基于均匀尺度不变局部三元模式的背景建模及其在Intel HD显卡上的并行实现

针对尺度不变局部三元模式(SILTP)背景建模算法复杂度较高、计算速度较慢,不利于高速视频处理的问题,提出了一种新的均匀尺度不变局部三元模式(USILTP)背景建模并行算法。首先,通过规范SILTP编码的跳变次数得到USILTP纹理特征,实现了SILTP特征降维;其次,设计并实现基于英特尔核芯显卡(Intel HD)及开放式计算语言(Open CL)的USILTP背景建模并行算法,进一步加速了USILTP背景建模算法;最后,通过融合多颜色通道模型结果,优化了USILTP背景建模算法的前景效果。实验结果表明,在Intel HD 4600上处理320×240分辨率的视频,该算法将速度提升至98 frame/s,比SILTP背景建模算法快4倍;在前景检测方面,该算法在背景公开数据库上的性能比SILTP背景建模算法提升了2.1%。

基于LTP子模式的人脸识别研究

针对局部三元模式提取到的人脸特征通常具有较高的维数,导致特征的紧致度不高,提出一种新的局部人脸特征提取方法——LTP子模式,并结合线性鉴别分析获得最佳的人脸局部纹理紧致特征的分类投影轴。本文在ORL和AR两个标准人脸库上测试,LTP-SP提取到的人脸特征维数不到原LTP特征的30%,但是识别性能却优于原始算法,因此算法具有较好的应用前景。

MR图像纹理特征融合诊断前列腺癌

目的探讨三维空间自适应局部三元模式(LTP)纹理特征、常规纹理特征以及灰度统计特征融合用于诊断前列腺癌的价值。方法从MRI中分割出前列腺外周带,提取自适应LTP融合纹理特征纹理特征、常规纹理特征和灰度统计特征,采用Adaboost算法分别获得每个特征族群以及3个族群特征融合的模型,计算对前列腺癌的诊断效能。结果三维空间自适应LTP融合纹理特征诊断前列腺癌的AUC为0.79±0.04,敏感度为78.31%(65/83),特异度为80.81%(80/99),准确率为79.67%(145/182);常规纹理特征诊断前列腺癌的AUC为0.71±0.04,敏感度为72.29%(60/83),特异度为81.82%(81/99),准确率为77.47%(141/182);灰度统计特征诊断前列腺癌的AUC为0.80±0.04,敏感度为78.31%(65/83),特异度为82.83%(82/99),准确率80.77%(147/182);融合特征诊断前列腺癌的AUC为0.87±0.04,敏感度为86.75%(72/83),特异度为88.89%(88/99),准确率为87.91%(160/182)。结论通过融合局部三元模式特征、常规纹理特征、灰度统计特征,可有效提高诊断前列腺癌的效能。

基于码本和纹理的视频监控系统的性能提升

针对现有视频监控系统智能化的视频分析功能不足的问题,利用海康监控系统的SDK开发包,获取实时视频流,并结合码本和尺度不变局部三元模式(scale invariant local ternary pattern,SILTP)纹理描述符构建背景模型,进行了移动目标检测和跟踪研究。实验结果表明,与现有系统相比,该方法检测到的目标完整充实,能够获得目标的轮廓与轨迹,有效提升了原有监控系统的性能。

结合LTP纹理特征和改进Mean-Shift的视频目标跟踪方法

视频序列中的目标跟踪效果受到尺度、光照和复杂背景等因素的影响,为此,提出一种结合局部三元模式(LTP)纹理特征和改进型Mean-Shift的目标跟踪方法。首先,为了提高传统Mean-Shift算法对尺度变化的鲁棒性,采用一种尺度和方向自适应的改进型Mean-Shift跟踪器,在均值漂移跟踪框架下估计目标的尺度和方向。另外,通过LTP来提取目标的纹理特征,将其与颜色特征相结合来表示目标模型。实验结果表明:该方法比只采用颜色特征的Mean-Shift算法更加有效,能处理快速移动物体在目标尺度和方向上的变化。

融合型神经网络的人员再检测

随着对跨境跟踪技术的关注不断增加,人员再检测技术也是一大研究热点。我们从外界影响的因素出发,提出了一种手动特征与神经网络特征提取结合的融合特征算法应用于人员再检测技术。首先利用改进型的生成式对抗网络(GAN)扩大数据集;然后利用颜色模型HSV和尺度不变局部三元模式结合神经网络特征融合的方案提取特征;再者,在分类模型中,利用交叉熵损失来进行计算相似度量。实验结果表明,与传统算法相比,性能有一定的改进。