里叶变换可有效消除背景像素对目标描述造成的影响以及目标区域前景目标位置对不准造成的误差,同时应用局部二值模式增加目标描述中像素点间的几何位置信息,应用基于增量学习的方法实现目标特征的在线更新,最终为跟踪算法提供较为精确的目标描述.实验结果表明,本文提出的关节式目标跟踪算法具有较好的目标跟踪效果.

基于通用曲率尺度空间描述子的彩色图像检索

大部分的图像存在遮挡现象,因此只能获得对象的部分轮廓。曲率尺度空间描述子(Curvature scale space descriptor,CSSD)是MPEG-7标准采用的闭合轮廓描述子。本文研究并分析了闭合完整轮廓和部分开轮廓曲线演化过程的不同之处,提出了一种通用曲率尺度空间描述子(GCSSD),不仅继承了CSSD的旋转、尺度、平移不变性及抗噪能力,并较好地描述部分开轮廓的特征。本文也给出相应GCSSD的匹配算法,将其应用于彩色图像花的检索,实验结果表明其性能明显优于CSSD。

利用空间序列描述子的快速准确的图像配准算法

针对基于局部结构特征的图像配准算法对特征描述不够精确、外点剔除过程运算复杂度高的问题,提出了一种利用空间序列描述子的快速准确的图像配准算法。算法定义了一种基于空间序列的特征点描述子,通过定义特征点间的连接权值和排列顺序构成点的特征来描述,融合了图像局部结构和全局信息;通过对随机采样一致性检验的改进,采用投票策略和随机采样一致性检测的方法,解决外点剔除问题;利用空间序列描述子进行图像配准,通过配准和外点剔除交替迭代进一步提高配准精度。定量分析与实验结果表明:与传统的特征点匹配算法相比,该算法具有结构简单、易于实现的特点,具有配准精度高和计算时间少的优点,具有较高的复现率和准确率。

基于增量学习的关节式目标跟踪算法

为实现对关节式目标的稳定跟踪,提出了基于增量学习的关节式目标跟踪算法.该算法应用图割法对目标矩形窗进行前景与背景分割,得到前景图像;然后对前景图像进行快速傅里叶变换,得到傅里叶系数矩阵,进而得到振幅图像,并将振幅图像作为跟踪目标的描述;最后将多个目标描述进行奇异值分解和主元分析,实现对跟踪目标的低维子空间描述.文中在粒子滤波框架下实现了整个跟踪算法.实验结果表明,该算法具有较稳定的关节式目标跟踪效果.

基于单视图多模式的人脸识别方法

人脸具有丰富的表情变化,而且受光照强度、成像角度和成像时间等诸多因素的影响,这些因素都给人脸自动识别造成很大的困难。针对这些问题,笔者提出了一种局部线性鉴别分析(LLDA:Locally L inearD iscrim inantAnalysis)的非线性鉴别分析方法,其根本思想是:全局非线性数据结构可由局部线性和局部结构的线性组合表示。样本的特征矢量通过线性转换构成局部特征子空间,使类间散度最大而类内散度最小。该方法适用于多类非线性鉴别。实验表明,在低维子空间、姿态变化和单视图表示的人脸识别中是很有效的。