基于常增益组合滤波器的目标跟踪算法

针对目前高机动目标跟踪的Jerk模型存在计算复杂度高的不足,提出一种四维常增益滤波器:α-β-γ-δ模型.给出模型中α、β、γ和δ的计算公式,并将它与α-β、α-β-γ滤波器组合得到一种常增益组合滤波算法,克服单一滤波器只能跟踪特定运动方式的目标的缺点.最后对一种典型的目标机动形式进行Monte Carlo仿真,结果表明新算法对于解决机动目标跟踪问题的有效性.     

基于L1范数的形状快速匹配算法

针对内距离形状上下文IDSC（inner-distance shape context）和轮廓点分布直方图CPDH（contours points distribution histogram）在形状相似性度量中直方图匹配耗时长,工程应用性不佳的问题,提出了一种用EMD-L1测量轮廓特征直方图的距离的方法。EMD-L1在原始EMD (earth mover’s distance)的基础上融合了L1范数,通过替换地面距离计算方法,减少了目标函数的变量,加快了直方图匹配的速度,能够快速实现形状匹配并保持较好的检索性能。对形状数据集进行仿真实验的结果证明,该方法能够有效地进行数据集的形状识别和检索,并且在MNIST数据集下的匹配速度优于其他算法。     

一种改进的人脸检测算法

在Hsu, Abdel Mottaleb and Jain提出的检测算法（简记为Hsu法）的基础上,提出一种改进的适用于彩色图像的人脸检测算法。使用相关技术对原图像进行预处理,采用高斯分布模型代替椭圆参数模型得到原始图像的肤色概率图,在不影响准确度的前提下提高了检测速度;采用自适应阈值和直方图法相结合选取肤色分割阈值更准确;根据人眼信息在子图像上进行人眼检测。经实验验证,该算法能较好地检测出复杂条件下的人脸,与Hsu法相比速度有较大的提高。     

一种新的核线性鉴别分析算法及其在人脸识别上的应用

基于核策略的核Fisher鉴别分析（KFD）算法已成为非线性特征抽取的最有效方法之一。但是先前的基于核Fisher鉴别分析算法的特征抽取过程都是基于2值分类问题而言的。如何从重叠（离群）样本中抽取有效的分类特征没有得到有效的解决。本文在结合模糊集理论的基础上，利用模糊隶属度函数的概念，在特征提取过程中融入了样本的分布信息，提出了一种新的核Fisher鉴别分析方法——模糊核鉴别分析算法。在ORL人脸数据库上的实验结果验证了该算法的有效性。     

求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．     

基于GhostNet的端到端红外和可见光图像融合方法

现有的基于深度学习的红外和可见光图像融合方法大多基于人工设计的融合策略,难以为复杂的源图像设计一个合适的融合策略.针对上述问题,文中提出基于GhostNet的端到端红外和可见光图像融合方法.在网络结构中使用Ghost模块代替卷积层,形成一个轻量级模型.损失函数的约束使网络学习到适应融合任务的图像特征,从而在特征提取的同时完成融合任务.此外,在损失函数中引入感知损失,将图像的深层语义信息应用到融合过程中.源图像通过级联输入深度网络,在经过带有稠密连接的编码器提取图像特征后,通过解码器的重构得到融合结果.实验表明,文中方法在主观对比和客观图像质量评价上都有较好表现.     

用于骨架行为识别的多维特征嵌合注意力机制

目的 在行为识别任务中,妥善利用时空建模与通道之间的相关性对于捕获丰富的动作信息至关重要。尽管图卷积网络在基于骨架信息的行为识别方面取得了稳步进展,但以往的注意力机制应用于图卷积网络时,其分类效果并未获得明显提升。基于兼顾时空交互与通道依赖关系的重要性,提出了多维特征嵌合注意力机制(multi-dimensional feature fusion attention mechanism,M2FA)。方法 不同于现今广泛应用的行为识别框架研究理念,如卷积块注意力模块(convolutional block attention module,CBAM)、双流自适应图卷积网络(two-stream adaptive graph convolutional network,2s-AGCN)等,M2FA通过嵌入在注意力机制框架中的特征融合模块显式地获取综合依赖信息。对于给定的特征图,M2FA沿着空间、时间和通道维度使用全局平均池化操作推断相应维度的特征描述符。特征图使用多维特征描述符的融合结果进行过滤学习以达到细化自适应特征的目的,并通过压缩全局动态信息的全局特征分支与仅使用逐点卷积层的局部特征分支相互嵌合获取多尺度动态信息。结果 实验在骨架行为识别数据集NTU-RGBD和Kinetics-Skeleton中进行,分析了M2FA与其基线方法2s-AGCN及最新提出的图卷积模型之间的识别准确率对比结果。在Kinetics-Skeleton验证集中,相比于基线方法2s-AGCN,M2FA分类准确率提高了1.8%;在NTU-RGBD的两个不同基准分支中,M2FA的分类准确率比基线方法2s-AGCN分别提高了1.6%和1.0%。同时,消融实验验证了多维特征嵌合机制的有效性。实验结果表明,提出的M2FA改善了图卷积骨架行为识别方法的分类效果。结论 通过与基线方法2s-AGCN及目前主流图卷积模型比较,多维特征嵌合注意力机制获得了最高的识别精度,可以集成至基于骨架信息的体系结构中进行端到端的训练,使分类结果更加准确。     

利用小波变换与Gabor滤波检测红外小目标

将小波变换应用于红外图像,提出了一种新的弱小目标检测方法。该算法首先对图像进行小波变换。为了获取图像的多方向性分解,使用Gabor滤波器与高频信号做卷积运算得到24个方向的高频信息。计算各点的局部能量以及方向离散值,将以上特征融合,得到图像的多特征统计值。其次采用Renyi信息熵分割完成目标检测。最后,由于卷积运算,将会造成弱小目标点的扩大。因此,利用检测结果中小目标具有较大面积的特点,有效地排除了虚警。实验结果表明,该算法参数较少,能较精确地检测出红外弱小目标。     

一种具有自我更新机制的量子粒子群优化算法

自然界中生命体都存在着有限的生命周期,随着时间的推移生命体会出现老化并死亡的现象,这种老化机制对于生命群体进化并保持多样性有重要影响。针对量子行为粒子群（QPSO）算法中粒子存在老化并使得算法存在早熟收敛的现象,将生命体的自我更新机制引入了QPSO算法,在粒子群体进化中提出领导者粒子和挑战者粒子,随着群体粒子的老化,当领导者粒子领导力耗尽不能引导群体进化时,挑战者粒子通过竞争更新机制成为新的领导者粒子引导群体进化并保持群体多样性,并证明了算法的全局收敛性。将提出的算法与多种典型改进QPSO算法通过12个CEC2005 benchmark测试函数进行比较,对结果进行了分析。仿真结果显示,该算法具有较强的全局搜索能力,尤其在7个多峰测试函数中,综合性能最优。     

一种改进的免疫克隆选择算法

针对传统免疫克隆选择算法收敛速度较慢的问题,结合克隆概率和免疫概率的自适应变换、群体灾变算法以及有无记忆库思想,提出了无记忆库的自适应免疫克隆选择算法与有记忆库的自适应免疫克隆选择算法,并将其应用于TSP问题.群体灾变算法的应用便于使算法尽快摆脱迟钝状态,并使算法能够保持抗体多样性.自适应方法的应用使得算法在进化初期有较强的全局搜索能力和较弱的局部搜索能力,随着进化的进行,全局搜索能力逐渐减弱,局部搜索能力逐渐增强,便于找到全局最优点.仿真实验结果表明,与传统的免疫克隆算法相比,该算法有效克服了早熟问题,保持了抗体的多样性,而且收敛速度较快.