基于相关滤波的改进Staple人脸跟踪算法

在基于相关滤波的目标跟踪算法Staple的研究基础上,针对相关滤波在处理目标人脸消失、遮挡、脱离镜头时跟踪框漂移问题,本文提出一种自适应置信度机制的人脸跟踪算法.先通过人脸检测确定首帧人脸位置,再对相应位置的人脸的HOG特征与颜色特征进行提取,并预留两者特征,利用视频首帧提取的特征进行跟踪置信度判断,及时对融合特征进行更新.设计并实现了能够克服目标人脸位置移动、消失和表情姿态变化的人脸跟踪算法.实验表明,本文改进较前人算法有较大的提升.     

一种基于粒子滤波的测向定位跟踪算法

基于多站测向定位提供的目标辐射源方位角信息,提出了一种基于粒子滤波的测向定位跟踪算法.该算法采用序贯蒙特卡罗的粒子滤波技术,对目标辐射源方位信息进行粒子滤波融合处理,实现了对机动目标辐射源的无源定位跟踪.仿真实验表明,该算法适用于非线性模型和非高斯噪声的目标跟踪,与传统的基于卡尔曼滤波的多传感器融合跟踪算法相比,定位跟踪更为精确,从而对提高战场电子目标定位跟踪和精确打击具有广泛的应用价值.     

结合HOG-LBP特征及多实例在线学习的随机蕨目标跟踪方法

提出了通过联合随机蕨与HOG-LBP特征建立目标模型的方法. 首先利用选定目标图像块中的HOG-LBP特征向量完成初始化及在其后的过程中产生新的随机蕨, 该随机蕨用于对兴趣目标的检测和跟踪. 目标模型的更新通过多实例在线学习与更新蕨池实现. 提出的方法在选定6个标准视频序列进行测试, 测试结果与现在较流行的OnlineBoostingTracker、MILTracker等跟踪算法进行了比较和分析. 结果表明, 在各种复杂环境下, 本研究提出的方法具备良好的跟踪鲁棒性, 在抗局部遮挡和光照变化方面具有一定的优势; 同时算法具备一定的抗尺度变化能力; 在抗旋转方面, 该算法仍有一定的可改善空间.     

基于时空结合的运动物体分割

提出了一种当视频中的运动物体有较大范围的运动时,对其进行分割的方法．首先利用帧差法来快速定位运动物体的位置,并以此作为初始分割结果．然后利用均值偏移法准确估计运动物体的边缘并利用图切割方法建立两者之间联系．考虑到视频的运动连续性,同时引入前一帧分割结果来约束当前帧的分割．该算法同时利用了帧差法和均值偏移法的优点,能够快速准确地分割在视频场景中出现的运动物体．     

部分遮挡人脸识别的方法综述

通过人脸识别进行身份确认一直以来都是非常活跃的研究主题,在现实环境中,表情变化、光照影响、姿态变化、遮挡等都会对人脸识别任务产生不良的影响,其中部分遮挡问题一直没有得到有效的解决。对部分遮挡人脸识别的稀疏表示法、遮挡字典的处理方法、遮挡的误差编码方法、基于深度学习的方法、基于深度学习与传统算法结合的方法和基于3D的方法进行了总结,阐述了各类方法的基本思想和原理,分析了现阶段存在的问题和未来的研究方向。     

基于混合高斯模型的运动目标检测

针对运动目标检测中的背景复杂度高、视频数据计算量大等问题, 且为避免计算不同复杂程度的视频背景, 并能够准确地获取所需要的运动目标, 提出了一种基于混合高斯模型的运动目标检测方法. 首先采用混合高斯模型获取运动目标特征; 然后利用中值滤波方法去除视频目标运动特征中的背景噪声; 最后依据形态学运算方法对通过统计直方图得到的运动显著图进行处理, 从而获取最终的运动目标. 对标准视频序列集的检测表明, 利用该算法获取的运动目标不仅能抑制背景噪声, 而且精准度和误差都优于普通的视频运动目标检测算法.     

基于图像处理的荧光显微神经丝运动跟踪研究

神经丝蛋白质是具有细长突起的细胞中突起部分的重要组成单位,通过跟踪神经丝蛋白质,可以研究医学神经退行性方面的疾病.针对人工手动跟踪神经丝蛋白质效率低、主观性强等问题,提出了一种基于图像处理技术的神经丝蛋白质自动跟踪的全新方法.该项目构建了适应于视频中荧光显微下神经丝蛋白质运动目标检测的图像采集软件系统,通过MATLAB拆分视频获得每一帧神经丝蛋白质图像,研究了适合于该图像的预处理方法.采用间隙统计法对神经丝蛋白质图片进行分析处理,使用K-means聚类分割算法逐次收敛出不同类别的对象.利用主动轮廓模型将初始轮廓迭代收敛为神经丝蛋白质的轮廓.通过每一帧蛋白质的位置坐标,得到神经丝蛋白质的运动路径,从而达到跟踪的目的.系统能够有效的提取出视频中的神经丝蛋白质,实现实时跟踪,减少了运算时间,提高了跟踪精度.     

改进的多目标粒子群算法

提出了一个改进的粒子群算法并将其用于解决多目标优化问题．该算法利用粒子群算法的信息传递机制，引入多目标演化算法常用的归档技术，采用SPEA2算法的环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集．标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性．     

基于时空上下文正则的孪生网络目标跟踪

在视频目标跟踪任务中,负样本缺乏、背景混杂会造成目标丢失。为解决上述问题,提出一种基于时空上下文正则的孪生网络目标跟踪算法。该算法将空间上下文信息引入到孪生网络中,并利用目标物体正样本以及背景负样本训练跟踪器,通过正则化约束,抑制跟踪器对背景的响应,突出对目标的响应,从而得到鲁棒性更强的目标跟踪器;采用时间序列多组件匹配机制,在目标外观模型受到干扰的情况下动态调整目标模型学习率,从而保证目标模板不受污染。在OTB100标准数据集上的实验表明,在混合干扰条件下,本文算法的准确率(0. 885)和成功率(0. 615)均优于其他主流跟踪算法。特别是在遮掩、运动模糊、光照变化、背景聚类和快速运动等干扰因素影响情况下,本文算法均具有较强的鲁棒性。     

基于全卷积孪生网络的模糊目标跟踪

针对全卷积孪生网络(fully-convolutional siamese network,SiamFC)跟踪速度较快但容易受到运动模糊干扰的问题,通过在SiamFC的基础上引入图像质量评估(image quality assessment,IQA)和去模糊模块,提出了一种有效跟踪运动模糊场景下目标的算法。一方面,使用图像质量评估模块对SiamFC选择的搜索区域进行质量评估,只有在得出的结果显示该图像区域较为模糊时才对其进行去模糊处理,以最大程度防止在原本清晰的图像中引入噪声,同时将图像质量评估模块与SiamFC的网络结构进行融合,以尽可能减少新增模块所需的计算量。另一方面,去模糊模块可以有效解决原图像中存在的运动模糊对跟踪造成干扰的问题。在公开数据集OTB2015和UAV20L上的实验结果表明,相较于基准算法SiamFC,本文算法在OTB2015上的准确率提升了3.1%,成功率提升了2.6%;在UAV20L上的准确率提升了4.7%,成功率提升了5.4%。对OTB2015和UAV20L数据集中不同属性的视频序列进行分析,结果表明,本文算法可以有效降低动态模糊对跟踪算法的干扰。     

基于改进的Heaviside核函数新的目标模型追踪算法

为更好地解决前景和背景相似程度较大或目标运动较为复杂的问题,提出了基于改进的Heaviside核函数新的目标模型追踪算法.在初始帧中,使用改进的Heaviside核函数来表示目标区域,然后分别计算目标区域前景和背景元素的颜色纹理直方图特征分布,并通过前景和背景特征分布差异建立新的目标模型,它可更好地代表目标.对于候选模型,结合传统Epanechnikov核对目标模型建模,通过Bhattacharyya系数进行迭代搜索,最终收敛的位置即为下一帧的目标中心.实验结果表明:提出的算法和传统的Mean-shift算法和基于颜色纹理直方图的Mean-shift算法相比较精确度高、速度快、鲁棒性强.     

基于Shannon-Cosine小波精细积分法的壁画降噪修复方法

为修复受破损且噪声点众多的壁画图像,提出了用偏微分方程（partial differential equation,PDE）扩散的方法对图像进行降噪修复。针对PDE法求解精度较低的问题,提出了一种Shannon-Cosine小波精细积分法,运用小波数值方法对偏微分方程进行离散处理,降低其方程组规模,并采用精细积分法求解,有效提高了计算速度。试验结果表明,采用该算法对受损壁画降噪处理后,视觉上,图像边界更清晰,且噪声点得到有效减少,达到了保边降噪的效果,更符合人眼的视觉效果;客观上,与中值滤波、均值滤波和维纳滤波方法相比,采用本算法处理后的图像其PSNR值和SSIM值均最大。因此,运用Shannon-Cosine小波精细积分法求解图像的PDE模型是可行的,取得了较好的图像降噪效果。     

基于Shannon-Cosine小波精细积分法的壁画降噪修复方法

为修复受破损且噪声点众多的壁画图像,提出了用偏微分方程（partial differential equation,PDE）扩散的方法对图像进行降噪修复。针对PDE法求解精度较低的问题,提出了一种Shannon-Cosine小波精细积分法,运用小波数值方法对偏微分方程进行离散处理,降低其方程组规模,并采用精细积分法求解,有效提高了计算速度。试验结果表明,采用该算法对受损壁画降噪处理后,视觉上,图像边界更清晰,且噪声点得到有效减少,达到了保边降噪的效果,更符合人眼的视觉效果;客观上,与中值滤波、均值滤波和维纳滤波方法相比,采用本算法处理后的图像其PSNR值和SSIM值均最大。因此,运用Shannon-Cosine小波精细积分法求解图像的PDE模型是可行的,取得了较好的图像降噪效果。     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题,提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性,提出基于快速神经网络架构搜索（neural architecture search,NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法,在预设的搜索空间中搜索最优网络结构,进行图像水印的高效嵌入与鲁棒提取。首先,将子网络中线性连接的全卷积层设置为独立的神经单元结构,并参数化表示结构单元内节点的连接,预先设定结构单元内每个神经元操作的搜索空间;其次,在完成一个批次的数据集训练后,依据神经元操作中的被采样次数和平均损失函数值动态更新概率;最后,重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上,大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑,本文算法具有较高的时间性能和较好的实验效果,在隐藏图像时,对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验,对比发现,本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著;在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著,特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

基于提升小波的方向扩散算法实现侧扫声纳图像去噪

侧扫声纳作为一种重要的海底探测技术,已得到广泛的使用,但声强数据经过严格的数据处理后,依然存在噪声,影响图像的正确判读.针对侧扫声纳图像中的噪声问题,采用基于偏微分方程的方向扩散、正则化P-M（AOS算法）、基于离散小波的方向扩散、基于提升小波的方向扩散4种方法,与传统的均值滤波、中值滤波、维纳滤波和小波软阈值、硬阈值、贝叶斯估计阈值的方法进行实验对比,发现基于提升小波的方向扩散方法,不仅能有效提高峰值信噪比,而且还能保持较好的平滑指数和边缘保持指数,更适用于侧扫声纳图像的去噪处理.     

基于色彩衰减补偿和Retinex的水下图像增强

针对水下图像存在的色偏、雾状模糊、低曝光和非均匀光照问题, 提出一种基于色彩衰减补偿和Retinex的水下图像增强算法. 首先, 为校正水下图像的色偏, 利用水体对不同波长光线衰减不一致的特性自适应地补偿其R、G、B通道. 然后, 使用基于多尺度导向滤波的Retinex去除雾状模糊, 增强对比度. 最后, 根据水下图像和自然图像的直方图分布特征对其进行归一化处理, 从而在保存图像主要信息的前提下增强其纹理和曝光. 实验结果表明, 该算法不但具有较优的视觉感知效果, 而且具有较高的图像质量评价分数. 该算法具有较强的适应性, 有助于计算机视觉算法在水下的应用.     

检测含无关项旋转对称逻辑函数的快速算法

旋转对称逻辑函数在密码学函数构造领域有广泛应用。针对含无关项旋转对称逻辑函数检测中存在的不足,从含无关项逻辑函数的定义和旋转对称函数的性质出发,提出了检测含无关项旋转对称逻辑函数的快速算法。该算法通过判断逻辑函数1值最小项二进制编码周期旋转后产生的新编码同1值最小项及无关项二进制编码的重复性实现快速检测。结果表明,快速算法在适用的逻辑函数变量数、含无关项旋转对称逻辑函数检测的适用性和检测过程的复杂度方面均优于现有的表格方法与谱系数方法。     

基于事件相机的无人机目标跟踪算法

无人机目标跟踪可应用于消防、军事等重要领域,已成为计算机视觉领域热门研究课题之一。现有的无人机目标跟踪算法大多基于传统RGB相机结合深度学习算法, 但此类算法一方面无法避免无人机机体抖动造成的运动模糊, 另一方面因传统RGB相机在低光照或过曝光场景下成像质量较差,难以跟踪目标,为此提出采用无人机搭载DAVIS事件相机的方法进行目标跟踪。设计了基于事件与灰度图的双模态融合跟踪网络,用Vicon运动捕捉系统制作了无人机视角下的目标跟踪Event-APS 28数据集,实现了在复杂光照场景下对目标物的有效跟踪。