基于ILCS的多机器人强化学习策略

提出了一种基于改进学习分类器的多机器人强化学习方法。增强学习使机器人能发现一组用于指导其强化学习行为的规则。遗传算法则在现有的规则中淘汰掉较差的,并利用较优的种群规则产生出新的学习规则。规则合并能提高多机器人的并行强化学习效率,使多个机器人自主地学习到相互协作的最优策略。算法的分析和仿真表明,将改进的学习分类器用于多机器人的强化学习是有效的。     

多距离分类器组合试验在人脸识别中的应用

先通过PCA特征脸或插值降维,并利用Fisher鉴别矢量集,获得人脸鉴别特征;然后采用常见距离分类器及其组合形式进行识别分析,分类器组合使用多数投票规则和最大值规则等;最后对计算结果进行分析。该文研究思路和方法简洁,结果令人满意,对基于生物特征鉴别分析的工程应用具有较大价值。     

多处理机调度问题的粒子群优化算法

建立了多处理机调度问题数学模型,结合遗传算法的思想提出了粒子群算法来解决多处理机调度问题。经过比较测试,4种粒子群算法的效果都比较好,特别是交叉策略A和变异策略A的混合粒子群算法是最好的且简单有效的算法。     

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。     

融合典型纹理特征的粒子滤波目标跟踪方法

针对图像目标跟踪中,跟踪窗口易受噪声扰动所产生的跟踪不稳定问题。创造性地结合多种典型纹理特征和粒子滤波算法,将其应用于实时跟踪领域。选择3种典型的纹理特征,即灰度共生矩阵纹理特征、幅值与方向加权的梯度纹理特征、局部二进制模式纹理特征进行跟踪实验。通过对比实验,在精度与速度两方面测试纹理特征作为跟踪特征的实际效果。作为跟踪中特征的选择,实验结果说明灰度共生矩阵纹理信息在抗扰动与实时处理方面表现出良好的属性特征。     

基于小波和最近邻凸包分类器的人脸识别

本文提出一种新型的人脸识别方法.该方法首先通过二维小波变换提取人脸图像的低频特征,然后采用最近邻凸包分类器对该特征进行分类.二维小波变换是提取图像特征的有效方法之一,在保留原始图像的主要特征的同时,还能够有效降低图像维数;最近邻凸包分类器是一种以测试样本点到各类别训练样本凸包的距离作为相似性度量的分类算法.本文将这两项技术相结合在ORL人脸识别数据库上取得了良好的实验效果.     

基于信噪比最大化的目标自适应跟踪

针对采用静态目标表达模型容易导致跟踪失败的缺点,本文提出一种基于自适应特征生成模型的目标跟踪方法。在该方法中,将目标看作为有效跟踪信号,而背景则为随机噪声,在对目标的似然图像进行构建后,采用局部信噪比对当前目标所处特征空间的可跟踪性进行量化比较,选用信噪比最大的表达模型作为当前的特征跟踪模型。基于Mean Shift的目标跟踪实验表明,与采用静态目标表达模型相比,文中的算法具有更好的鲁棒性和可行性。     

基于样本选择的最近邻凸包分类器

最近邻凸包分类算法是一种以测试点到各类别样本凸包的距离为分类度量的最近邻分类算法。然而,该算法的凸二次规划问题优化求解的较高的计算复杂度限制了其在较大规模数据集上的应用。本文提出一种样本选择方法——子类凸包生长法。通过迭代,选择距离选出样本凸包最远的点,直到满足终止条件,从而实现数据集的有效约简。ORL数据库和MIT-CBCL人脸识别training-synthetic库上的实验结果表明,子类凸包生长法选出的少量样本生成的凸包能够很好的表征训练集,在不降低最近邻凸包分类器性能的同时,使得算法的计算速度大为提高。     

一种快速实用的直线检测算法

总结了目前几个主要的直线检测算法,并分析了各个算法的优缺点,然后提出了一个新的基于链码的快速直线检测算法,新算法仅需两个约束参数,即最小直线段长度和最小直线段近似度。实验表明,新算法检测速度快、实用性强,适合实时处理。     

基于目标区域的彩色图像检索研究

提出了一种基于目标区域的彩色图像检索算法,首先,获取彩色图像HSV色彩空间中各个分量灰度图像,然后计算各分量灰度图像的二值边缘图像,根据边缘图像的连通性提取彩色图像的目标区域,在图像检索时,抽取彩色图像目标区域的提取和基于目标区域的彩色图像检索,实验表明,基于目标区域的彩色图像检索算法优于基于全局图像的彩色图像检索算法。