盲去模糊的多尺度编解码深度卷积网络

针对拍摄场景中物体运动不一致所带来的非均匀模糊，为提高复杂运动场景中去模糊的效果，提出一种多尺度编解码深度卷积网络。该网络采用"从粗到细"的多尺度级联结构，在模糊核未知条件下，实现盲去模糊；其中，在该网络的编解码模块中，提出一种快速多尺度残差块，使用两个感受野不同的分支增强网络对多尺度特征的适应能力；此外，在编解码之间增加跳跃连接，丰富解码端信息。与2018年国际计算机视觉与模式识别会议（CVPR）上提出的多尺度循环网络相比，峰值信噪比（PSNR）高出0.06 dB；与2017年CVPR上提出的深度多尺度卷积网络相比，峰值信噪比和平均结构相似性（MSSIM）分别提高了1.4%和3.2%。实验结果表明，该网络能快速去除图像模糊，恢复出图像原有的边缘结构和纹理细节。     

基于代数距离的椭圆拟合的优化及应用研究

鉴于传统的椭圆拟合算法容易受噪声的影响,本文提出了一种基于代数、几何距离和RANSAC算法的最小平方中值的椭圆拟合方法。方法先采用线性变换对原始数据进行预处理,在得到处理后的离散点后,最小化椭圆和离散点之间的欧氏距离,采用五边形的方法对筛选出的不同点集进行测试,最后确定出椭圆的5个参数,拟合出最终的椭圆图形。仿真实验和实际图像的拟合结果表明,方法可以快速地对星体进行拟合和识别,对噪声具有一定的抵抗力,具有良好的准确性和鲁棒性。     

基于形状特征的静态手势数字识别

本文提出了一种基于形状特征的静态手势识别算法.对分割出来的手势二值图像进行细化处理,根据细化骨骼恢复出手指形状的候选区域,提取形状特征并进行手势识别,即判断手指个数从而对手势数字0～5进行识别.本文在Matlab2012平台下对采集的中型数据库样本进行识别,平均识别率达到97.91％,平均识别速度为2.14s.同时,对实时采集的数据结果进行测试,实验结果具有一致性.     

基于编解码卷积神经网络的单张图像深度估计

摘 要：针对传统方法在单目视觉图像深度估计时存在鲁棒性差、精度低等问题,提出一 种基于卷积神经网络(CNN)的单张图像深度估计方法。首先,提出层级融合编码器-解码器网络, 该网络是对端到端的编码器-解码器网络结构的一种改进。编码器端引入层级融合模块,并通过 对多层级特征进行融合,提升网络对多尺度信息的利用率。其次,提出多感受野残差模块,其 作为解码器的主要组成部分,负责从高级语义信息中估计深度信息。同时,多感受野残差模块 可灵活地调整网络感受野大小,提高网络对多尺度特征的提取能力。在 NYUD v2 数据集上完 成网络模型有效性验证。实验结果表明,与多尺度卷积神经网络相比,该方法在精度 δ<1.25 上 提高约 4.4%,在平均相对误差指标上降低约 8.2%。证明其在单张图像深度估计的可行性。