基于图像轮廓提取的模板匹配方法在机器人视觉中的应用

在图像模板匹配基础上，利用轮廓提取方法，提出了一种适合机器人视觉技术的图像模式识别算法-基于图像轮廓提取的模板匹配算法。研究表明：该算法实现简单的，执行速度快，在求得对象物精确位置方面有一定提高，且在一定程度上相似性发布相对尖锐了一些。     

不规则物体点云切片中的多轮廓分割算法

使用切片法进行不规则物体点云体积测量时，现有的多边形拆分再重组（PSR）算法难以正确拆分较近的轮廓，进而导致计算精度较低。针对这一问题，提出一种多轮廓分割算法——改进最近点搜索（INPS）算法。首先，通过局部点的单次使用原则分割多轮廓；其次，使用多边形内点判定（PIP）算法判断轮廓的包含关系，以确认轮廓面积的正负；最后，采用切片面积乘以厚度并累加的方式获取不规则物体点云的体积。实验结果表明，在两个公开点云数据集和一个化学电子密度等值面点云数据集上，所提算法都能实现高正确率的边界分割，具有一定的普适性；且该算法体积测量的平均相对误差为0.043 6%，低于PSR算法的0.062 7%，可见所提算法实现了高正确率的边界分割。     

一种新的外耳轮廓跟踪算法

针对人耳识别中因人耳与肤色部分颜色接近，时比不鲜明而导致的很难进行边缘检测的问题，该文提出了一种新的外耳轮廓跟踪算法。算法首先运用阈值分割和形状匹配的方法找到外耳轮廓顶点，并将外耳轮廓分为左右两部分。从顶点开始，通过四个方向的Prewitt算子和一个最佳方向模板首先确定外耳轮廓的基本走向，然后分别从左右两个方向进行轮廓跟踪，得到外耳轮廓。将该算法与其它算法进行比较实验，结果表明了该算法的有效性。     

近距大偏角圆形目标的检测

圆形目标距离图像采集设备较近且存在较大偏转角时成像会产生严重的形变,给目标图像的自动检测带来了困难。提出了一种近距大偏角圆形目标的检测算法,利用闭运算处理,去除图像背景中的噪声,并采用嵌套双层轮廓提取方法实现目标轮廓提取,通过轮廓特征提取算法获得目标轮廓的初选轮廓,利用初选轮廓的细节特征信息确认目标轮廓。为了实现目标的高效检测,采用模板匹配算法进一步提高了算法运行效率以及稳定性。实验结果表明,所提出的检测算法可以有效地适应不同的背景环境,具有较强的鲁棒性和实时性。     

一种新的B—Snake算法在目标轮廓跟踪中的应用

用Snake算法跟踪移动目标时，有时会产生目标轮廓与背景中另一些物体靠近的现象，如果不加约束．那么一些控制点将可能因被吸引到背景边缘而产生错误。另外，目标产生移动或旋转时，因轮廓控制点会产生交叉而导致轮廓跟踪失败。为克服此类问题，提出了一种新的有效的目标跟踪算法，可以跟踪静止或运动目标的2维轮廓曲线。该算法先利用三次B样条曲线连接控制点，以初始化物体的边界，然后通过Snake最小能量函数把控制点吸引到轮廓的边界。在Snake跟踪算法中，由于是采用和下一点相连向量与控制中心相连向量的夹角正弦值的正负来避免控制点的交叉，而控制中心的位置则通过α-β-γ滤波能有效地估计出来，因而能准确地跟踪运动的目标。该算法运用到静止的或移动的头部轮廓跟踪的实验证明，该算法不仅对目标轮廓跟踪具有较好的效果，且运算时间短、复杂度低。     

图像轮廓提取的迭代收缩算法

本文提出一种提取二值图轮廓的迭代收缩算法，在快速提取图像轮廓的同时，保持轮廓封闭性，并保留轮廓间关系信息，算法用于人脸识别系统中取得了较好的实验效果。     

一种分阶段的主动轮廓算法

提出了一种分阶段的主动轮廓新算法。对源图进行一层小波分解，获得源图的一幅近似图。在发展阶段，主动轮廓作用在近似图中，并采用贪心算法使主动轮廓逐渐收敛到轮廓附近。在成熟阶段，主动轮廓作用在源图中，采用B样条形式，并使用动态规划算法达到全局最优。试验证明，这种算法具有收敛效果好、速度快的特点。     

基于先验模板的人脸面部特征提取的研究

提出了一种全新的人脸脸部轮廓提取算法,即运用先验模板及交替补偿机制的方法提取脸部轮廓,实验证明,文中提出的特征提取算法高效且鲁棒性能好。     

基于Voxel编码的曲面重建

一个完整的基于轮廓的曲面重建方法必须建立轮廓对应、解决分支和三角面片的构建.然而大多数已有的曲面重建算法只能解决问题的某些方面,从而导致这些算法不能有效地运用到复杂曲面重建,比如用磁共振获取的人大脑序列切片等盘旋且多分支凸包数据.提出了一个基于Voxel(像素)编码技术的曲面重建算法,该算法能以一种完全自动的方式处理带有空洞的复杂多分支曲面.首先将两相邻断层轮廓投影到定位于中间的一个辅助平面上,求得其差区域,然后根据差区域的不同情形进行分组.对每组轮廓,从对应的差邻域中提取骨架,并用骨架来度量两轮廓的不相似量,对不相似的进行剪支分解,从而使不相似的、复杂的轮廓转换为简单且相似的骨架轮廓对,最后完成三角片构建.重建曲面由二维流体三角面片组成,且仅经过切片上的输入廓线.算法已用手工数据和复杂人脑皮层的磁共振数据进行了仿真测试,检验了算法的有效性.     

二维非规则碎片匹配的算法

提出了一种基于曲率相似性的二维碎片轮廓匹配算法。该算法根据碎片轮廓上各点的曲率值来确定轮廓上的特征点，按照特征点对轮廓进行分段，将二维碎片的匹配简化为特征段的相似性度量与可匹配性验证。对可匹配的轮廓段进行欧氏变换以拼合两个轮廓曲线，自动地检测在当前变换下两个轮廓是否有重叠情况存在。没有重叠的两个轮廓组合起来更新为一个新的轮廓，进行再匹配直至重建过程完成。实例表明，算法是有效、稳定的。     

结合双流网络和金字塔映射的步态识别

目前,基于深度学习的步态识别方法虽然取得了一定的进展,但数据采集和步态外观的变化仍然是实现精确步态识别所面临的挑战。为了提高网络对时空步态信息的捕捉能力,提出了一种基于步态轮廓流和步态特征差分流的双流网络结构。步态轮廓流以步态轮廓图作为输入,用来提取步态序列中包含的空间步态信息;步态特征差分流则是以步态特征差分图作为输入,用来捕获相邻步态图之间的动态信息。同时,为了充分利用步态序列中的全局和局部信息,提出了多尺度金字塔映射（multi-scale pyramid mapping,MPM）模块,并插入到各单流网络中以增强网络对全局和局部步态信息的提取能力。所提方法在步态数据集CASIA-B和OU-MVLP上的平均识别精度分别达到了87.0%和85.5%,这表明双流网络架构和MPM模块可以有效地捕获步态序列中的时空步态信息。     

基于GVF Snake模型的步态识别轮廓提取

步态识别作为一种新的生物识别技术,通过人走路的姿势实现对个人身份的识别和认证。步态特征提取是步态识别的关键步骤。采用背景消减法与对称差分法相结合对运动人体分割,采用改进的GVF Snake模型对人体运动步态轮廓进行边缘提取。实验结果表明该方法能准确高效地提取边缘特征作为步态识别的特征。     

基于图像的异常步态二次特征提取算法仿真

针对传统特征提取算法容易忽略对数据的降维处理,未能较好的提取出图像异常步态特征,导致提取准确率不高的问题,提出一种基于图像的异常步态二次特征提取算法。根据不同姿态下足底的压力变化数值,完成异常步态图像的一次特征提取;根据一次特征提取后正常步态定义的特征变量数据,构建目标个体行走轮廓的步态能量图,同时结合KPCA核方法,对一次特征提取后的步态轮廓数据进行降维处理,完成异常步态的二次特征提取。仿真结果表明,在正常步态下和异常步态下,所提算法都能够有效地提取出图像的异常步态,具有较高的特征提取准确率,表明所提算法具有较强的实用性。     

基于列质量向量和SVM的步态识别

步态识别是根据人行走的方式来识别其身份,以其特有的优势作为一种身份识别手段。为了提高步态的识别率,提出了一种新方法,使用人体轮廓列质量向量表征特征信息,并使用支持向量机进行识别。根据人体轮廓的高度和宽度计算出步态周期,提取每个步态轮廓列质量向量,最后采用支持向量机进行分类识别。为了验证所提出方法的有效性,在CASIA步态数据库上进行了充足的实验,验证了该方法具有较高的识别率。     

基于特征融合的步态识别算法

步态运动中包含人体形状信息和运动信息,目前步态识别算法多数基于单一信息,不能取得满意的识别结果。利用特征融合的思想,提出一种融合人体轮廓特征和下肢角度特征的步态识别算法。采用傅立叶描述子描述人体轮廓特征;区别于基于模型的运动特征提取方法,依据人体解剖学的知识获取下肢角度,计算代价较小;采用加权融合规则实现两类特征的融合。仿真结果表明,本算法的性能较基于单个特征的算法有明显的提高。     

基于多支路残差深度网络的跨视角步态识别方法

针对基于卷积神经网络的步态识别模型不能充分利用局部细粒度信息的问题,提出基于多支路残差深度网络的跨视角步态识别方法.将多支路网络引入卷积神经网络中,分别提取步态轮廓序列图中不同粒度的特征,并利用残差学习和多尺度特征融合技术,增强网络的特征学习能力.在公开步态数据集CASIA-B和OU-MVLP上的实验证实文中方法的识别准确率较高.     

基于流形学习的三维步态鲁棒识别方法

针对过去几乎都是在单目视觉的情况下进行步态识别研究的现状,提出一种基于立体视觉的步态识别方法。首先利用立体匹配技术获得人体轮廓的三维信息,并据此构造出三维人体轮廓描述子以获取人体的步态特征。接着通过平滑、去噪等预处理手段抑制噪声的影响,并采用流形学习构建低维流形进行特征降维。最后将最近邻分类器和最近邻模板分类器用于识别过程。采用该方法在PRLABⅡ立体步态数据库和不规则测试数据集ExN上进行实验,获得较高的识别率。实验结果表明,文中所提出的方法具有与行人行走路径到摄像机之间的距离无关的特点,且对于不完整的残缺步态序列、行人行为姿态的变化、携带物品和服饰变化等具有较强的鲁棒性。     

Silhouette-based gait recognition via deterministic learning

In this paper, we present a new silhouette-based gait recognition method via deterministic learning theory, which combines spatio-temporal motion characteristics and physical parameters of a human subject by analyzing shape parameters of the subject?s silhouette contour. It has been validated only in sequences with lateral view, recorded in laboratory conditions. The ratio of the silhouette?s height and width (H–W ratio), the width of the outer contour of the binarized silhouette, the silhouette area and the vertical coordinate of centroid of the outer contour are combined as gait features for recognition. They represent the dynamics of gait motion and can more effectively reflect the tiny variance between different gait patterns. The gait recognition approach consists of two phases: a training phase and a test phase. In the training phase, the gait dynamics underlying different individuals? gaits are locally accurately approximated by radial basis function (RBF) networks via deterministic learning theory. The obtained knowledge of approximated gait dynamics is stored in constant RBF networks. In the test phase, a bank of dynamical estimators is constructed for all the training gait patterns. The constant RBF networks obtained from the training phase are embedded in the estimators. By comparing the set of estimators with a test gait pattern, a set of recognition errors are generated, and the average L₁ norms of the errors are taken as the similarity measure between the dynamics of the training gait patterns and the dynamics of the test gait pattern. The test gait pattern similar to one of the training gait patterns can be recognized according to the smallest error principle. Finally, the recognition performance of the proposed algorithm is comparatively illustrated to take into consideration the published gait recognition approaches on the most well-known public gait databases: CASIA, CMU MoBo and TUM GAID.     

基于图像背景减除技术的步态识别研究

步态识别是一种新的生物特征识别技术,旨在根据人们走路的姿势进行身份识别。本文利用图像背景减除技术进行步态轮廓检测,然后利用傅立叶描述子对步态轮廓图像进行描述,进行维数压缩,得到模板匹配,最后,利用最邻近法进行识别。实验证明,该算法具有较高的识别率。     

基于图像背景减除技术的步态识别研究

步态识别是一种新的生物特征识别技术,旨在根据人们走路的姿势进行身份识别。本文利用图像背景减除技术进行步态轮廓检测,然后利用傅立叶描述子对步态轮廓图像进行描述,进行维数压缩,得到模板匹配,最后,利用最邻近法进行识别。实验证明,该算法具有较高的识别率。