基于运动矢量预测性程度的快速运动估计算法

针对复杂剧烈运动视频信号在进行运动估计时出现的预测误差问题,提出基于运动矢量预测性程度的快速运动估计算法。根据局部运动矢量的一致性程度与运动矢量在时间上相关性程度的关系,决定运动矢量的可预测性程度,将待估计的运动矢量分类为不可预测、中度可预测和高度可预测,不同的可预测性采用不同的搜索策略进行运动估计。实验结果表明,该算法能提高运动估计的速度,并且具有与其他快速运动估计算法近似或更好的PSNR性能。     

基于粒子滤波器的摄像机运动参数估计

针对利用运动矢量估计摄像机运动参数的问题,将运动矢量作为状态,以块的位置作为状态索引,根据区域的局部相关性自适应地确定状态转移方程,以块匹配的平均绝对误差作为状态估计的观测输出,从而建立状态空间模型。基于该模型利用粒子滤波器估计运动矢量,采用重采样技术来消除粒子退化的现象,最后按照运动矢量与摄像机参数的关系模型,借助最小二乘法确定最优的摄像机参数。实验表明,该算法以较少的搜索点可以估计得到具有时空一致性的运动矢量场,进而能估计出反映摄像机真实运动的摄像机运动参数。     

一种新的基于吉布斯随机场的视频运动对象分割算法

与现有的视频运动对象分割算法不同, 本文提出一种新的基于吉布斯 (Gibbs) 随机场模型的视频运动对象的分割算法, 该算法将运动对象的运动场作为主分割信息, 空间像素值的一致性作为次要分割信息. 该算法首先对运动矢量场进行累加和滤波处理；然后在 Gibbs 运动场模型的势能函数的定义中引入空间相关影响因子, 采用最大后验概率的方法进行分割；最后细化运动对象边缘. 对多个视频序列的测试, 实验结果表明该算法比现有基于光流的分割算法更准确的分割运动对象.     

基于Marginalized粒子滤波的卫星姿态估计算法

针对具有矢量观测的卫星姿态估计问题。提出一种基于Marginalized粒予滤波（MPF）的算法．采用Rao-Blackwellization技术，将卫星模型状态向量中的线性状态部分（陀螺漂移）和非线性状态部分（卫星姿态）分开处理，从而使得估计的方差降低．以较少的运算量获得较好的估计效果．通过引入解决含等式约束条件的估计问题方法，保证了姿态四元数的归一化．将所提出的方法应用于某型号卫星．仿真验证了用该算法处理卫星姿态估计问题的优越性．     

基于MRF模型和EM算法的多源图像融合方法

提出了两种图像融合方法.该方法首先利用EM-MRF算法与模糊分类方法的等价性,将EM-MRF算法引入到图像融合领域.在此基础上,利用统计模型对图像进行非监督分类的模型参数估计转化通过EM算法从不完全数据中估计模型参数的问题,并利用Markov随机场模型建立类别的先验概率、EM迭代算法进行图像分类的方法有较高的分类精度和鲁棒性,导出了基于分布式和集中式多传感器图像融合模型的两种融合方法.最后仿真试验表明,这两种融合方法既可以提高分类精度,又可以加强对噪声的抗干扰能力.     

基于区域收缩和DIRECT算法的运动分割

运动图像序列分割是计算机视觉中的一个重要问题.本文采用基于贝叶斯框架的最大后验边缘概率算法进行运动目标分割.首先,重新定义贝叶斯框架中似然函数的平滑项,并采用区域收缩算法实现迭代过程中运动目标支持区的估计.然后提出一种通过区域中心和主轴表示6参数仿射运动的模型,通过区域主轴像素估计运动参数,提高算法执行速度,将估计问题转化为一个取值有界的最优化问题,采用DIRECT算法估计运动参数.该方法与传统方法相比,提高运动参数估计的准确性和稳定性.通过仿真实验结果证明该方法的有效性.     

一种运动模糊图像的鲁棒运动估计策略

研究运动模糊图像的运动估计问题,提出基于泊松融合技术的运动估计策略。该策略将运动模型作为泊松融合技术的局部约束,实现最优运动求解。在此基础上,以直线和旋转运动模糊图像为例,提出相应的运动参数模型和估计方法。实验结果表明,所提出的策略可以较准确地估计模糊运动。     

基于光流法运动配准的覆冰图像超分辨率重建

针对电力监控系统中输电线路易晃动造成覆冰图像模糊,提出基于光流法运动配准的覆冰图像超分辨率重建算法。该算法首先利用基于光流法的图像配准算法估计图像间的亚像素级运动矢量,得到前向和后向配准图像;然后,利用迭代反投影(IBP)算法对估计出的图像分别进行超分辨率重建;最后,根据配准误差加权得到最终的输出图像。实验结果表明,相对于传统算法,该算法的重建结果无论是在峰值信噪比和标准差还是基于对比敏感度的无参考图像清晰度上,均有明显提高,具有较好的客观指标和视觉效果。     

采用改进高斯-牛顿法的视频弹性运动估计

运动估计是去除视频时间维冗余的编码技术,而目前通用的平移运动模型无法有效地表示物体的局部非刚性复杂运动.为此,提出一种基于改进高斯-牛顿法的弹性运动估计方法.首先,通过分析初始迭代点对高斯-牛顿迭代结果的影响,采用基于2bit深度像素的均匀搜索预测初始迭代点;其次,通过理论和实验分析发现,不同的迭代步长对弹性运动估计/补偿性能有明显的影响,采用离散余弦变换的低频能量比率估计步长的上限,再利用黄金分割法对步长进行求精.实验结果表明,对于具有不同场景特点的视频序列,该算法始终能够保持较高的估计精度,运动补偿的平均峰值信噪比,比基于块平移模型的全搜索算法和传统弹性运动估计算法分别提高1.73dB和1.42dB.并且,该算法具有更快的收敛速度,一般仅需1~3次迭代就能取得高于传统弹性运动估计和块平移全搜索的峰值信噪比.     

一种主/被动雷达模糊数据融合算法

提出一种基于模糊逻辑的主/被动雷达传感器数据融合算法。首先将单个雷达的测量值通过时间校准后,将它们作为卡尔曼滤波器的输入分别滤波,然后再对滤波后的目标状态估计进行融合。融合算法基于卡尔曼滤波的协方差匹配关系,采用模糊推理得到数据融合的权值。最后将各传感器的卡尔曼滤波状态估计进行加权融合得到所需要的目标状态信息。采用该融合算法可以有效提高目标跟踪系统的抗干扰能力。仿真结果表明该算法有效。     

位移场估计法在交通管理中的应用研究

智能交通系统中，车辆的行驶速度是重要的参数之一，为了快速获得车辆的行驶速度，提出了一种基于位移场的运动场估计计算法，该方法首先构造一个基于图象灰度的指标函数，再通过变分法中的欧拉方程分析和偏微分方程的数值解法，即可得到序列图象间的位移场；然后利用帧间位移场、帧间时间差、摄像机与车辆间的距离等参数相结合可计算出车辆的行驶速度，实验结果表明，与块匹配法相比，该方法不仅可得到更好的位移场，而且可快速获得车辆的行驶速度。     

广义模糊Gibbs随机场与MR图像分割算法研究

为了对图像进行准确、可靠的分割,提出了一种基于广义模糊集的软分割算法,并将广义模糊集和G ibbs场结合起来,提出了广义模糊G ibbs随机场模型,同时建立了广义模糊G ibbs分割(GFGS)算法。该算法是首先把每一个分割类看作是广义模糊类,并以最大后验概率(MAP)为判别准则来决定每一个像素值的归类以及它属于该类的隶属度;然后用广义隶属度函数中负的部分来刻划数据中的异常值,使得该算法能有效地处理异常值;最后用该模糊类的质心来更新类的中心,并以人脑的仿真图像和临床MR图像进行了实验。实验结果表明,该算法能有效地滤除噪声和处理部分容积效应,是一个分割能力强、稳健性好的算法。     

一种基于新型遗传算法的块运动估计算法

提出了一种基于新型遗传算法的块匹配运动估计算法。该算法把块运动向量作为遗传染色体,经过选择变异等操作,将随机搜索与特定目标搜索相结合,解决了以往快速搜索算法易陷于局部最优的问题,同时该算法中所带的模糊评价函数使得对个体的评价更合理、客观,该算法还将运动矢量空间偏置特性用于初始种群的选取,进一步提高了算法性能。实验结果表明,该算法性能上接近于FSA,速度却接近于TSS。     

Adaptive robust estimation of affine parameters from block motion vectors

In this paper, we propose an affine parameter estimation algorithm from block motion vectors for extracting accurate motion information with the assumption that the undergoing motion can be characterized by an affine model. The motion may be caused either by a moving camera or a moving object. The proposed method first extracts motion vectors from a sequence of images by using size-variable block matching and then processes them by adaptive robust estimation to estimate affine parameters. Typically, a robust estimation filters out outliers (velocity vectors that do not fit into the model) by fitting velocity vectors to a predefined model. To filter out potential outliers, our adaptive robust estimation defines a continuous weight function based on a Sigmoid function. During the estimation process, we tune the Sigmoid function gradually to its hard-limit as the errors between the model and input data are decreased, so that we can effectively separate non-outliers from outliers with the help of the finally tuned hard-limit form of the weight function. Experimental results show that the suggested approach is very effective in estimating affine parameters reliably.     

自适应模糊[C]均值聚类的数据融合算法

针对基于改进模糊聚类的数据融合算法存在融合不精确、融合可信度较低等不足,为了解决多个同质传感器在无先验知识的情况下对同一个目标的某一特征进行测量的数据融合问题,提出了一种自适应模糊[C]均值聚类的数据融合算法,主要是把自适应模糊[C]均值聚类应用到数据融合中。该算法首先在改进的模糊聚类中通过引入自适应系数以发现不同形状和大小的聚类子集,使得融合结果更精确;其次将卡尔曼滤波原理和基于多层感知机的神经网络预测法应用到误差协方差估计中,提高了融合可信度。实验结果表明,与7种经典数据融合算法进行对比,该算法在4个模拟数据集与真实数据集上融合结果较好,特别在判别函数与融合误差方面优势更为明显。     

数学形态学在运动序列图象压缩中的应用

基于运动补偿的编码算法在运动图象压缩中得到非常广泛的研究和应用。该文提出一种基于数学形态学形态变换的运动补偿编码方法,通过形态变换确定对宏块中的不规则小块是否进行分割,以运动矢量比特数的增加换取帧间位移误差场（DFD）能量的大大降低,从而达到了提高压缩比（或相同压缩比下提高图象质量）的目的。     

贝叶斯框架下的非参数估计Graph Cuts分割算法

假设图像中各像素灰度值是具有一定概率分布的随机变量,由贝叶斯定理,正确分割观测图像等价于求出具有最大后验概率的实际图像估计。在此框架下,提出了一种改进型Graph Cuts图像分割算法。与传统Graph Cuts分割算法相比,该算法在模型建立上有两个方面的改进：1)将模糊C均值聚类引入数据约束能量函数来得到各像素在某个标记下的概率,改善了收敛性能;2)使用非参数方法估计图像的统计分布,然后用此统计量构成图像分割的先验概率,并保证分割结果的局部平滑。由于非参数估计是由样本直接估计得到的结果,特别适用于小样本和分布函数不恒定的情况,因此拓展了算法的适用范围。实验结果表明,改进算法在遥感图像分割和医学图像分割中均提高了分割精度,证明了该算法的有效性。     

Motion estimation of 3-D objects using multisensor data fusion

This article presents an approach to estimate the general 3-D motion of a polyhedral object using multiple sensor data some of which may not provide sufficient information for the estimation of object motion. Motion can be estimated continuously from each sensor through the analysis of the instantaneous state of an object. The instantaneous state of an object is specified by the rotation, which is defined by a rotation axis and rotation angle, and the displacement of the center of rotation. We have introduced a method based on Moore-Penrose pseudoinverse theory to estimate the instantaneous state of an object, and a linear feedback estimation algorithm to approach the motion estimation. The motion estimated from each sensor is fused to provide more accurate and reliable information about the motion of an unknown object. The techniques of multisensor data fusion can be categorized into three methods: averaging, decision, and guiding. We present a fusion algorithm which combines averaging and decision. With the assumption that the motion is smooth, our approach can handle the data sequences from multiple sensors with different sampling times. We can also predict the next immediate object position and its motion. The simulation results show our proposed approach is advantageous in terms of accuracy, speed, and versatility.     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

Bayesian estimation of motion vector fields

A stochastic approach to the estimation of 2D motion vector fields from time-varying images is presented. The formulation involves the specification of a deterministic structural model along with stochastic observation and motion field models. Two motion models are proposed: a globally smooth model based on vector Markov random fields and a piecewise smooth model derived from coupled vector-binary Markov random fields. Two estimation criteria are studied. In the maximum a posteriori probability (MAP) estimation, the a posteriori probability of motion given data is maximized, whereas in the minimum expected cost (MEC) estimation, the expectation of a certain cost function is minimized. Both algorithms generate sample fields by means of stochastic relaxation implemented via the Gibbs sampler. Two versions are developed: one for a discrete state space and the other for a continuous state space. The MAP estimation is incorporated into a hierarchical environment to deal efficiently with large displacements