基于灰度直方图和高斯混合模型多特征肤色识别算法

肤色识别是色情图像识别和人脸检测中的关键技术,肤色识别的效果关系着相关图像处理技术的应用效果。尽管基于高斯混合模型的肤色识别算法能较好识别存在干扰因素的图像中的肤色,但对于图像中与肤色相近的毛发、背景、风景等部分识别效果并不理想。为了解决这个问题,结合灰度直方图和高斯混合模型的优势,提出了基于灰度直方图和高斯混合模型多特征肤色识别算法。实验表明该算法识别效率较高,能较好识别与肤色相近的非肤色部分,具有一定的实用性。     

基于自适应混合高斯模型的前景目标检测

在计算机视觉研究中,从视频序列中提取出前景目标是关键步骤之一。而混合高斯背景模型是前景目标检测的一种常用算法。针对传统混合高斯建模过程中分别对每个像素建立固定个数的高斯模型和相同的学习率这一缺陷,本文先对视频帧进行了分块处理,然后自适应的对每个像素块采取不同的高斯分布个数和学习率,并且在建模过程的不同时间段采用不同的学习率,最后对检测结果在空域上进行数学形态学的处理。实验结果表明,与传统检测方法相比,该方法能够更加准确和快速地检测出前景目标。     

基于混合高斯模型的非固定握持姿势手势识别

针对手势识别研究中普遍要求用户以严格固定方式握持数据采集设备,致使用户体验差的问题,使用混合高斯模型(Gaussian mixture model,GMM)对非固定握持姿势的手势识别算法进行改进,以提高手势人机交互时的舒适性.首先通过GMM从加速度传感器数据中提取用户握持姿势数据,然后借助握持信号实现手势命令数据提取与坐标转换,使识别系统能够自适应不同的握持姿势.为使GMM可以同时满足手势识别应用中对稳定性和适应速度的要求,优化了GMM的学习机制,包括增加备则模态和改善优先级计算.实验结果表明,所述系统在滚转角和俯仰角+60°~-60°、偏摆角+20°~-20°范围内,握持姿势对手势识别正确率没有明显影响,实现了非固定握持姿势的手势识别,起到了提高用户体验的作用.     

基于高斯混合模型的说话人识别系统

针对概率得分均值法出现的单个帧概率打分容易畸低的情况以及投票法因归一化而损失掉正面影响帧的打分，提出了一种引入可信度的均值方法，实验证明：该方法兼顾二者的优势的同时，在一定程度上消除了各自产生的不利影响，提高了说话人识别的精度。     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题。采用混合高斯模型对背景图像进行建模，并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新，完成背景模型的重建。与其他方法比较，该方法能够有效地对新背景进行快速的学习和适应，达到动态背景下运动目标实时踉踪的要求。     

自适应高斯混合模型语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号．针对噪声环境下的语音增强问题,提出了一种语音增强新方法．该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数．利用这种萎缩函数可以实现对小波系数的修正．仿真实验表明,该算法对于噪声有较好的抑制作用,该算法在主观和客观测试中都具有良好的语音增强效果,可以在语音识别、语音编码中获得应用．     

非高斯噪声下的参数自适应高斯混合CQKF算法

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪。利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度。仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度。      

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题。采用混合高斯模型对背景图像进行建模,并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新,完成背景模型的重建。与其他方法比较,该方法能够有效地对新背景进行快速的学习和适应,达到动态背景下运动目标实时跟踪的要求。     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题.采用混合高斯模型对背景图像进行建模,并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新,完成背景模型的重建.与其他方法比较,该方法能够有效地对新背景进行快速的学习和适应,达到动态背景下运动目标实时跟踪的要求.     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题.采用混合高斯模型对背景图像进行建模,并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新,完成背景模型的重建.与其他方法比较,该方法能够有效地对新背景进行快速的学习和适应,达到动态背景下运动目标实时跟踪的要求.     

融合混合高斯模型的改进的Vibe算法

针对经典Vibe算法在运动目标检测时存在鬼影、阴影和噪声干扰的问题,提出了一种融合混合高斯模型的改进的Vibe算法。在背景初始化阶段,采用五帧差分算法与八邻域的像素值填充获得的真实背景并且消除鬼影现象;通过混合高斯模型权值与Vibe随机取样概率相结合进行背景更新,将得到的运动目标进行形态学处理,使运动目标更加清晰;最后,在YCb Cr颜色空间进行阴影消除。实验结果表明,改进后的Vibe算法不仅能够有效地去除鬼影,并且在消除阴影与噪声方面取得了良好的效果。     

一种基于标准混合高斯模型的快速人脸检测方法

针对室内移动机器人运动过程提出一种快速而稳定的人脸检测方法.由于室内存在多种物体,背景不断变化,且光照条件可能不断变化,提出采用人脸肤色的标准混合高斯模型与人眼特征相结合的人脸检测法,无需对原始图像进行尺度变换.检测过程首先将经过补光处理及光线增强的人脸库转换到YCbCr空间,求其非线性变换空间YC'bC'r,求出左右脸标准正态密度函数及混合高斯分布;然后根据人眼颜色特征,分别对人脸肤色候选区域进行人眼候选区域提取,利用人眼Gabor模板的不变Hu矩与人眼候选区域的相关性,找出人眼拟合矩形区域,再综合利用人眼与人脸的特征关系以及人脸候选区域的投影关系检测出人脸区域.大量实验表明,新方法速度快,适应性较好,并可扩展检测到侧面人脸.     

基于YIQ颜色空间的自适应肤色检测算法

选取YIQ颜色空间,通过选择多种拍摄环境、光照条件的训练样本图像,统计其中肤色像素点和非肤色像素点中颜色分量I的分布概率,构建皮肤颜色分布模型,并利用贝叶斯规则构造肤色分类器.同时,计算测试图像准肤色区域的平均亮度,作为自适应阈值进行肤色判别.实验表明,该方法对不同亮度图像和不同肤色类型都有很好的检测效果.     

基于PCNN的高斯混合模型运动检测改进方法

针对同定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法.改进方法引入PCNN算法,针对模型匹配问题,提出自适应局部阈值算法并结合区域增长思想,利用PCNN的迭代计算,逐步检测出运动目标.实验表明,改进的方法与传统方法相比具有更好的运动目标检测能力,在运动目标和背景的灰度值差别比较小的情况下,能改善其运动目标检测的效果.     

基于正交混合Gauss模型的脱机手写数字识别

在基于统计方法的脱机手写数字识别中 ,为更加有效地描述特征的类条件概率分布 ,设计出性能优良的 Bayes分类器 ,采用了混合 Gauss模型。为减少模型的参数 ,通常假设各 Gauss分量的协方差矩阵为对角阵。由于各维特征之间统计相关 ,因此需要大量的 Gauss分量才能较好地描述特征的类条件概率分布 ,使得混合模型的阶数较高。为降低模型的阶数 ,采用了正交混合 Gauss模型 ,即先对各类别的特征分别进行 KL 变换 ,再将变换后的特征用混合 Gauss模型来表示。其中混合 Gauss模型的参数可以通过 EM算法进行估计。最后 ,在 NIST (National Institute of Standards andTechnology)手写数字样本集上对该方法的识别性能进行了验证     

基于高斯混合模型的光照自适应背景减法

采用带有光照自适应的基于高斯混合模型的背景减法提取移动物体的图像.通过只更新感兴趣的高斯分布减少运算量;对基于改进的高斯混合模型算法提取的图像,当光照快速变化时进行光照补偿.实验结果表明,改进的高斯混合模型算法,对光照快速变化的场景有较好的适应性,提取的图像效果较好.     

基于高斯混合密度模型的医学图像聚类方法

研究了医学图像的聚类问题,提出一种基于高斯混合密度模型的K-EM聚类算法,并将此算法用于人体腹部图像数据,实现肝、肾、脾等主要器官的分类.在算法中,随机选取腹部图像像素数据,用QAIC信息准则确定训练样本的最佳类别数;用K均值聚类算法得到混合模型的初始参数;用期望最大(EM)算法多次迭代建立腹部图像数据的混合密度模型;运用贝叶斯准则,将腹部图像所有像素值划分到混合模型中相应的模型分支,得到每个器官像素值划分的正确率与误判率.试验结果表明,新算法分类的平均正确率高于85%、误判率低于10%,优于K均值算法.