合作信息
復雜場景下的運動目標分割和識別技術的研究
發布單位:蘇州大學科學技術與產業部
所屬行業:其他
合作信息類型:意向合作
機構類型:高等院校
供求關系:供應
合作信息期限:2017-9
參考價格:面議
0
收藏數
合作信息簡介
成果名稱:復雜場景下的運動目標分割和識別技術的研究
成果簡介:
運動目標的分割和識別技術一直是圖像處理和計算機視覺領域的重要研究課題。圖像序列中運動目標的分割和識別技術日益受到人們的青睞和廣泛的應用。例如,在智能交通系統中,要求對運動中的車輛進行監控;在銀行、倉庫等重要部門的保安系統中,要對運動目標進行跟蹤與識別;在軍事領域中,需要對運動的重要軍事目標(如飛機、軍艦、坦克等)進行識別及搜索跟蹤等。因此,該成果具有廣泛的應用領域和重要的理論價值。
該項目的研究采用現代圖像處理和識別技術:
首先,建立運動序列圖像的時空域馬爾可夫隨機場模型。即利用Gibbs隨機場分布來描述Markov隨機場分布。針對運動序列圖像的特點,用高斯混合分布描述序列圖像的觀察場,建立了運動序列圖像的高斯時空馬爾可夫隨機場模型,并構造了其相應的能量函數。對標準Expectation-Maximization算法進行了改進,提出了快速Expectation-Maximization算法,估計出了模型中的參數,在保證分割結果的精度下,提高了運行的速度。在分析和研究傳統時空馬爾可夫隨機場的基礎上,提出了一種新的時空馬爾可夫隨機場模型。該模型以原始圖像的彩色聚類圖像作為先驗知識,獲得了初始標記場,并重新定義了Gibbs能量函數。在定義能量函數時考慮了彩色聚類結果對基團勢能的影響。該模型克服了因運動目標與背景間的運動而產生的顯露遮擋現象,提高了運動目標分割的精度。
其次,求解Markov隨機場模型,使標記場的后驗概率分布最大化,即使系統的能量函數最小化。其實現的方法是改進的ICM(Iterated Conditional Modes)優化算法。因此在該改進的ICM方法能根據彩色信息得到較為精確的初始標記場,使算法收斂到全局最小值。這樣在保證精度的同時提高了收斂的速度。
最后,針對已經分割出的圖像進行規格化處理和Zernike矩的特征值提取,并進行識別。
本方法克服了由于圖像的形變而使識別率降低的問題
方法首先計算給定模式的協方差矩陣,根據矩陣的特征向量旋轉圖像,得到一個與新坐標無關的圖像;然后,根據特征值進行圖像長寬比例調整,得到一個規格化圖像。最后計算規格化后圖像輪廓的8個高階矩作為特征值進行識別。在得到運動目標的特征值后,采用c均值聚類方法進行目標識別。
本項目目標識別率為95.5%,大于合同規定的識別率95%。
合作方式:面議。
聯系方式:
蘇州大學科學技術與產業部 0512-67165732
成果簡介:
運動目標的分割和識別技術一直是圖像處理和計算機視覺領域的重要研究課題。圖像序列中運動目標的分割和識別技術日益受到人們的青睞和廣泛的應用。例如,在智能交通系統中,要求對運動中的車輛進行監控;在銀行、倉庫等重要部門的保安系統中,要對運動目標進行跟蹤與識別;在軍事領域中,需要對運動的重要軍事目標(如飛機、軍艦、坦克等)進行識別及搜索跟蹤等。因此,該成果具有廣泛的應用領域和重要的理論價值。
該項目的研究采用現代圖像處理和識別技術:
首先,建立運動序列圖像的時空域馬爾可夫隨機場模型。即利用Gibbs隨機場分布來描述Markov隨機場分布。針對運動序列圖像的特點,用高斯混合分布描述序列圖像的觀察場,建立了運動序列圖像的高斯時空馬爾可夫隨機場模型,并構造了其相應的能量函數。對標準Expectation-Maximization算法進行了改進,提出了快速Expectation-Maximization算法,估計出了模型中的參數,在保證分割結果的精度下,提高了運行的速度。在分析和研究傳統時空馬爾可夫隨機場的基礎上,提出了一種新的時空馬爾可夫隨機場模型。該模型以原始圖像的彩色聚類圖像作為先驗知識,獲得了初始標記場,并重新定義了Gibbs能量函數。在定義能量函數時考慮了彩色聚類結果對基團勢能的影響。該模型克服了因運動目標與背景間的運動而產生的顯露遮擋現象,提高了運動目標分割的精度。
其次,求解Markov隨機場模型,使標記場的后驗概率分布最大化,即使系統的能量函數最小化。其實現的方法是改進的ICM(Iterated Conditional Modes)優化算法。因此在該改進的ICM方法能根據彩色信息得到較為精確的初始標記場,使算法收斂到全局最小值。這樣在保證精度的同時提高了收斂的速度。
最后,針對已經分割出的圖像進行規格化處理和Zernike矩的特征值提取,并進行識別。
本方法克服了由于圖像的形變而使識別率降低的問題
方法首先計算給定模式的協方差矩陣,根據矩陣的特征向量旋轉圖像,得到一個與新坐標無關的圖像;然后,根據特征值進行圖像長寬比例調整,得到一個規格化圖像。最后計算規格化后圖像輪廓的8個高階矩作為特征值進行識別。在得到運動目標的特征值后,采用c均值聚類方法進行目標識別。
本項目目標識別率為95.5%,大于合同規定的識別率95%。
合作方式:面議。
聯系方式:
蘇州大學科學技術與產業部 0512-67165732