一种基于空间滤波的钢轨表面擦伤检测改进算法

钢轨表面擦伤检测是保障铁路运输安全的重要手段之一。应用图像处理和模式识别技术来处理钢轨数字图像,检测并定位擦伤区域是一种可行且发展迅速的研究手段。课题组在前期工作中提出了一种鲁棒实时的钢轨表面擦伤检测算法,该算法首先对钢轨图像进行灰度对比度增强,在此基础上定位可疑擦伤区域并进行判定。算法对于常规擦伤图像具有较高的检测性能,但对于钢轨图像包含多处擦伤且擦伤区域灰度值差异较大的情况,往往造成漏检。针对原算法的不足,提出了一种基于空间滤波的钢轨表面擦伤检测改进算法,该算法对原算法检测到的擦伤区域进行钢轨灰度图均值填充,并对填充后的图像进行二次检测,在重新生成的灰度对比度图中,原检测图像中灰度值不明显的擦伤区域的灰度对比度值得到增强,从而增加了检出的可能性。经实验结果验证,改进算法具有较高的检测性能:在总的时间耗费没有明显增加的情况下,检测的平均准确率为90.8%,平均漏检率为4.0%,较原算法有较大改善。     

基于独立分量分析的笔迹识别

笔迹识别作为一种身份识别技术,具有自然,非入侵等优点,因此成为模式识别和机器学习领域的一个研究热点。本文提出了一种与文本无关的笔迹识别方法,该方法利用独立分量分析(Independent Component Analysis , ICA)来提取笔迹的纹理特征,并利用竞争学习方法确定笔迹的特征编码。实验结果证明利用该方法进行笔迹识别具有很好的效果。     

基于最大判别熵的有监督独立分量分析方法

独立分量分析(indepentlent component analysis，ICA)是目前非常活跃的一个研究领域，在盲源分离、信号处理等方面有着广泛的应用．特别是在特征提取方面，由于其处理非高斯分布的数据的能力，引起了广泛关注，取得了很好的效果．但是传统的独立分量分析方法的思想都是通过定义一个衡量分量独立性的目标函数来求解问题，在应用到特征提取方面时，没有考虑到提取的独立分量对于识别和分类问题的重要性．为了克服传统ICA算法的不足，从信息论角度出发，选择判别熵作为衡量类别之问差异的度量，提出了基于最大判别熵的有监督独立分量分析方法(SICA-MJE)，并在人脸识别和虹膜识别应用中进行了验证，取得了很好的实验结果。     

面向铁路场景的大规模点云高效去噪方法

利用车载激光雷达获取铁路沿线环境信息对于保障行车安全具有重要意义。但是激光雷达采集到的点云数据受设备及环境因素影响,会产生大量的噪声干扰,这些噪声严重影响后续的感知和监测任务。为此,本文提出了一种面向铁路场景的大规模点云高效去噪方法。该方法提出了一种新颖的网格投影策略,对大规模铁路点云数据进行高效的降维降采样处理。然后,设计了基于GPU的改进聚类加速算法,快速识别离群的噪声数据。最后综合设计多策略融合方法,有效地去除噪声数据。所提方法充分利用铁路场景前向运动的特点,对点云数据进行基于网格化的时空压缩,同时利用GPU加速聚类算法的矩阵运算,实现了实时高效的铁路场景大规模点云去噪算法。实验结果表明,所提方法不仅能够提高去噪的性能,而且处理效率得到了极大提升。     

面向汉语作为第二语言学习的个性化语法纠错

语法纠错任务旨在通过自然语言处理技术自动检测并纠正文本中的语序、拼写等语法错误。当前许多针对汉语的语法纠错方法已取得较好的效果,但往往忽略了学习者的个性化特征,如二语等级、母语背景等。因此,该文面向汉语作为第二语言的学习者,提出个性化语法纠错,对不同特征的学习者所犯的错误分别进行纠正,并构建了不同领域汉语学习者的数据集进行实验。实验结果表明,将语法纠错模型适应到学习者的各个领域后,性能得到明显提升。     

缺陷检测的稀疏表示模型及应用

基于缺陷检测应用中图像的稀疏特性,提出了缺陷图像的稀疏表示模型以及基于稀疏性的缺陷分解算法.在该模型中,缺陷图像表示为图像背景、缺陷目标和噪声3种成分的叠加,并且图像背景和缺陷目标可以分别由对应的冗余字典稀疏表示;然后借鉴盲源分离原理和块协调松弛方法,实现缺陷目标成分的有效分解;最后,在钢轨表面擦伤检测应用中验证了该算法的性能.     

融合双向注意的全卷积编解码显著区域检测

为准确定位复杂背景下的显著区域,优化显著图的稀疏性问题,融合自底向上和自顶向下的注意信息,提出一种全卷积编解码显著区域检测模型.首先构建基于VGG16网络的全卷积网络,并进行与之对称的解码操作;然后在解码过程中自顶向下地将高层特征与低层高分辨率特征相连接,输出不同分辨率特征下的显著图;最后对其采用最小二乘估计法找到最优权值进行加权结合,得到最终的显著图.在5个公开数据集上与当前流行的模型进行对比,结果表明该模型的性能优于其他模型.     

基于局部对称性的特征点加工策略及应用

在基于词袋模型的图像检索框架中,图像包含的SIFT特征点往往数量比较大,特征不够强。因此图像检索系统的效率和性能往往受影响。基于SIFT特征点的性质和视觉显著性原理,提出了SIFT特征点的局部对称性度量方法,并且在图像检索框架中嵌入了基于对称性的SIFT特征点过滤方法和加权策略,以提升SIFT特征点的利用效率。在牛津大学建筑物图像集上的实验结果表明,提出的基于对称性的SIFT特征点选择策略能有效地提高图像检索的性能。     

基于卷积神经网络的正则化方法

正则化方法是逆问题求解中经常使用的方法.准确的正则化模型在逆问题求解中具有重要作用.对于不同类型的图像和图像的不同区域,正则化方法的能量约束形式应当不同,但传统的L1,L2正则化方法均基于单一先验假设,对所有图像使用同一能量约束形式.针对传统正则化模型中单一先验假设的缺陷,提出了基于卷积神经网络的正则化方法,并将其应用于图像复原问题.该方法的创新之处在于将图像复原看作一个分类问题,利用卷积神经网络对图像子块的特征进行提取和分类,然后针对不同特征区域采用不同的先验形式进行正则化约束,使正则化方法不再局限于单一的先验假设.实验表明基于卷积神经网络的正则化方法的图像复原结果优于传统的单一先验假设模型.     

退火期望最大化算法A-EM

使用EM算法训练随机多层前馈网具有低开销、易于实现和全局收敛的特点,在EM算法的基础上提出了一种训练随机多层前馈网络的新方法AEM.AEM算法利用热力学系统的最大熵原理计算网络中隐变量的条件概率,借鉴退火过程,引入温度参数,减小了初始参数值对最终结果的影响.该算法既保持了原EM算法的优点,又有利于训练结果收敛到全局极小.从数学角度证明了该算法的收敛性,同时,实验也证明了该算法的正确性和有效性.