局部不变特征点的精度指标

目的 作为计算机视觉的热门研究方向,局部不变特征算法的发展已趋于成熟、稳定,然而目前几乎所有特征点提取算法都没有给出特征点的精度指标.针对这一缺陷,提出一种特征点精度指标-特征点波动区间.方法 性质稳定的点在干扰条件下仍具有较好的精度,即小范围的波动区间,因此,以当前最热门的SIFT(scale-invariant feature transform)特征点为例,在图像加入噪声,发生光照变换,发生模糊变换以及同时进行噪声、光照及模糊处理这四种情况下分别分析同一算法提取的不同特征点的波动情况,进而得到不同特征点的波动区间.结果 实验得到16个稳定检出特征点,其中点2,3,4,11,13这5个点可以在不同干扰条件下的波动范围都较小,而点2则只在模糊条件下波动较小,在其余干扰下波动较大.特征点虽然已经过特征提取,但仍具有不同的波动区间,其优劣也不尽相同.不同的特征点的波动区间并不相同,但仍有一部分特征点在不同干扰条件下均保持较高的提取精度.结论 波动区间能很好地表征每个特征点的提取精度.由于此前只有针对特征点算法的评价指标,而没有针对特征点自身性质的评价方法,因此本文提出的特征点波动区间将为诸如设备标定、视觉测量、精简特征库等相关后续工作打下良好基础.     

基于纹理特征的火箭目标跟踪方法

为解决姿态剧烈变化的火箭目标跟踪问题,提出了一种新的基于纹理特征的跟踪方法。相对于传统的模板匹配方法,这种方法能对助推器和子级分离的捆绑式运载火箭进行跟踪。在对火箭目标特性进行分析的基础上,采用局部二值化模式(LBP)纹理特征结合Hu不变矩特征描述进行跟踪。跟踪过程中特征匹配采用简单的相似性度量准则,实时模板更新算法为加权更新。测试结果表明,这种方法对发生位移、旋转和尺度变化的火箭目标同样具有比较好的跟踪效果。     

37名旅客生命受到威胁之时——安吉县“4.3”火灾扑救纪实

~~37名旅客生命受到威胁之时——安吉县“4.3”火灾扑救纪实@邹伟锋 @崔雄文     

基于时间一致性约束的核互相关器目标跟踪

针对相关滤波器跟踪算法在目标快速运动、遮挡和表观变化时易发生跟踪漂移或者丢失的问题,提出一种基于时间一致性和核互相关器的目标跟踪算法。该算法通过引入对图像噪声和杂波更具鲁棒性的核互相关向量,能够更精确地预测目标的仿射变化。同时,在学习过程中引入时间一致性约束,以解决因核相关器时间退化导致的跟踪漂移问题。最后,采用主灰度分量逆映射来提升跟踪器应对目标部分遮挡的能力。在公开的OTB100标准目标跟踪数据集中与提供的基准算法和其他性能更加先进的相关滤波算法进行对比,该算法平均跟踪速度为41f/s,相对fDSST和SAMF算法,其跟踪精度分别提升15.6%和6.4%,跟踪成功率分别提升33.3%和6.1%。实验结果表明,该算法在目标快速运动、遮挡或表观变化时仍能精确地跟踪目标。     

一种融合聚类和自相关的RCS周期估计算法

雷达目标识别技术在现代雷达中具有重要的应用价值,雷达散射截面(RCS)序列周期是一个重要的识别特征量。已有的RCS周期估计算法存在着抗噪性能弱、估计精度低等缺点。针对这个问题,提出了一种融合聚类和自相关的RCS周期估计算法。首先,对RCS序列进行零均值预处理;然后,计算预处理后序列的中心自相关函数,并计算自相关函数的凸包,根据凸包计算得到候选的周期估值;最后,采用聚类算法得到最终的周期值。实验结果表明,所提的算法相对于已有的周期估计算法,具有较强的抗噪性能和较高的估计精度。     

基于自适应最优聚类的目标匹配跟踪算法

提出了一种基于新的自适应最优聚类的模板匹配跟踪方法。利用模式分类准则计算最优聚类数,然后根据最优聚类数采用k-均值方法进行多次聚类。根据聚类结果计算熵矢量和距离矢量,组合得到特征矢量,利用特征矢量进行匹配跟踪。匹配采用简单的相似性准则,实时模板更新算法为多模更新。测试结果表明,该算法针对不同的目标能自适应地选择聚类参数,在目标发生几何变化时,能实现精确稳定的跟踪。     

基于自适应最优聚类的目标匹配跟踪算法

提出了一种基于新的自适应最优聚类的模板匹配跟踪方法。利用模式分类准则计算最优聚类数, 然后根据最优聚类数采用k-均值方法进行多次聚类。根据聚类结果计算熵矢量和距离矢量, 组合得到特征矢量, 利用特征矢量进行匹配跟踪。匹配采用简单的相似性准则, 实时模板更新算法为多模更新。测试结果表明, 该算法针对不同的目标能自适应地选择聚类参数, 在目标发生几何变化时, 能实现精确稳定的跟踪。     

基于编解码和局部增强的光电图像分割算法

针对光电图像语义分割问题,提出了一种基于编解码(Encoder-Decoder)结构和图像局部增强的分割算法。首先,采用基于互质因子的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块减小多尺度空洞卷积(Atrous Convolution)引入的网格效应,提升卷积核的像素近邻信息表征能力;其次,对分割难度较大的图像局部区域,采用融合平均交并比(Mean Intersection Over Union,MIOU)和交叉信息熵的损失函数,结合权值衰减策略,提高这些局部区域的像素权重。实验结果表明,提出的改进算法能有效提升图像语义分割精度。     

子空间模型下的仿射不变目标跟踪

针对目标跟踪过程中目标可能出现的快速变化和严重遮挡等问题,提出了一种基于新的子空间表示的目标跟踪算法。采用距离不变量对尺度不变特征变换(SIFT)特征点匹配对进行提纯。用提纯后的特征点匹配对,通过线性拟合得到仿射变化参数。在粒子滤波的理论框架下,采用快速的迭代算法,建立目标的主分量(PCA)子空间表示,结合计算得到的仿射变化参数,构造有效的目标观测模型完成跟踪。同时,采用在线学习的方法对SIFT特征点和PCA子空间进行定时更新。大量实验表明,提出的算法能快速有效地完成对姿态和形状剧烈变化的目标的精确跟踪。     

融合SIFT特征的压缩跟踪算法

本文提出一种新的融合SIFT(尺度不变特征)和压缩特征的目标跟踪算法以解决姿态变换、光照变化、旋转和运动模糊下目标的稳定准确跟踪问题。算法使用压缩特征对目标和背景进行描述,通过在图像帧中采集到的正负样本在线训练和学习SVM(支持向量机)分类器,将跟踪任务构建为一个二类分类问题。使用该分类器对下一帧的目标和背景进行分类,从而获得精确的目标位置和区域。同时,算法使用前后两帧的SIFT特征点之间的对应匹配关系求解目标尺寸变化值,实现模板大小的自适应调整。将算法与其他算法在某些图像序列上的跟踪比较显示,该算法在有效性、正确性和鲁棒性上性能优越。