基于小波的实时烟雾检测*

传统的离子式、吸气式、光电式等烟雾检测器在大空间中检测烟雾时,会受到发射信号与接收信号之间的距离、平面角度、精确对准等限制,无法对整个空间的烟雾状况进行描述.新的方法通过监测区域的摄像机拍摄的视频图像序列,进行小波变换,分析图像帧在时域和空域的频率特性,来确定被监测区域是否有火灾烟雾的发生.实验证明该方法不受空间高度、热障、易爆、有毒等环境的限制,并且有灵敏度高、抗干扰力强、适用范围广等特点.     

无线传感网络中拥塞控制与路由的跨层设计:分布式牛顿法

无线传感网络应用广泛, 其性能与路由选择和拥塞控制密切相关. 致力于拥塞控制与多径路由的跨层优化, 以实现在链路容量受限和节点能量受限情况下的无线传感网络效用最大化. 针对对偶次梯度算法具有收敛速度慢与信息交互量大等缺陷, 设计了具有二阶收敛性能的分布式牛顿算法来实现网络效用最大化. 通过矩阵分裂技术, 实现了只需单跳信息交互的牛顿对偶方向的分布式求解方法. 仿真结果表明, 分布式牛顿算法的收敛性能显著优于对偶次梯度算法.     

轨迹空间中基于特征符号搜索算法的非刚体三维运动重建研究

现有研究一般是在正交约束条件下采用最小二乘法来求解三维运动轨迹基重建问题,然而这些算法的性能容易受噪声影响,产生不适定性。为此,通过利用离散线性的方法为三维运动搜索最优轨迹基系数和三维结构,建立了一种基于特征符号搜索算法的三维运动轨迹基重建方法。利用该方法,对一系列单目图像序列进行了重建实验研究,结果表明所提出的方法是可行的,并提高了重建算法的准确性。     

基于神经网络的运动参数估计

分别就两种约束使用神经网络对三维刚体运动进行参数估计.一是基于三维点匹配,将预测的运动参数作用于运动前的坐标,与运动后坐标进行比较;二是基于二维运动场,将使用预测的运动参数计算得出的二维运动场与图像序列中计算得出的二维运动场进行比较.两个神经网络均使用Newton-Raphson方法更新权值,以达到目标误差最小化.通过实验验证了该神经网络方法.     

自适应粒子滤波在人体跟踪过程中的应用

人体运动跟踪技术近年来在图像处理与计算机视觉领域引起很多关注,在当前一些重要研究和应用领域有着广泛的需求。在以往跟踪方法的基础上提出了基于决策规则的自适应粒子滤波的无标记运动目标跟踪方法。利用一个带外观模板的人体关节模型,通过学习得到运动模型及基于关节模型的相似性计算,巧妙地利用自适应粒子滤波对运动目标进行实时跟踪,使得在粒子滤波过程中,可以根据实际滤波情况在线调节粒子数。实验表明,提出的算法鲁棒性好,跟踪速度比基于传统粒子滤波的快。     

基于MRF和神经网络的三维运动参数估计

为解决非刚体三维运动中运动参数估计的问题,结合了马尔科夫随机场(MRF)和神经网络的方法。其中,MRF用于建立各个特征点的局部运动相关性模型,求出各个特征点的三维坐标;神经网络方法用于对特征点进行聚类,并求出运动参数;最后根据求出的运动参数修正各个特征点的邻域系,实验结果表明该算法能够正确估计出非刚体的运动参数。     

动态图像序列中的运动目标检测

根据动态图像序列中背景因成像过程中各种因素而产生变化所存在的复杂性，提出了自适应的前景目标检测方法。首先，建立图像每一像素点的高斯分布模型，并根据序列中的当前帧及历史帧信息自适应地调整模型的参数。然后，结合图像帧间的差分信息以及灰度分布的先验概率等因素将图像从空间域映射至统计域。最后，在统计域中对前景目标进行鲁棒分割。实验的结果反映了该方法的有效性。     

基于像素统计特性及细胞神经网络的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性，提出了一种基于像素统计特性及细胞神经网络（CNN）的目标分割方法。首先建立图像每一像素点的高斯分布模型，并根据图像序列中的当前帧及历史帧信息自适应地调整模型的参数。然后结合图像的帧间信息将图像从空间域映射到统计域。最后在统计域中用细胞神经网络方法对其进行目标分割。由于CNN是由局部互连的细胞组成，因此易于用VLSI实现。通过对图像像素建立细胞近邻模型，可以获得较强的鲁棒运动目标分割。实验的结果反映了该方法的有效性。     

基于相对形变模型及正则化技术的人体运动估计

为了使根据人体行走的单目动态图象序列，对人体手臂及腿部的运动及结构参数进行估计的结果更为可信、更具鲁棒性，提出了一种基于相对形变模型及正则化技术的人体运动估计方法，该方法首先在物体中心坐标的运动表示方式下，通过在刚体运动模型中加入形变系数的方法给出了基于相对形变概念的非刚体运动模型；然后，根据这一非刚体运动模型进行正则化运动及结构参数的估计，再以正则化的形式融入人体运动的先验知识，使运动估计的结果更具鲁棒性，实验结果证明，该方法有效地反映了人体的非刚体运动模式，运动模型中所加入的相对形变系数也一定程度反映了人体的运动规律。     

基于神经网络的图象序列特征点匹配

利用神经网络优化技术解决图象序列的特征点匹配问题，将特征点匹配归结为一个带约束的优化问题，并用2D Hopfield网络实现，在Hopfield网络的能量函数的设计中，综合考虑了特征点的预测结果、特征点的遮挡等情况，从而克服了现有的多数方法所存在的误匹配现象，对于特征点的跟踪，头3帧图象的正确匹配是十分关键的。本文提出了一种3D Hopfield网络用以解决头3帧图象的特征点匹配，并提出了一个运动平滑性的代价函数用以构造3D Hopfield网络的能量函数，实际图象序列的实验结果证明了本方法的有效性。