基于2DDPCA的人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法。传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低。为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验。实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比。实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好。

基于欧氏距离预测的Camshift目标跟踪方法

针对被检测的运动目标在图像中被遮挡后出现运动目标干扰的问题,提高目标跟踪的准确率,提出了基于欧式距离预测的Camshift目标跟踪方法。通过高斯检测前景、像素过滤、中值滤波、形态学膨胀及遮挡判断等措施,采用将Camshift算法与改进的预测器相融合的方法完成对运动目标的预测跟踪。当目标被遮挡时,自适应选取Kalman预测器或者线性预测器,预测运动目标可能出现的位置,再用Camshift算法搜索目标质心,提高搜索的准确性。实验结果显示,所提改进算法可有效地解决原有算法中目标跟丢率高的问题,且能满足跟踪的精度和实时性要求。