GPCA算法在彩色車輛視頻運動分割中的應(yīng)用.pdf

1、視頻運動分割技術(shù)在圖像處理，圖像理解領(lǐng)域有非常廣泛的應(yīng)用。分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性，因此具有十分重要的意義。此外，聚類算法是圖像分割中常用的技術(shù)手段。本文以GPCA（Generalized Principal Component Analysis ）聚類算法為核心，本著從簡入繁的研究思路，完成了下面的幾項工作：
　　 1、靜態(tài)彩色圖像分割：
　　 本文簡介了GPCA的基本原理，GPCA的作用是為數(shù)據(jù)集估計混合

2、線性模型，該模型與傳統(tǒng)單一模型相比，能更加簡潔的揭示數(shù)據(jù)分布；為了揭示GPCA 算法在聚類中的效果，本文分析了基于GPCA 算法的彩色圖像分割，實驗表明GPCA 算法與Meanshift 算法相比，GPCA對復(fù)雜彩色圖像分割更準(zhǔn)確。另外，本文將GPCA 算法應(yīng)用在車牌分割中，與最大類間方差算法（Otsu ）進(jìn)行了比較，實驗表明GPCA 算法在犧牲了一定的運行速度的前提下，有效的提高了后續(xù)車牌識別的正確率。
　　 2、運動估計和運

3、動物體分割：
　　 本文利用圖像偏導(dǎo)數(shù)計算運動向量，并以此建立多運動模型，使用GPCA 算法進(jìn)行二維運動估計，檢測運動物體并進(jìn)行運動分割。實驗表明GPCA 算法在運動分割中聚類的正確率較RANSAC 算法的正確率高。并使用GPCA 算法對室外車輛視頻進(jìn)行運動分割，并計算獲得的運動物體分割結(jié)果，實驗證明多運動模型相對于單運動模型在運動分割上的有更好的分割效果。
　　 3、交通信息檢測系統(tǒng)
　　 本文第四章節(jié)介紹了將