由于室内场景中存在对象种类多样、物体几何信息复杂、物体密集问题,故室内场景结构重建存在着很大的挑战。首先,以“结构分析”为主线,利用改进的随机抽样一致(RANSAC)算法和均值漂移算法检测出房间布局的粗略划分。然后,在将初步划分结果转化为无向图的基础上,利用图割算法得到了房间布局的细分结果。最后,将重建的墙壁、地面与天花板信息相结合,完成了室内场景布局的总体重建。实验结果表明,利用改进后的算法和所提方法得到的重建结果更加准确、效果更好。

针对室内场景点云平面分割存在的问题,提出一种基于投影长度点云分层和基于均值漂移法向量约束的平面分割新方法。该方法首先通过主成分分析方法估算点云的法向量,再求取点云的投影长度并进行分层,然后取最大分层点云进行法向量约束,利用余下点云拟合求取平面参数并去除该平面模型包含的点云,重复上述步骤以求取所有平面的参数,接着在原始点云中提取模型点云并进行模型优化,得到最终的平面分割结果。实验结果证明,所提方法可以有效分割室内场景点云中的平面结构,提取的点云平面有较高的精度,且相较于最大似然采样一致性算法和改进的3D霍夫变换方法,所提方法在时间效率上有很大提升,更适用于室内场景点云的平面分割。

为解决高光弱纹理物体表面重建时，存在的孔洞和噪声，及信息缺失等问题，提出了光照补偿结合深度图像的重建方法.结合光照方向和光照强度的参数估计，确定高光区域并均匀光照，再以激光点的变化轨迹修正均值漂移算法的漂移区域，建立改进的均值漂移中心描述子，对深度图像的噪声和孔洞进行判定并修复，实现物体表面重建.结果表明，该方法既可以保持不同种类对象重建完整，避免信息缺失，还可减少外界环境和对象自身特征的负面影响.通过高光弱纹理标准图片和实拍物体重建实验，以及使用均方根误差、峰值信噪比和结构相似性等性能指标进行评价，验证了该方法的鲁棒性和有效性.

针对增强现实系统在复杂环境中跟踪注册稳健性不足以及特征搜索空间大的问题,提出一种结合显著性检测的混合跟踪注册方法。首先,利用均值漂移迭代运算预测候选目标位置,建立峰值位于目标中心的二维高斯函数,生成融合中心先验的视觉显著图;然后,提取目标显著性特征,采用均值漂移算法进行跟踪;另外,根据相似度量系数判断是否利用形变多样相似性匹配算法重定位目标;最后,构建多尺度空间的快速定向二进制描述算法进行局部目标区域的特征检测,来匹配计算得到的注册参数,完成虚实融合。实验结果表明,本方法能有效解决目标跟踪算法在背景杂波、目标遮挡、目标丢失情况下跟踪不稳定及目标检测准确度不高等问题,使增强现实系统更具稳定性。

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。 在水果识别的过程中, 由于重叠和遮挡的影响使得目标识别困难, 识别率不高。 本文针对自然环境中果实重叠的识别问题, 利用谱聚类算法对图像进行分割, 然后使用随机霍夫变换实现果实的识别和定位。 针对传统算法运算复杂度高, 运算速度慢的问题, 本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。 首先使用均值漂移算法对图像进行预分割, 均值漂移是一种用于密度梯度的无参估计法。 该算法实质是一种迭代, 先计算出偏移量, 根据偏移量移动点, 如此反复, 直到偏移量为零即收敛到一点为止。 利用均值漂移算法除去大多数的背景像素, 为减少谱聚类算法的计算量做准备。 然后提取预分割图像的有用信息即图像中像素对之间相似度的描述, 将提取的图像特征信息映射到稀疏矩阵中, 并使用K-means算法将其分类。 得到最终的分类结果, 实现对预处理图像的再次分割。 然后恢复图像分割区域的颜色, 使用彩色向量梯度提取边缘轮廓, 对得到的轮廓图像使用随机霍夫变换, 并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。 经过检测可以得到目标的圆心坐标和半径, 从而实现重叠绿苹果的识别。 降低了谱聚类的数据处理量, 提高了算法的运行速度。 经过试验分析和算法对比, 该算法得到较高的重合度9541%, 较低的误差率459%和误检率305%。

针对传统跟踪方法在严重遮挡情况下出现目标跟踪漂移和丢失的问题,在核相关滤波跟踪框架下提出一种长时间稳健的目标跟踪算法。在跟踪过程中引入包含遮挡信息的组合置信度测量方法,用于稳健更新。如果核相关滤波算法中置信度的结果表明目标被遮挡,则引入块均值漂移算法来跟踪目标。利用局部信息获取目标的最终位置。用OTB-13测试库中的8组视频序列测试算法的性能,相比传统的核相关滤波算法,精确度提高了0.7%,成功率提高了5.7%。测试结果表明在目标发生严重遮挡时,该算法仍具有较好的跟踪效果,能实现目标长时间稳定的跟踪。

提出一种静态场景下的基于帧差光流的随机采样均值漂移聚类检测算法.该方法首先通过隔帧差分法提取运动目标区域, 并对运动区域进行光流计算, 采用自适应光流阈值分割法准确提取出运动目标; 然后运用连通区域标记算法对运动区域进行初步划分, 得到若干个连通域子集特征向量样本点, 通过提出的随机采样策略来确定对子集空间中样本点的抽样次数; 最后利用均值漂移算法对每个子集中的样本点进行若干次抽样计算并分析聚类收敛结果是否相同, 从而完成对连通域标记结果的检验.该策略通过减少对标记结果所有样本点的采样次数, 提高了目标的检测速度和精度,在不同红外测试场景中的实验结果表明: 与传统红外多目标检测算法相比, 该方法具有良好的局部抗遮挡性、准确性和实时性, 并且检测率能达到95.27%, 每帧处理时间达到39.12 ms, 满足实时处理需求.

在红外电气故障监测中, 设备过热故障区通常表现出高亮度等特点, 然而现有的提取方法因红外图像固有的低对比度、边界模糊等特点容易引起提取区域范围增大。为此, 本文提出了一种基于扩展的均值漂移聚类的红外图像故障过热区域提取方法, 引入了基于邻域灰度的权重因子。同时, 为了提升聚类效率, 摒弃了传统均值漂移算法遍历整个红外图像平面进行迭代聚类的方法, 融合了自高向低的聚类阈值分割机制, 使得改进的均值漂移算法能快速地将故障区域像素进行聚类, 实现红外图像中热故障区域的有效提取。实验结果表明本文区域提取性能优于目前现有的一些方法以及传统均值漂移聚类方法。