在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟踪算法.该算法将Hamiltonian动力学融入MCMC(Markov chain Monte Carlo)算法,目标状态被扩张为原始目标状态变量与一个动量项的组合.在提议阶段,为抑制由Gibbs采样带来的随机游动行为,提出采用有序超松弛迭代方法来抽取目标动量项.同时,提出自适应步长的Hamiltonian动力学实现方法,在跟踪过程中自适应地调整步长,以减少模拟误差.提出的跟踪算法可以避免传统的基于随机游动的MCMC跟踪算法所存在的局部最优问题,提高了跟踪的准确性而不需要额外的计算时间.实验结果表明,该算法在处理多种类型的突变运动时表现出出色的处理能力.
本文利用形态学的方法确定聚类数目,并对单词-文档谱聚类方法进行改进.确定聚类数目主要分三个步骤:第一步将单词-文档谱聚类方法中产生的矩阵转换成可视化聚类趋势分析方法(visual assessment of tendency,VAT)灰度图,第二步利用灰度形态学、图像二值化、距离转换等图像处理技术过滤产生的VAT灰度图,第三步对过滤后的VAT灰度图建立信号图,并进行平滑处理,通过平滑后的信号图的波峰波谷数目确定文档集的聚类数目.实验表明,该方法能够提高单词-文档谱聚类方法的聚类效果.
