各向异性的均衡化网状扩散模型

利用抛物型偏微分方程进行图像去噪与增强是图像处理领域的热门研究课题之一,既有的扩散方程通常会带来边缘平滑,以致图像变得模糊。在各向异性扩散的基础上,采用均衡化网状扩散模型,外加调整项与约束项,对图像进行降噪处理,且同时增强对象边缘、强化图像结构。利用该模型,设计了显式的离散计算方案,并进行了实验。实验结果表明,该网状扩散模型的处理效果比既有的方法更好。     

结构纹理感知下的鲁棒光流估计及人脸活检应用

目的 光流估计是计算机视觉研究中的一个重要方向,尽管光流估计方法不断改进,但光照变化条件下光流计算精度的提高仍然是一个尚待解决的挑战。人脸反欺诈方法对于确保人脸识别系统的安全性十分重要,光照鲁棒的脸部运动光流特征能为人脸活体检测提供有关运动和结构的可靠信息。为了获得对含光照变化视频中物体运动的理解能力并应用于人脸活体检测,提高系统性能,提出了一种基于结构纹理感知视网膜模型的鲁棒光流估计方法。方法 基于Retinex理论,通过结构纹理感知方式将图像中的反射分量与光照分量充分解耦。由于反射分量具有丰富的纹理信息且光照分量中包含部分有用的结构信息,因此对所提取的光照分量进行滤波操作后再与反射分量一起融合到光流模型中,有效提高了光流估计的鲁棒性。为使模型所获光流具有更好的边缘保持性,采用光滑—稀疏正则化约束方式进行最小化求解。本文给出了求解优化问题的数值方法。结果 采用MPI Sintel数据集图像序列,与PWC-Net、DCFlow+KF和FDFlowNet(fast deep flownet)等主流算法进行对比实验,本文方法在Clean和Final数据集中均得到最低的平均终点误差（end-...     

人脸活体检测综述

人脸识别系统往往面临着各类人脸欺诈攻击,如打印相片、屏幕播放和3维面具等。如何区分真实人脸与虚假人脸,亦称人脸活体检测,对于人脸识别系统的安全具有十分重要的意义。近年来,已有大量人脸活体检测方法相继提出,部分已经成功获得实际应用。本文对人脸活体检测技术进行了全面的梳理回顾,包括硬件方案、算法、数据集、技术标准以及业界实际应用情况。最后,进行了总结与展望。整体而言,基于多模态数据,采取先验知识启发的深度学习方法目前能获得占优的人脸活体验证精度。随着人脸欺诈攻击方式的不断升级变更,面向未知类型攻击的人脸活体检测研究愈加重要,此外,新型的传感硬件方案也值得鼓励探讨。     

基于颜色特征检索方法的研究进展

颜色是图象检索中一个非常重要的特征,本文总结了目前各种颜色特征提取的方法,将它们分为两类一类是基于颜色特征抗光照不稳定的方法,一类是综合颜色直方图和空间信息的方法.并综合介绍了颜色空间选择与量化、两幅图象相似距离的计算、检索效果的评判、MPEG-7颜色描述子等颜色检索的关键技术.指出了目前存在的问题,以及进一步研究的方向.     

软磁盘上软件的防非法拷贝

一个商业软件防非法拷贝的重要性,对于每一位软件设计者来说,都是显而易见的.但要比较成功地做到软件的防非法拷贝,却不是一件容易的事.许多电脑工作者在这方面作了很多的尝试,采用了各种各样的办法,而普遍施用的方法归纳起来大致有如下四种:1.采用异常扇区的方法;2.采用异常地址标志ID参数方法;3.激光打孔或其他打孔的方法;4.用不同的软盘控制器的方法.而前两种方法难以抵挡某些高级拷贝软件的威力,后两种方法虽加密效果比较好,但一般难以实现,尤其打孔法势必造成磁盘的永久性损坏,不足为取.     

用于图像分割的活动轮廓模型综述

图像分割和边界提取对于图像理解、图像分析、模式识别、计算机视觉等具有非常重要的意义,而活动轮廓模型(Active Contour Model)则是图像分割和边界提取的重要工具之一,它主要包括参数活动轮廓模型和几何活动轮廓模型两类。相对于参数活动轮廓模型,几何活动轮廓模型具有很多的优点,如计算的简单性和在变形的过程中能够处理曲线的拓扑变化,等等。近年来,几何活动轮廓模型在理论和应用方面的研究都有很大的发展,令人关注。为了使人们对这一技术有一概略了解,首先提出了一种新的分类方式用来描述参数活动轮廓模型、几何活动轮廓模型以及它们之间的联系,然后通过重点分析几个经典的活动轮廓模型及其算法实现来综述活动轮廓模型的研究、发展及其应用情况,最后指出了进一步进行活动轮廓模型理论与应用研究的方向。     

张量学习诱导的多视图谱聚类

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n² logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.