军体训练馆建筑设计及其教学探索

随着训练内容与强度逐渐深入,部队亟需全天候的训练场所,军体训练馆的建设越发迫切。但目前尚缺乏对其功能构成和空间形态的深入研究,教学中亦少有涉及。针对其建筑功能构成既与民用体育建筑有相似之处,又具有军事功能需求的特色,探索其建筑设计与教学的目标、内容及侧重点具有重要意义。通过分析,明确这一建筑类型建筑设计要点为多尺度空间组合套叠,建筑技术要求特殊,并以此培养学生多尺度空间组合与建筑结构观念及建筑结构造型能力。结合某军种室内军体训练项目需求,通过分析室内射击训练场、游泳训练场和军体综合训练馆的教学内容,提炼出适合军事训练需求的各项空间尺度、质量以及建筑结构、设备等基本要求,并明确其教学要点,归纳教学实践经验,以期为军体训练馆建筑设计与教学提供理论支撑。     

一种基于稳定特征的全自动图像拼接算法

提出了一种改进的特征匹配算法,该算法是基于稳定特征向量,即在多尺度空间下检测图像,得到稳定特征点,并在稳定特征点上利用梯度方向提取特征向量作为匹配要素的一种图像拼接算法.试验结果表明:本算法在速度上和普通的特征拼接算法相差不大,但由于特征点的稳定性,所以具有较好的鲁棒性,适合各种不同特点的图像拼接应用.     

基于视觉系统的聚类算法

人类对于结构的感知方式和产生数据的物理系统原理对于聚类分析而言具有同等的重要性。因此,在聚类算法的设计和分析中,模拟人类的主要器官－视觉系统将帮助我们解决这一领域的一些基本问题。从这一观点出发,文中提出一类基于初级视觉系统尺度空间理论的聚类算法,并通过引入显著性假设,将生物物理学中的Weber定律与聚类结构的有效性联系起来。由此产生的聚类算法简洁有效,并可部分地回答那些与人类感知数据结构相关联的聚类有效性问题。我们的数值试验表明这一方法具有广泛的应用前景。     

基于信息熵度量的高斯尺度空间角点检测算法

图像的多尺度表示是指从原始图像出发,导出一系列越来越平滑、简化的图像,这种简化意味着图像信息的丢失。图像角点是图像的一个重要的局部特征,本文结合尺度空间理论,实现了多尺度下Harris角点检测,并利用信息熵计算每一尺度下图像的信息量,信息熵是衡量不同尺度下图像信息的可靠方法。通过实验对提取出的特征点进行攻击,证明了这些点具有很好的鲁棒性,与单尺度Harris角点检测相比,该特征点具有更高的重复率,即尺度不变性。     

基于一类Daubechies小波自相关函数的研究

讨论了一类Daubechies小波自相关函数的基本性质,着重对Daubechies尺度函数的自相关函数的插值分析做了仔细研究,得出了关于Daubechies小波尺度空间中的若干结果,并将其进一步推广.     

改进的视角鲁棒KAZE特征匹配算法

针对KAZE特征匹配算法对视角变化敏感,在大视角场景下不能实现正确匹配的问题,提出了一种视角鲁棒的PKAZE(Perspective-KAZE)算法。该算法在原KAZE描述符的基础上,计算特征点邻域内的二阶梯度均值,形成新的扩展的80维描述符;然后利用透视变换模型对待匹配影像进行多视角模拟,在模拟影像上提取改进的KAZE描述符,再进行特征匹配。最后,选取5对含有最多正确匹配数量的影像上的匹配对作为初始结果,利用随机抽样一致算法对初始结果提纯。对多组图像进行了匹配实验,结果表明:与KAZE、尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比,所提算法对视角变化具有更强的鲁棒性;与透视尺度不变特征(PSIFT)和仿射尺度不变特征(ASIFT)算法相比,本算法匹配正确率更高,分别为PSIFT的2~10倍,ASIFT的2~7倍。提出的算法对视角变化具有很好的鲁棒性,不仅对模拟影像的视角变化很稳健,而且适用于真实三维复杂场景拍摄的大视角影像,具有一定的实用价值。     

分形图像的小波变换和尺度空间滤波

本文将小波变换和尺度空间滤波作为尺度平移映射(SSM)的特殊情形来考虑,而SSM用来分析单一分形的几何复杂度。这种方法能够揭示分形的结构规律和计算分形维数。最后,运用从尺度平移映射中得出的结果来计算一类分形图像的迭代函数系统(IFS)编码,并用一些例子来说明该方法的效果。     

基于Harris的棋盘格角点检测改进算法

角点作为含有图像重要信息的一种特征点,运用角点计算可以有效减少图像运算量.正因为如此,角点检测在机器视觉中更是起着不可忽略的作用,并广泛应用于视觉测量、图像匹配和摄像机标定中.针对Harris的棋盘格角点检测的优劣性,综合尺度空间、Harris算子、Fonster算子和SVD算子的思想,提出一种由粗到精的多层策略,快速自动实现棋盘格角点检测与提取,既采用了Harris算子良好的定位性能和鲁棒性,又结合了其他算子良好的优越性,克服了单种算子的局限性.实验证明,该方法针对棋盘格角点有较高的检测精度、准确率和稳定性,可以满足实时性要求.     

基于尺度空间表示的视觉注意区域选择

针对现有视觉注意计算模型中视觉特征图多尺度表示存在的问题,研究了基于非线性尺度空间的视觉特征图表示方法,通过建立视觉特征图的非线性尺度空间表示,在实现中央一外周计算策略的同时,可以有效保留边缘等局部细节信息.同时,在视觉注意特征图尺度空间表示基础上,提出了一种视觉注意区域的最佳尺度选择算法.实际图像显著区域选择的实验结果表明,该算法是有效的,在认知上是合理的.     

尺度方向自适应Mean Shift跟踪算法

在分析尺度空间理论和Mean Shift 跟踪算法的基础上,提出了一种尺度方向自适应Mean Shift跟踪算法.根据起始帧图像中目标和背景的差异,分割出目标覆盖区域,并根据尺度空间理论对目标建立最佳描述椭圆.对于后续帧,以上一帧目标的最佳椭圆描述为初始值,根据Mean Shift迭代原理依次更新椭圆参数.实验结果表明,新算法可以有效、稳健地适应目标旋转缩放等复杂运动.