一种基于改进ASM的运动目标跟踪方法

ASM是一种应用于非刚体轮廓匹配的统计模型方法,由于匹配结果的可靠性依赖于先验的灰度模型,导致灰度信息发生动态变化时基于ASM的目标跟踪效果不佳.针对跟踪中轮廓匹配的鲁棒性问题,提出了一种基于改进ASM的目标跟踪方法,该方法采用一种在线提取和更新灰度模型的机制,摆脱对目标先验灰度的依赖;并结合强边缘特征和目标内部灰度信息,改进传统ASM方法的灰度模型和搜索算法,提高了运动过程中目标附近背景信息变化情况下轮廓匹配的鲁棒性和快速性;跟踪过程中利用卡尔曼滤波预测目标位置提高了运行效率.实验验证了方法的有效性和鲁棒性.     

Mean Shift算法优化带宽的自动搜索

Mean Shift算法是一种非参数估计方法,能够快速收敛到概率密度函数的模态,在图像处理领域已得到了广泛的应用。算法的带宽参数的选取会直接影响到收敛速度和收敛结果,而手动调试参数需花费大量的时间和资源。为解决这一问题,提出一种Mean Shift算法优化带宽自动搜索策略,采用Mean Shift算法对图像特征空间内的样本点进行聚类分析,以图像结构特征信息作为分割效果的评判准则,自动寻取优化带宽参数。实验结果表明,提出的方法可以实现自动寻取Mean Shift算法的优化带宽参数,为解决Mean Shift算法带宽自寻优问题提供了一种新的思路。     

基于挥手行为的性别识别方法

提出利用挥手行为进行性别识别的方法.使用基于含时切平面的方法检测周期,用平均剪影表征一个周期序列的挥手行为,PCA降维后利用支持向量机进行分类.实验在60人(30男,30女)的数据库上进行.实验结果表明,用提出的算法从三种挥手行为(挥左手、挥右手、挥双手)中识别出性别的正确率达到89.83%或更高.实验还将人体分成5部分:手臂、头肩、腰、臀和腿,研究人体各组成部分对性别识别的贡献.93个对比实验结果表明,去掉手臂部分识别率下降最快;只通过手臂识别正确率达到86.44%或更高;使用两部分识别,手臂+臀部是最优组合;使用三部分识别,手臂+头肩+腰是最优组合.