一种新的拓展稀疏人脸识别算法

近几年来,基于稀疏表示分类是一个备受关注的研究热点。如果每类训练样本较充分,该类方法可以取得比较好的识别效果。当训练样本比较少时,它的分类效果可能就不理想。拓展的稀疏分类算法可以较好的解决这一问题,它在表示测试样本时,引入了训练样本的类内变量矩阵,利用它和训练样本集来表示测试样本,从而提高了人脸识别率。然而,该算法并没有考虑训练样本在表示测试样本中所起的作用,即所有训练样本的权重都等于1。本文采用高斯核距离对训练样本加权,提出用加权的训练样本和类内散度矩阵来共同表示测试样本,即基于加权的拓展识别算法。实验证明所提算法能够取得更好的人脸识别效果。     

火焰颜色及动态特征的选择和探测方法

在一般光照前提下对火焰的时空、颜色等特征进行选择时,为了找到适应火焰区域探测的最佳特征,在不同颜色特征中使用PCA特征选择方法对各颜色通道特征进行降维,然后使用Relief特征选择方法确定动态和颜色特征的最佳分类组合特征顺序,最后使用协方差矩阵对各特征的分类贡献效率进行验证。实验过程中为了比较分析采用了3组融合特征,实验结果表明通过Relief和PCA特征选择方法得到的融合特征在火灾监控系统中表现出较好的识别精度和较高的运行效率。     

一种多幅图像间的渐变技术

提出了一种图像渐变的新方法，即基于连分式插值Morphing技术。用此方法可以实现多幅不同图像之间的渐变。它是一新的非线性插值算法，与其他算法相比，该方法具有计算精度高、图像过渡平滑、易于编程实现等优点。更重要的是，它还具有信息隐藏的功能。     

互信息在图像检索中的应用

提出了一种新的相似性图像检索方法,它利用信息熵理论,分别对图像的颜色、形状和纹理特征进行描述,给出一个综合的相似性匹配算法。该方法首先分割图像,把一幅图像划分为若干子区域,抽取图像的主要形状和统计其所含的角度信息;然后利用信息熵计算图像之间的颜色、形状和纹理互信息。试验结果表明与其他方法相比,新的相似性图像检索方法具有更好的图像检索效果。     

基于面积稳定性与形状属性的杆状区域分割*

针对不同光学环境下模糊图像和复杂形状交叠图像中目标区域的分割问题,研究了基于属性形态学分析的杆状区域的滤波和提取方法。应用连通域的面积稳定性和形状属性特征对模糊边界的杆状目标进行滤波,连通域变换中的面积稳定性有效控制粘连细胞等大区域的形成,而形状属性以个体模板目标有效规约连通域的生长和修剪。实验表明：组合属性形态学方法有效地排除了非杆状物等背景干扰,有效分割出的目标像素达90%左右,识别出的目标区域达96%。该方法有效提高了用连通域表示的特定形状区域的分割精度和鲁棒性。     

一种新的颜色信息熵图像检索方法*

提出了一种新的相似性图像检索方法.首先分割图像,把一幅图像划分为若干子区域,抽取图像的分块颜色信息;再利用信息熵计算图像之间的颜色互信息.用这种方法对不同类型图像进行试验,结果表明,与其他颜色特征描述方法相比,该方法具有较好的效果.     

一种图像morphing效果的客观度量方法

给出了评价图像morphing效果的新方法。该方法分两步:首先,计算中间帧之间的相似度,由这些相似度值生成一条曲线;然后,在图像计算机动画领域首次提出图像morphing真实感度的概念(IMRD)。它通过计算曲线与坐标轴、曲线插值点处的曲率和其它一些衡量标准得到。试验表明,IMRD是一有效的度量图像morphing效果的客观方法,也是一种强有力的计算机动画的自动分析工具。     

间歇过程动态潜结构阶段划分与在线监控

阶段划分是间歇过程准确建模和有效监控的前提.针对传统阶段划分方法未考虑间歇过程的动态性造成阶段划分不准确、影响监控精度,且具有参数选择难、鲁棒性差的局限,提出一种基于动态潜结构的动态间歇过程阶段划分与在线监控方法.首先,对间歇过程三维张量数据沿变量方向展开,并增加时滞变量构建增广矩阵来提取过程动态关系;然后,以增广矩阵...     

基于形状熵的图像检索方法*

提出了一种新的相似性图像检索方法.该方法利用信息熵理论,对图像的形状特征进行描述.首先分割图像,把一幅图像划分为若干子区域,抽取图像的主要形状并统计其所含的角度信息;再利用信息熵计算图像之间的形状互信息.用该方法对不同类型图像进行实验,结果表明,与其他方法相比其具有更好的效果,抗噪性强,也更稳定.     

基于非对称卷积的多车道线检测方法

针对车道检测的准确性和实时性之间不平衡的问题,构建一个基于Lanenet算法和图像增强技术的多车道线检测网络,旨在更全面地利用图像中的特征信息,提高检测精度和速度。使用多尺度Retinex算法对输入图像进行色彩增强、降噪等;设计采用一种双边多尺度融合网络实现浅层特征与深层特征之间的信息交互,获取上下文语义。提出一个新的非对称卷积金字塔模块,将非对称卷积融合到不同扩张率的空洞卷积层中,提高网络的特征提取能力,减少计算量。实验结果表明,该方法与现有的深度学习算法相比,能够在遮挡和阴影条件下更有效地检测车道线,具有更高的精度,更低的误检率和漏检率。