基于仿射跳跃-扩散过程的电力市场电价随机模型

基于金融工程理论的电价随机模型对于竞争性电力市场中的电力衍生产品定价、风险管理、资产定价及不确定条件下的投资决策等具有基础意义。文中提出了基于仿射跳跃-扩散过程的、具有2个和3个跳跃分量的电价随机模型以及一种新的参数标定方法。所提出的近似参数标定方法可利用历史电价数据快速求解模型参数，且计算量与电价样本点数量无关。由于直接根据历史电价的数字特征求解，不存在误差累积的问题。根据法国Powernext、德国EEX和荷兰APX等3个主要欧洲电力市场的历史日前小时电价数据标定了模型参数并采用Monte Carlo方法分析了模型的模拟效果。计算表明，文中提出的电价随机模型能够较为准确地描述电价的整体概率分布，满足进一步研究的需要。     

二维Arnold仿射模变换加密数字全息图

提出了用于M×N数字图像的二维Arnold仿射模变换公式,指出其变换周期等于MAXM×MAXN数字图像Arnold仿射模变换的周期;分析了二维Arnold仿射模变换用于数字图像加密的弊端,针对于其不足,提出将Arnold仿射模变换用于置乱虚拟光学方法生成的数字全息图,以增强该算法的安全性。     

中心仿射超曲面的唯一性与存在性

本文作者研究了 (n + 1)维欧氏空间Rn+1中的中心仿射超曲面 ,得到了中心仿射超曲面的唯一性和存在性两个结果     

一类非线性系统的神经网络鲁棒自适应控制

针对一类单输入单输出仿射非线性系统，提出了一类神经网络鲁棒自适应控制。设计过程中，采用RBF神经网络实现对系统中的未知非线性函数逼近，并考虑到存在逼近误差和外部干扰，采用滑模控制实现了系统的鲁棒控制。最后通过MATLAB仿真，证明了该方法的有效性。     

基于SIFT特征的特定目标识别管控算法

小型存储设备,如U盘、移动硬盘、手机等特定目标在人们日常生活中起着越来越重要的作用,如何对这些特定的目标物体进行管理控制以确保其安全性等问题也受到了越来越多的重视。本文提出了一种基于SIFT(Scale-Invariant Feature Transform)特征的特定目标识别管控算法。通过摄像头监控特定场景区域,判断场景中是否存在对特定目标进行管理的人员,并在监控视频区域环境下,使用SIFT与需要匹配的目标进行匹配,达到对关键目标物体识别管控的目的。大量实验仿真结果证明了本算法的有效性。     

基于全方位视觉的移动机器人运动目标检测*

针对移动机器人动态背景下运动目标的检测,提出一种基于全方位视觉的检测算法。首先,改进了SIFT算法中的特征点提取方法,在将图像划分为若干网格后,再根据特征点所在位置的局部区域熵对每个网格中的候选特征点进行筛选;其次,在SIFT点匹配后采用RANSAC算法去除误匹配点,以提高背景补偿的精度;最后用帧差法检测出运动目标。实验表明,该算法减少了SIFT点的获取时间,并具有良好的鲁棒性,能准确地在机器人运动过程中检测出运动目标。     

双目下点云的三维人脸重建

提出一种在双目视觉系统下进行人脸重建的方法。首先,通过双目系统拍摄人脸的左右图像;其次,用Grab-Cut的方法的把人脸图像分割出来从而降低立体匹配的搜索范围;然后,用区域匹配算法得到人脸的视差图,从而得到人脸的三维点云;最后对不同角度的人脸图像进行SIFT特征提取和匹配。将提取的SIFT特征点和匹配关系反射到三维点云数据,获取不同角度人脸的三维点云数据的特征点和匹配关系,完成对不同角度的人脸进行粗配准。     

仿射不变三角形在红外目标识别中的应用

红外目标识别主要存在以下两个问题：一是红外成像比较模糊,难以提取不变特征;二是红外图像信息含量小,不易发掘有效的描述方法。针对上述问题,提出了一种基于曲率尺度空间(Curvature Scale Space,CSS)角点的仿射不变三角形的检测方法,并利用优选参数的多尺度自卷积(Multi-scale Autoconvolution,MSA)对提取的三角形区域进行描述,最后进行特征匹配实现红外目标识别。实验表明：与其他方法比较,在各种图像变换中,本文方法对红外目标的识别优势显著。     

基于OpenCV图像处理的无人机影像拼接技术研究

随着无人机技术的发展,无人机航空摄影已在众多行业得到广泛应用,无人机航拍影像自动拼接技术可以快速获取宽视域、高分辨率的图像。文章基于OpenCV计算机视觉库和SIFT图像匹配算法,采用Python开发语言,围绕无人机航拍影像的特征检测与匹配、单应性矩阵计算、图像透视变换、重叠区域影像融合等问题进行研究,实现了无人机影像的快速拼接,并进行了试验,结果证明算法和技术方法可行。     

Face Recognition Using Dense SIFT Feature Alignment

This paper addresses face recognition problem in a more challenging scenario where the training and test samples are both subject to the visual variations of poses,expressions and misalignments.We employ dense Scale-invariant feature transform (SIFT) feature matching as a generic transformation to roughly align training sampies;and then identify input facial images via an improved sparse representation model based on the aligned training samples.Compared with previous methods,the extensive experimental results demonstrate the effectiveness of our method for the task of face recognition on three benchmark datasets.