摘要：鲁棒目标跟踪近年来成为计算机视觉领域一项重要的且极具挑战性的研究方向。随着深度传感器的普及,深度信息因其对光照变化与遮挡表现出一定的鲁棒性而被广泛应用于视觉目标跟踪算法中。本文提出了一种基于RGBD和稀疏学习的跟踪算法,从三个方面将深度信息应用到稀疏学习跟踪框架。首先将深度图像特征结合现有的基于彩色图像的视觉特征用于目标外观的鲁棒特征描述。为了适应跟踪过程中的各种遮挡情况,我们设计了一种特殊的遮挡物模板用于增广现有的超完备字典。最后,我们进一步提出了一种基于深度信息的遮挡物检测方法用于有效地指示模板更新。基于KITTI和Princeton数据集的大量实验证明了所提出算法的跟踪效果优于时下最先进的多种跟踪器,包括基于稀疏学习的跟踪以及基于RGBD的跟踪。

摘要：This paper presents a hardware efficient high definition television (HDTV) encoder for H.264/AVC. We use a two-level mode decision (MD) mechanism to reduce the complexity and maintain the performance, and design a sharable architecture for normal mode fractional motion estimation (NFME), special mode fractional motion estimation (SFME), and luma motion compensation (LMC), to decrease the hardware cost. Based on these technologies, we adopt a four-stage macro-block pipeline scheme using an efficient memory management strategy for the system, which greatly reduces on-chip memory and bandwidth requirements. The proposed encoder uses about 1126k gates with an average Bjontegaard-Delta peak signal-to-noise ratio (BD-PSNR) decrease of 0.5 dB, compared with JM15.0. It can fully satisfy the real-time video encoding for 1080p@30 frames/s of H.264/AVC high profile.

摘要：目的:Karhunen-Loève变换(KLT)核矩阵含有无理数而需要整数化。但整数化过程通常会削弱KLT对视频信号去相关能力,同时整数KLT的非正交性也会带来失真。因而需要一个评价模型来指导整数KLT的设计。创新点:综合考虑KLT在视频压缩中所起作用,分别对整数KLT矩阵的可逆程度和其变换编码增益(TCG)进行建模,并形成可逆-增益模型。用该模型进行KLT的整数化设计,得到的整数KLT矩阵在视频压缩效率上都高于其他整数化方法得到的矩阵。方法:首先,充分考虑KLT的正交性,分析无量化情形下整数变换编码过程中失真的来源及其与整数变换核矩阵的解析关系,并利用此解析关系为整数KLT矩阵的可逆程度进行建模(式15)。然后,由于KLT可以最大化TCG,我们对KLT在整数化过程中的TCG损失率进行建模(式16),并分析整数余弦变换的TCG损失率(表1),以作为参考。最后,联合变换的可逆程度和TCG损失率,形成一个指导整数KLT设计的可逆-增益模型(式18):在给定TCG损失率约束下,具有最佳可逆程度的整数KLT即是对给定KLT进行整数化的最优结果。结论:在视频压缩中,给定任意KLT矩阵和倍乘因子下,利用本文提出的可逆-增益模型指导该KLT的整数化,能得到在压缩效率上最优的整数KLT矩阵。