中药材粉末显微特征图像的检测方法研究

针对中药材粉末显微特征图像存在的目标断裂残缺这一关键问题，提出一种改进型SSD检测算法，即在SSD网络的预测卷积特征图之后加入SE模块，使SSD网络对该特征图的多个特征通道进行重要性的学习，并据此让包含较多信息且对最终结果起重要作用的特征通道分配到较大的权重。这样，断裂残缺的目标所保留的关键信息在网络迭代过程中能够被网络充分地学习，实现网络对目标的自动定位和种类识别，提高最终的检测效果。将改进型SSD算法用于厚壁细胞、导管和花粉孢子这三类显微图像的检测，mAP由79.8%提升到81.5%,这一结果证明了改进型SSD算法的有效性。     

在线矩形特征选择的压缩跟踪算法

针对压缩跟踪算法无法选择合适的矩形特征,易出现目标漂移、丢失现象,提出了一种基于在线矩形特征选择的压缩跟踪算法。首先,在初始化阶段生成投影矩阵,利用该投影矩阵提取特征来构造候选特征池,在特征池中使用矩形特征来表示目标特性,并去除与目标差异较大的矩形特征,最后计算分类分数最大的窗口,并将其作为目标窗口,从而实现跟踪。实验结果表明,该算法特征总数量比压缩跟踪算法特征总数量减少了13%,且跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为20frame/s,满足实时性要求。     

一种平面数字图像最小外接矩形的提取算法

在数字图像分类与识别算法研究中,目标图像几何特征的提取通常需要计算目标图像的最小面积的外接矩形,以获得目标图像的长、宽等属性。针对该特点,本文提出并实现一种利用旋转扫描线方式的线扫描法计算目标图像最小面积外接矩形的算法,并对算法优化以提高算法的执行效率。     

一种提取目标图像最小外接矩形的快速算法

在图像分类与识别算法研究中,目标几何特征的提取通常需要计算目标图像的最小外接矩形以获取长、宽等属性。针对该特点,提出一种利用顶点链码与离散格林理论相结合的方式提取目标图像的最小外接矩形的算法。该算法只需根据顶点链中垂直或水平方向上的点坐标即可求出目标的面积、形心和主轴。基于顶点链码和离散格林的主轴法和旋转法可快速求出目标的最小外接矩形。实验结果表明,旋转法的运算速度是现有算法的2倍左右,主轴法的速度又比旋转法快速2倍左右。     

基于多特征融合的压缩跟踪算法

压缩跟踪将压缩感知理论引入到目标跟踪领域,较好地实现了跟踪的实时性,但是在复杂环境或遮挡情况下,仅利用分类分数最大值的矩形样本确定目标位置容易产生跟踪漂移,而且该算法没有考虑目标尺度因素。针对这些问题,提出了融合局部中心区域梯度方向直方图和多尺度矩形的多特征压缩跟踪算法,并提出利用多样本矩形平均的方法确定最终的目标位置。实验结果表明：该算法在目标剧烈运动、遮挡或者相似物体干扰的场景下能够有效抑制跟踪漂移,提高了跟踪的准确率和鲁棒性。     

基于GM(1,1)预测的残缺图像的修复算法

在分析图像传输数据丢失的原因和特点的基础上,借鉴灰色预测的思想,提出了对残缺图像进行恢复的灰色预测方法,该算法基本满足了图像恢复的要求,并通过实验得到了该算法的适用条件.     

基于区域生长的三角网格模型孔洞修补方法

为复原残缺三角网格模型的原始形状,针对丢失尖锐特征的模型,提出一种基于区域生长的孔洞修补方法。在根据模型的拓扑连接关系提取孔洞边界信息后,利用广度优先算法以孔洞边界为起点对孔洞周边网格进行区域划分,由对应孔洞特征区域的几何性质计算新补丁面片的法矢,并据此逐层迭代地向孔洞内部进行异步生长,同时为每个孔洞边界网格设置一个控制信号控制区域生长的异步性,对不同区域的新面片求交恢复以确定尖锐特征线和特征角。实验结果表明,对于尖锐特征丢失的残缺模型,该方法在修补孔洞的同时能够完整地恢复模型的原始形状。     

基于特征三角形的多姿态视频图像人脸跟踪

提出了一种能在复杂环境中进行人脸跟踪的鲁棒、有效的视频图像人脸跟踪的算法。该算法根据面部特征构造特征三角形包括等腰三角形和直角三角形，根据刚体约束生成潜在人脸跟踪矩形区域。该算法能够在不同尺寸、不同光照、不同姿态和不同表情甚至不同噪音情况下检测人脸，有效率达98.18%。     

一种遥感图像中建筑物的自动提取方法

目前，传统建筑物识别方法通常采用基于建筑物边缘线性特征的识别算法，这类方法具有简单高效的优点，但识别率较低。该文提出了一种综合利用建筑物的若干特征进行自动识别的方法。首先用Canny算子提取边缘。然后根据建筑物的空间分布特点和Hough变换特性。在Hough变换域进行建筑物边缘方向统计来筛选边缘线段，提取出潜在的目标边缘线段；接着该文提出了对建筑物的几何特征（例如矩形特征、角点特征和阴影特征等）和灰度特征进行识别的算法，将其识别结果做为判定建筑物目标的依据，最终准确地提取出建筑物。大量实验证明该方法相比较单一的线性特征检测方法，速度快、准确率高．具有较强的实际应用价值。     

手指再生技术中断指虚拟三维图像仿真

手指再生技术过程需要根据手指三维图像残缺特征,对手指残缺区域进行方向和角度再生虚拟估计,一旦手指三维图像残缺信息量过少,传统的虚拟三维图像仿真方法无法取得足够信息,只能根据简单的向上、角度旋转等信息完成再生手指三维图像的仿真,效果不好.提出一种新的多媒体虚拟手指再生技术三维图像仿真方法.在手指状态空间中寻找一组样本,运用近似估计概率密度函数,降低手指再生方向估计的误差,以样本均值替代积分运算,获得状态最小方差分布,对手指残缺三维图像的方向和角度进行估计,再通过角度信息对手指残缺三维图像进行多目标融合.实验结果表明,利用该算法进行手指再生技术的虚拟三维图像仿真,能够真实的反映手指再生技术中,不同三维图像残缺特征间的关联性,从而为手指再生技术提供准确的决策依据.     

子空间描述的关节式目标跟踪

针对关节式目标变化对子空间描述造成的影响,本文提出了一种基于增量学习的关节式目标跟踪算法.该算法通过引入图像分割方法与快速傅里叶变换可有效消除背景像素对目标描述造成的影响以及目标区域前景目标位置对不准造成的误差,同时应用局部二值模式增加目标描述中像素点间的几何位置信息,应用基于增量学习的方法实现目标特征的在线更新,最终为跟踪算法提供较为精确的目标描述.实验结果表明,本文提出的关节式目标跟踪算法具有较好的目标跟踪效果.     

利用视觉显著性和粒子滤波的运动目标跟踪

针对运动目标跟踪问题,提出一种利用视觉显著性和粒子滤波的目标跟踪算法.借鉴人类视觉注意机制的研究成果,根据目标的颜色、亮度和运动等特征形成目标的视觉显著性特征,与目标的颜色分布模型一起作为目标的特征表示模型,利用粒子滤波进行目标跟踪.该算法能够克服利用单一颜色特征所带来的跟踪不稳定问题,并能有效解决由于目标形变、光照变化以及目标和背景颜色分布相似而产生的跟踪困难问题,具有较强的鲁棒性.在多个视频序列中进行实验,并给出相应的实验结果和分析.实验结果表明,该算法用于实现运动目标跟踪是正确有效的.     

基于YOLOv3的嵌入式实时视频目标检测算法

深度神经网络在目标检测领域具有优异的检测性能,但其结构复杂、计算量大,难以在嵌入式设备上进行高性能的实时目标检测。针对该问题,提出一种基于YOLOv3的目标检测算法。采用半精度推理策略提高YOLO算法的推理速度,并通过视频运动自适应推理策略充分利用前后帧视频之间目标的关联性,降低深度学习算法的运行频率,进一步提高目标检测速度。在ILSVRC数据集上的实验结果表明,该算法可以在NVIDIA TX2嵌入式平台上实现28 frame/s的视频目标检测,且检测精度与原始的YOLOv3算法相当。     

一种基于区域中心点的聚类算法

聚类是数据挖掘领域中一个重要的分析手段。在基于密度的聚类算法DBSCAN的基础上,针对算法对输入参数较为敏感,以及对多密度层次数据集聚类质量不高的问题,提出了一种改进的基于区域中心点的密度聚类算法。该算法将不同密度层次的簇视为不同的区域,并基于区域中心点（区域密度最大的点）开始扩展其规模,直至达到由密度比例因子决定的区域边缘。为提高聚类准确率,在簇的扩展过程中,从候选核心点中发现核心点,加强了核心点的选取条件。实验表明,该算法降低了对输入参数的敏感性,改善了对密度分布不均匀数据集聚类效果,提高了聚类准确率。     

基于视觉感知的运动目标跟踪算法

针对运动目标跟踪问题, 为解决跟踪过程中因遮挡、目标尺度变化等易造成跟踪失败的现象, 提出一种基于视觉感知的跟踪算法。该算法以神经元响应为视觉特征, 首先从自然图像中学习初级视皮层细胞感受野; 然后计算背景图像和视频序列图像的神经元响应并得出差值, 与动态阈值比较, 识别出运动目标, 通过迭代实现目标跟踪。多类别实验结果表明, 该算法实现了运动目标稳定跟踪, 目标跟踪准确率达93. 5%且鲁棒性增强, 与典型算法Camshift和SIFT相比, 提高了跟踪算法的准确性和鲁棒性。     

增强现实中的视频对象跟踪算法

根据增强现实在视频对象跟踪中的应用需求,提出一种综合利用尺度不变特征变换(SIFT)算子、K聚类算法和轮廓检测的视频对象跟踪算法。该算法利用简易SIFT获得输入图像的特征点,通过K聚类算法获得可能的对象聚类,并采用改进的轮廓处理方法得到对象边界,移除孤立点,确定对象特征点,在对象特征点中获取增强现实应用中需要的注册点。在关键帧匹配中,只要使用对象特征点进行对象匹配。实验结果表明,该算法具有运行速度快、匹配正确率高的特点,能满足增强现实视频应用的注册需求。     

基于Camshift和Kalman滤波的自动跟踪算法

针对传统的Camshift算法在跟踪时需要手动定位目标,在颜色干扰、遮挡等复杂背景中容易跟丢目标的问题,提出了一种基于Camshift和Kalman滤波的自动跟踪算法。首先利用帧间差分法和Canny边缘检测法分割出运动目标的完整区域,然后用提取出的目标区域初始化Camshift算法的初始搜索窗口,从而实现了目标的自动跟踪。当背景中存在相似颜色干扰或者目标被严重遮挡时,采用Kalman滤波与Camshift算法相结合的改进算法进行跟踪。实验结果表明,本文改进算法在目标被严重遮挡、颜色干扰等情况下仍能有效、稳健地跟踪。     

一种数据挖掘中的W-PAM限制聚类算法

在数据挖掘中由于每个数据对象对于知识发现的作用是不同的,为了区分这些相异之处,给每个对象赋予一定量的值,因此在PAM聚类算法的基础上提出一种W-PAM(Weight Partitioning Around Medoids)聚类算法,它为簇中数据对象加入权重来提高算法的准确率,此外利用数据对象间的关联限制能够提高聚类算法的效果。探讨了一种W-PAM算法与关联限制相结合的限制聚类算法,该算法同时拥有W-PAM算法和关联限制的优点。实验结果证明,W-PAM的限制聚类算法可以更有效地利用所给的关联限制来改善聚类效果,提高算法的准确率。     

基于声图像序列的快速目标跟踪算法

针对声图像具有对比度低、不同时刻目标回波变化大等特点,提出了一种基于卡尔曼滤波和数据关联算法的快速目标跟踪算法.该算法首先对声图像序列进行高斯平滑和自适应阈值分割处理,在此基础上建立卡尔曼滤波目标跟踪模型和数据关联目标匹配算法,分析计算了可跟踪的目标速度上限值.仿真结果表明,该算法可较准确地实现目标跟踪,允许的目标速度可满足实际应用的需要.同传统文献算法相比,该算法具有实时性好、鲁棒性强,能更好地适应目标分裂或合并等情形.     

用于立体视频会议系统的立体对象分割与跟踪算法

基于对象的立体视频编码压缩技术能在立体视频会议系统中得到很好的应用，从立体视频信号中正确分割出立体视频对象是基于对象的立体视频编码压缩的一个前提条件，基于立体视频会议图像序列的时空特性和左右通道间的视差特性，提出了一种立体视频对象分割与跟踪算法，首先利用空域分割和运动检测相结合的方法，提取左通道中的运动物体；然后，提出一种左右通道间基于边缘轮廓的二级视差匹配算法，并根据已分割的左通道运动对象提取右通道的视频运动对象；最后利用对象边界轮廓的跟踪方法对后续图像中的运动对象进行快速跟踪，实验结果说明文中算法能够应用于立体视频会议图像序列的立体对象分割与跟踪。