1 长春理工大学 电子信息工程学院, 长春,130022
2 中国科学院 长春光学精密机械与物理研究所, 长春,130000
3 东北师范大学 计算机科学与信息技术学院, 长春,130117
为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度, 提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法, 提高了跟踪器准确度和鲁棒性; 用BING算法取代滑动窗口搜索策略, 结合级联分类器实现目标检测, 减少了检测器的检测范围, 提高了检测的处理速度; 将训练样本权重整合到在线学习过程中, 改进级联分类器的分类准确度, 解决了目标漂移问题。对不同的图片序列实验结果表明: 本算法的跟踪正确率达85%, 帧率达19.79 frame/s。与原始TLD算法及其他主流跟踪算法相比较, 该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。
目标跟踪 跟踪-学习-检测 二值化规范梯度 加权 target tracking Tracking-Learning-Detection(TLD) BInary Normed Gradient(BING) weighting
1 长春理工大学 电子信息工程学院,吉林 长春 130022
2 东北师范大学 计算机科学与信息技术学院,吉林 长春 130117
3 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033
由于现有目标跟踪算法在复杂环境下易发生目标漂移甚至跟踪丢失，故本文提出了以双重采样粒子滤波为框架，基于增量深度学习的目标跟踪算法。该算法在粒子滤波中引入粒子集规模自适应调整的双重采样来解决粒子衰减及贫化问题，并利用无监督特征学习预训练深度去噪自编码器以克服跟踪中训练样本的不足。将深度去噪自编码器应用到在线跟踪中，使提取的特征集合能够有效表达粒子图像区域。在深度去噪自编码器中添加了增量特征学习方法，得到了更有效的特征集以适应跟踪过程中目标外观变化。该方法还用线性支持向量机对特征集合进行分类，提高对粒子集合的分类精度，以得到更精确的目标位置。在复杂环境下对不同图片序列进行的实验表明: 该算法的跟踪综合评价指标为94%、重叠率为74%，平均帧率为13 frame/s。与现有的跟踪算法相比，本算法有效地解决目标漂移甚至跟踪丢失问题，并且对遮挡、相似背景、光照变化、外观变化具有更好的鲁棒性及精确度。
目标跟踪 粒子滤波 深度去噪自编码器 支持向量机 增量特征 深度学习 target tracking partical filter stacked denoising autoencoder support vector machine incremental feature deep learning
1 长春理工大学 通讯与信息学院，吉林 长春 130031
2 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033
提出一种新的多尺度改进加速鲁棒特征(SURF)分块特征匹配算法，定义为Modified-SURF(M-SURF)。此方法在运用图像积分技术的SURF基础上进行分块特征匹配，使计算速度进一步加快；同时使用了基于二阶多尺度模板生成的特征描述子，提高了特征点匹配的鲁棒性。文中首先推导了M-SURF算法二阶多尺度模板公式；然后，介绍了分块匹配的方法，解决了匹配计算速度与精度不能兼得的矛盾，通过实验获得了分块模板的最佳参数；最后，采用欧氏空间最近距离比次近距离的方法衡量匹配的优劣度，利用LMedS方法剔除误匹配点，使匹配精度有较大的提高。对多组图像进行了匹配实验，结果表明：与SURF和尺度不变特征变换(SIFT)算法比较，M-SURF的计算速度提高了28％，匹配精度提高了3％。该算法能够很好地实现特征点的正确匹配，具有很高的使用价值。
立体匹配 欧氏空间 特征描述子 特征匹配 尺度空间 stereo matching Euclid space feature descriptor feature matching scale space 光学 精密工程
2013, 21(12): 3263
1 长春理工大学 通讯与信息学院，吉林 长春130022
2 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033
提出了基于构建最优函数来提高飞机姿态测量精度的方法。首先，利用模板匹配法获得飞机在两个测站投影的同名特征点，在发射坐标系下采用交会获得飞机同名特征点的坐标值，根据飞机在空间的特征三角形解算飞机姿态的初值。然后，建立飞机体坐标系；利用成像的共线方程，重新计算空间特征点对应的像点坐标；以重投影结果与实际像点之间的偏差最小作为优化目标函数。最后，通过迭代提高目标姿态解的精度。实验结果表明，飞机轴向成像在大于500 pixel时，姿态角测量误差小于0.1°。与中轴线法及飞机角平分线方向向量法测量精度比对，本文提出的方法采用的数学模型正确、算法合理，有效地提高了飞机姿态的测量精度。
光电经纬仪 交会测量 姿态测量 最优函数 optical-electronic theodolite intersecting measurement attitude estimation optimization function
1 长春理工大学 电子信息工程学院， 长春 130021
2 吉林省机电研究设计院， 长春 130022
图像采集与处理系统的小型化和快速化对机器视觉和智能系统的发展和应用有着重要的意义。以TI公司的TMS320C6416高速信号处理器为核心，采用Micron半导体公司的MT9V011图像传感器，Xilinx公司的XC3S400为胶合电路，设计了一种图像实时采集与处理系统，包括图像数据的采集、处理、USB通信等主要部分。最后对系统进行了软硬件调试和图像的运动目标检测与跟踪实验。实验结果表明方案设计合理、可行，具有一定的应用价值。
CMOS图像传感器 图像采集 图像处理 DSP DSP CMOS image sensor image acquisition image processing
1 长春理工大学 电子信息工程学院，长春 130021
2 吉林省机电研究设计院，长春 130022
计算机视觉领域中，目标跟踪技术有着广泛的实用价值。在复杂背景下要准确和稳定地实现目标跟踪，势必需要多信息融合技术。文章针对传统的基于颜色概率模型的Mean Shift算法忽略了目标空间信息这一不足，提出了联合特征的Mean Shift算法。文中将跟踪窗内子图像进行多级小波分解，用多级小波子带系数的统计特性构成纹理特征向量，再加权融合颜色概率直方图特征向量作为最终匹配特征向量。实验结果表明，在复杂背景下，该方法比传统基于颜色概率直方图模型的Mean Shift算法在准确性和鲁棒性上均有所提高。
小波变换 目标跟踪 多特征 wavelet transform object tracking mean Shift Mean Shift multifeature
1 中国科学院,长春光学精密机械与物理研究所,吉林,长春,130033
2 中国科学院,研究生院,北京,100039
3 长春理工大学,吉林,长春,130022
4 东北师范大学,物理系,吉林,长春,130024
提出了一种基于彩色特征的抗遮挡目标跟踪算法.利用mean shift递推寻找当前帧目标的位置,并通过Kalman滤波估计目标状态.选用对目标部分遮挡具有鲁棒性的加权量化彩色直方图作为目标特征的概率分布,用Bhattacharyya系数作为特征相似性度量.提出一种目标遮挡因子,作为目标被遮挡程度的判断根据.当目标严重遮挡后,观测位置不再满足Kalman滤波的条件,采用目标状态量外推取代Kalman状态更新来预测目标当前的位置.实验结果表明,此方法对于部分遮挡以及全遮挡有较好的鲁棒性.
目标跟踪 shift算法 Bhattacharyya系数 遮挡因子 mean
上海交通大学,生物医学仪器研究所,上海,200030
超声图像去噪是医学图像处理的研究热点之一,基于小波域阈值去噪技术及阈值选取方法的分析,提出一种新的医学超声图像小波域阈值去噪方法.这种方法采用半-软阈值去噪技术和广义交叉确认函数寻找阈值,在有效去噪的同时较好地保留了图像边缘细节.首先, 把对数超声图像小波分解;然后,基于广义交叉确认函数寻找最小均方误差意义上的近似最优阈值,对所有的高频段采用半-软阈值去噪; 最后, 经小波反变换和指数变换获得去噪后的超声图像,文末对超声图像小波域阈值去噪方法作出定性比较,并对算法的去噪性能给出定量分析.仿真实验和实际测试结果表明此方法是有效的、可行的.
散粒噪声 半-软阈值去噪 小波分解
