动态统计图在Web的实现

使用超文本语言HTML设计的网页仅能在浏览器显示静态文本和数据，随着Internet应用的快速发展，支持Internet的动态服务器网页（ASP）技术的应用以及大量基于ASP或ActiveX服在的组件使客户端动态图形显示成为可能，ActiveXServerComponents组件ASPCart是一个能在服务器端生成统计图表的组件，客户端程序通过ADO连接服务器端数据库，在网页中输入统计条件，使用ASPCart组件提供的方法绘制出统计图形，然后将生成的图形嵌入HTML，发布到客户端显示，其最大特点是可以将统计生成的图形以各种图形格式保存到硬盘并多次重复使用。     

基于GPU的雷达成像实时仿真技术研究

针对当前基于数字地形的雷达成像仿真实时性差的问题,依据雷达成像仿真原理,分析了雷达成像仿真的并行性,提出了基于CUDA的雷达成像仿真算法流程,进行了基于GPU的雷达RBM成像并行处理实验.通过不同线程调度方式的并行加速效果和不同数据规模的并行加速效果分析,验证了该算法的有效性.     

改进的三维人脸识别方法

针对目前三维人脸几何特征识别算法中计算量大和设备昂贵,尤其是在特征融合时加权值确定的不精确性问题,提出了根据双目立体视觉原理,通过对普通二维图像确定脸部关键部位特征点的三维几何特征信息,并且依照类内距离越小越好,类间距离越大越好的准则设定适应度函数,使用人脸样本数据根据遗传算法进行训练,得到使适应度函数最小时的最优解,从而获得三维人脸几何特征融合时的最佳加权值。实验结果表明了该算法的可行性和有效性。     

基于自适应残差的运动图像去模糊

针对当前运动图像去模糊网络忽略了运动模糊图像的非均匀性,不能有效地恢复图像的高频细节及去除伪影等问题,在对抗网络基础上提出一种基于自适应残差的运动图像去模糊方法.在生成网络中构造由形变卷积模块和通道注意力模块组成的自适应残差模块.其中,形变卷积模块学习运动模糊图像特征的形变量,可以根据图像的形变信息动态调整卷积核的形状和大小,提高网络适应图像形变的能力.通道注意力模块对所提取的形变特征进行通道调整,获取更多的图像高频特征,增强恢复后图像的纹理细节.在公开的GOPRO数据集上进行实验,实验结果表明,该算法的峰值信噪比(PSNR)有较大的提升,能够重建出纹理细节丰富的高质量图像.     

基于运动与外形特征的人体行为识别

多数现有特征提取方法仅采用简单的形态特征,存在走与跑识别率较低的问题。将运动速度特征与较精确分割并归一化图像大小后的主分量分析外形特征相结合,采用支持向量机从8个方向对跑、蹲、站、弯腰、招手、指和走7种人体行为进行识别,结果证明走与跑的识别率得到很大提高。     

基于组合型表面模型的运动目标跟踪

运动目标跟踪是计算机视觉领域研究的难点课题,提出了一种基于组合型表面模型的视频运动目标跟踪算法。研究了目标的颜色特征空间和梯度特征空间,通过梯度特征和颜色特征的组合,以直方图的形式来建立目标表面模型,之后使用CamShift算法来完成一帧一帧的跟踪。实验结果表明,在图像背景复杂且目标出现遮挡的情况下,该方法仍能有效的跟踪目标。     

基于多类SVM和D—S证据理论的决策融合算法研究

D-S证据理论是决策融合领域研究较多的一种有效方法。然而,如何根据实际情况构造D—S证据理论中的基本概率赋值函数是必须面对的一个重要课题。本文提出了一种基于多类支持向量机和D—S证据理论的决策融合算法,将多类支持向量机作为局部判决器,构造了相应的基本概率赋值函数,然后用D—S证据理论对各初步判决结果进行融合,得出对目标的最终识别结论。最后与投票表决法对比,做出仿真,并进行分析,验证了算法的合理性和有效性。     

基于空谱分组卷积密集网络的高光谱图像分类

针对高光谱图像分类在特征提取过程中高分辨率信息丢失,导致分类精度下降的问题,提出一种基于空谱分组卷积密集网络的高光谱图像分类方法。设计光谱-空间三维分组卷积密集模块,对光谱与空间特征进行分步提取,利用分组卷积构造的密集网络能减少数据固有信息冗余,使高分辨率的特征进行重用,避免细节特征信息丢失;设计光谱残差注意力模块,该模块通过结合空-谱特征计算注意力权重,对提取到的光谱特征进行权重重分配,对光谱信息富有的区域进行增强。实验结果表明,相比于若干最优的深度网络方法,所提高光谱图像分类方法具有更好的分类性能。     

结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法

针对图像超分辨率重建模型需要大量参数去捕获低分辨率（LR）图像和高分辨率（HR）图像之间的统计关系，以及使用L₁或L₂损失优化的网络模型不能有效恢复图像高频细节等问题，提出一种结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法。该方法基于由粗到细的思想，设计了一种两阶段的网络模型。第一阶段通过卷积神经网络（CNN）提取图像特征，并将图像特征上采样至HR大小，得到粗糙特征；第二阶段使用多尺度估计将低维统计模型逐步逼近高维统计模型，将第一阶段输出的粗糙特征作为输入来提取图像多尺度特征，并通过注意力融合模块逐步融合不同尺度特征，以精细化第一阶段提取的特征。同时，该方法引入一种更丰富的卷积特征用于边缘检测，并将其作为感知边缘约束来优化网络，以更好地恢复图像高频细节。在Set5、Set14和BSDS100等基准数据集上进行实验，结果表明与现有的基于CNN的超分辨率重建方法相比，该方法不但能够重建出更为清晰的边缘和纹理，而且在×3和×4放大因子下的峰值信噪比（PSNR）和结构相似度（SSIM）都取得了一定的提升。     

NSST各向异性双变量收缩的图像去噪算法

提出一种基于非下采样Shearlet变换(NSST)的各向异性双变量收缩函数的图像去噪算法。根据NSST不同尺度间系数的方差各向异性特性,在双变量收缩函数的基础上引入各向异性拉普拉斯概率分布,利用牛顿迭代算法得到各向异性的双变量收缩函数,对NSST系数进行处理,充分利用NSST能捕捉更多纹理及结构等细节信息的优点。实验结果表明,该算法在峰值信噪比、结构相似性以及主观视觉效果上均得到较大提高。