基于图像逆投影和3D部件混合模型的目标检测

基于图像/视频检测场景中的目标对象,总要涉及如何应对由成像透视造成的几何和尺度形变,以及运动形式变化等问题,使得在2D图像空间设计算法变得尤为复杂,尤其是针对目标遮挡和粘连问题,一直不能得到很好解决。为此,借助逆投影变换,提出一种在逆投影图中结合多部件混合模型的目标检测方法。首先在3D空间中构建与目标局部表面相贴合的逆投影面或阵列;然后,通过逆投影变换重构目标局部表面的特征数据,得到相应的逆投影图;接下来,提取部件样本在逆投影图中的HOG特征构建特征字典;并通过在字典上的稀疏逼近实现局部部件的检测。最后,利用部件检测结果,构建3D模型,并对质心聚类,完成最终的目标识别。实验表明,基于图像逆投影和3D部件混合模型检测图像/视频中的目标,不仅可以降低算法的复杂度,还可以从本质上有效解决目标遮挡和粘连,使检测精度和速度都远超于在2D图像空间设计的算法。

结合位姿约束与轨迹寻优的人体姿态估计

基于混合部件模型的人体姿态估计方法忽视了人体结构的对称位姿约束关系,从而导致对称部件容易被重复检测、人体姿态估计准确率较低,为此,提出一种基于位姿约束与轨迹寻优的姿态估计新方法。首先估计人体单部件和对称部件在单帧图像中的多个合理位置,利用对称部件之间的位姿约束关系构建标识部件。然后根据单部件和标识部件各自的目标优化函数,通过动态规划算法反复迭代获得初始轨迹候选集,再结合轨迹的全局特征剔除检测得分较低的运动轨迹。最后引入树形合约模型,联系时空上下文信息,准确求解出视频序列光滑且兼容的最优轨迹。在N-best、Outdoor Pose和Scene数据集中的实验结果表明,对于存在背景复杂、运动模糊、部件遮挡等问题的视频序列中,该方法平均姿态估计准确率达87%以上,有效减少了对称部件的误判,提高了视频中人体姿态估计的准确率。

基于HOG特征稀疏表示的车辆检测

基于3D部件混合模型的车辆检测任务包括多部件3D混合建模、稀疏表示部件检测和质心3D聚类三个步骤。首先,基于车辆组成部件及其在3D空间的几何约束关系构建车辆检测模型;其次,用稀疏表示方法检测部件并在3D空间进行质心聚类,据此快速定位出每一车辆的3D-Box骨架,完成检测任务。

Fiducial generalized p-values for testing zero-variance components in linear mixed-effects models

Linear mixed-effects models are widely used in analysis of longitudinal data. However, testing for zero-variance components of random effects has not been well-resolved in statistical literature, although some likelihood-based procedures have been proposed and studied. In this article, we propose a generalized p-value based method in coupling with fiducial inference to tackle this problem. The proposed method is also applied to test linearity of the nonparametric functions in additive models. We provide theoretical justifications and develop an implementation algorithm for the proposed method. We evaluate its finite-sample performance and compare it with that of the restricted likelihood ratio test via simulation experiments. We illustrate the proposed approach using an application from a nutritional study.