基于半监督鉴别分析的高分辨率SAR影像建筑区提取

针对建筑物在城市化发展规划、地理国情信息系统更新、数字化城市以及军事侦察等方面的迫切要求,提出将半监督鉴别分析(Semi-supervised Discriminant Analysis,SDA)算法应用于高分辨率SAR影像的建筑区提取中,实现快速提取建筑区信息以及提高城市地物目标识别能力。以Radarsat-2影像和TerraSAR-X影像为实验数据,基于灰度共生矩阵计算影像的各种纹理特征;结合SDA算法进行特征提取,并以新特征作为大津法(Otsu)的输入提取建筑区;最后对分类结果进行后处理。实验结果与线性鉴别分析(Linear Discriminant Analysis,LDA)算法和局部保持投影(Local Preserving Projection,LPP)算法进行比较,结果表明:SDA算法具有较强的泛化能力,在先验类别信息较少时,适用于高分辨率SAR影像的特征提取,可以快速有效地提取建筑区信息。     

基于贝叶斯网的航拍图像建筑目标提取算法*

提出一种基于贝叶斯网的建筑目标提取算法。该算法通过多场景航拍图像进行训练后建立纹元字典,将实际图像中的纹元映射到纹元字典获得图像的场景类信息;然后使用朴素贝叶斯网建模建筑目标与场景类空间上下文的关系约束,将建筑目标提取转换为求解贝叶斯网类别节点的后验概率问题。与同类方法的对比实验表明,提出的算法能有效地提取航拍图像中的建筑目标。     

水平集分割方法在合成孔径雷达图像目标识别中的应用

正确分割目标、提取目标的有效特征是合成孔径雷达图像目标识别中的一个关键问题。将水平集图像分割方法应用于合成孔径雷达图像目标识别,将目标图像中的目标区和阴影区从背景杂波中分割出来,其中目标区的形状作为目标的有效特征用于基于模板匹配的目标识别中。用MSTAR数据库中的3类目标的图像数据对该方法进行验证和分析,实验结果表明,在基于模板匹配的目标识别中,该分割方法可提取出有效的目标形状特征,实现目标的正确识别。      

实时图像的运动目标检测及跟踪

在复杂背景的运动目标实时检测算法的研究中,由于目标受到外界环境影响,目标不能正确提取。针对克服背景干扰因素提取,干净的目标像素,大多数背景建模与背景更新算法计算复杂,难以满足视频监控的实时要求。为解决上述问题,提出一种根据像素特征的背景差法,将目标的边缘特征融入减背景算法,通过对离散的目标边缘梯度像素进行网格密度聚类法实现目标像素的提取,采用改进的均值漂移跟踪算法,在DM642平台上实现目标检测与跟踪。实验结果表明,改进的算法可以有效的克服光线变化、背景抖动、噪声等问题,实时检测、跟踪多个目标,并能解决目标遮挡问题。     

基于心理声学参数的水下目标识别特征提取方法

研究了响度、尖锐度、粗糙度、波动强度等主要的心理声学参数及其计算方法，利用主要的心理声学参数作为目标特征参数用于水下目标分类识别，并以正确识别率为准则对这些特征参数进行了修改。使用K-均值聚类方法对3类舰船噪声实测数据进行了目标分类识别仿真实验。实验结果表明，该方法提取的特征能够较好地反映信号本质，取得了较好的分类识别效果，特别是以修改后的心理声学参数为特征具有更高的识别率。     

周期性分析下的城市高分遥感影像同形态建筑物群提取

针对遥感影像数据建筑物提取算法目标单一、运算复杂等问题,提出了一种利用周期性实现城市一定范围内建筑群提取的方法。通过图像分割、轮廓检测、矩形检测和辅助特征分析,得到建筑群初提取结果,再结合对称性分析、间距统计、灰度震荡规律、属性统计4种方法,分析建筑群周期性排列规律,剔除干扰地物和零散建筑,实现城市某区域同形态建筑群目标提取。在进行建筑物提取时以此作为结束,可以提高检测效率。实验表明,通过探索建筑群周期性排列模式,可准确有效地从遥感图像中识别出规则、集群分布的矩形类建筑物,同形态建筑物群提取精度可达到80%以上。     

类数目自适应的目标外观特征聚类

对运动目标外观特征聚类,在视频目标建模、检测和跟踪中具有重要应用。针对随机数据样本中类数难以事先设定问题,以交通车辆外观特征自适应聚类为对象,提出一种新的类数在线确定方法。采用迭代阈值和RGB分量目标检测融合,自动从背景中提取运动目标区域,以抑制背景干扰;在HSV空间中提取目标区域的V色彩分量直方图峰值轮廓;根据相邻候选峰的连续灰度差分和残余峰能量获得聚类数;利用S和V分量构成目标外观特征的样本强度矩阵,并联合所得聚类数和K-means算法实现样本强度聚类。实验结果表明,提出的方法具有类数目自适应性、聚类有效性和计算高效性。     

基于SVM的POL-SAR图像分类研究

提出了一种将物理散射机理、纹理信息和SVM结合起来用于POL-SAR图像分类的方法。实验数据选取德国Oberpfaffenhofen实验区域（DE）的DLR ESAR L波段全极化数据,实验区域包括自然植被,如森林、田地和人造目标如建筑、机场跑道等。首先利用OEC分解得到了散射特征,然后提取HH和HV通道图像的纹理特征,并用SVM进行特征选择及分类。然后在上述特征中加入Freeman分解的散射特征重复试验,取得了较好的结果。试验证明了将散射特征和纹理特征结合起来对地物进行分类是有效的,同时也证明了用SVM进行特征选择的有效性。     

反卷积YOLOv3算法及其在刑侦领域的应用

针对YOLOv3在刑侦领域车辆目标检测中对远距离小目标检测效果较弱的问题,提出反卷积YOLOv3算法.对Darknet-53输出的小尺度特征图反卷积后与大尺度特征图进行特征融合,得到更多小目标的特征信息,用add代替concat进行特征融合从而增加描述图像每维度信息量;利用K-means++对车辆目标数据集聚类分析后重设预设框;在公安部重点实验室现场勘验图片库中与YOLOv3、SSD、Faster RCNN算法进行对比实验.结果表明,相较上述三种算法其精确度分别提升3.72、6.53、3.98百分点,召回率分别提升4.92、8.29、5.82百分点.     

综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究

高分辨率SAR图像的纹理特性对于图像的解译及地物分类等具有重要的意义。根据高分辨率星载SAR图像上建筑区的纹理有别于其他地物的特点,提出了一种综合利用灰度和纹理特征的高分辨率星载SAR图像建筑区提取方法。首先对SAR图像进行斑点噪声的抑制,然后利用灰度共生矩阵计算出星载SAR图像上建筑区与非建筑区的8种纹理特征统计量,根据巴氏距离进行特征选择,并通过主成分分析去除纹理特征之间的相关性,得到了最佳纹理特征分量,将所选的特征影像与原始图像进行波段组合,利用K均值聚类算法对组合后的图像进行非监督分类;最后通过对分类图像进行后处理并提取外部轮廓,提取了建筑区。以COSMO-SkyMed SAR影像为数据源进行了实验。结果表明该方法能够有效提取高分辨率星载SAR图像中的建筑区,提取效果明显优于未利用纹理特征的方法。     

基于高斯混合模型的现代汉语构式成分自动标注方法

现代汉语构式成分自动标注作为文本自动标注任务之一,其最大的困难在于,当不存在标注语料作为训练数据时,如何从生语料中挖掘不同类型的构式成分相关的知识并进行标注,特别是面对构式序列在句中的边界难以判断的情况。该文试图借助高斯混合模型聚类方法,结合句中每一个字的位置特征与构式形式本身的语言学特征,融合正则表达式匹配结果信息,挖掘句子中的构式实例序列,并对构式内部成分进行自动标注。相较于仅基于正则表达式匹配和词性匹配的自动标注结果,该方法的F₁分别至少提高了17.9%(半凝固型构式)、19.3%(短语型构式)、14.9%(复句型构式)。     

论公共环境设施在城市地域文化中存在的价值

城市公共空间及其所代表的文化是城市文明建设的一个缩影,集中体现了城市的风貌、文化内涵和气质特色。城市环境设施作为人们在公共空间中活动的道具是城市环境营造中不可缺少的重要元素。环境设施不仅是将人、自然、社会三者紧密联系起来的纽带,同时也成为我们体现城市物质和精神的载体。     

基于三维特征的零件自动识别系统

提出一种基于三维特征的零件自动识别系统.系统在Unigraphics平台上开发,选取零件二阶中心矩特征矩阵的三个特征值,零件的三个主惯性矩以及体积构成了用于零件识别的特征向量,实现了对零件的快速高精度的自动识别.文章详细介绍了基于物体三维特征的自动识别原理以及系统组成.对三维零件的识别实验验证了系统的有效性.     

Reconstructing a textured CAD model of an urban environment using vehicle-borne laser range scanners and line cameras

Abstract. In this paper, a novel method is presented for generating a textured CAD model of an outdoor urban environment using a vehicle-borne sensor system. In data measurement, three single-row laser range scanners and six line cameras are mounted on a measurement vehicle, which has been equipped with a GPS/INS/Odometer-based navigation system. Laser range and line images are measured as the vehicle moves forward. They are synchronized with the navigation system so they can be geo-referenced to a world coordinate system. Generation of the CAD model is conducted in two steps. A geometric model is first generated using the geo-referenced laser range data, where urban features, such as buildings, ground surfaces, and trees are extracted in a hierarchical way. Different urban features are represented using different geometric primitives, such as a planar face, a triangulated irregular network (TIN), and a triangle. The texture of the urban features is generated by projecting and resampling line images onto the geometric model. An outdoor experiment is conducted, and a textured CAD model of a real urban environment is reconstructed in a full automatic mode.     

指纹识别技术在门禁系统的应用

本文介绍了指纹识别技术在门禁系统的应用,对指纹特征、系统结构和功能作了比较详细的介绍。该系统的特点,采用生物测定学针对人的活体指纹进行身份鉴别,自动控制门禁系统,操作快捷、简便。     

Design challenges in motivating change for sustainable urban mobility

In recent years, the design and deployment of persuasive interventions for inducing sustainable urban mobility behaviors has become a very active research field, leveraging on the pervasive usage of social media and mobile apps by citizens in their daily life. Several challenges in designing and assessing motivational features for effective and long-lasting behavior change in this area have also been identified, such as the focus of most solutions on targeting and prescribing individual (versus collective) mobility choices, as well as a general lack of large-scale evaluations on the impact of these solutions on citizens’ life. This paper reports lessons learnt from three parallel and complementary user studies, where motivational features for sustainable urban mobility, including social influence strategies delivered through social media, were prototyped, tested and refined. By reflecting on our results and design experiences so far, we aim to provide better guidance for future development of more effective solutions supporting citizens’ adoption of sustainable mobility behaviors in urban settings.     

Applications of Euclidean constructions to computer graphics

This paper presents an interactive graphics system called L.E.G.O. The purpose of L.E.G.O. is to model two- and three-dimensional objects using Euclidean geometry constructions. L.E.G.O. has a layered structure which makes it convenient to use, both for the experienced programmer and the novice. The programs may be written in a compiled language (C), written interactively in an interpreted language (LISP) or developed using a graphical interface in a multiple-window environment. Applications of L.E.G.O. include computer-assisted instruction of geometry and computer graphics, geometric modeling, and kinematic analysis. The use of imperative constructions and the powerful interface based on the idea of graphical programming are the most distinctive features of the system.     

The NOSA-ITACA code for the safety assessment of ancient constructions: A case study in Livorno

The present paper describes the main features of the finite element code NOSA-ITACA for the static and dynamic analysis of masonry buildings of historical interest. The code, which models masonry as a nonlinear elastic material with zero tensile strength and bounded compressive strength, is aimed at assessing the static safety and seismic vulnerability of masonry constructions in light of Italian regulations, as well as modelling possible strengthening interventions.The NOSA-ITACA code has been used to study the “Voltone”, a large vaulted masonry structure located beneath the “Piazza della Repubblica” square in Livorno. The structure has been analysed in the presence of permanent and accidental loads, calculated on the basis of current Italian regulations. This case study has provided the opportunity to validate the NOSA-ITACA code and highlighted the key role played by numerical tools in assessing the safety of ancient masonry constructions.     

基于GCN和TCN的多因素城市路网出租车需求预测

在巡游模式下,出租车与乘客间供需不易匹配,造成出租车空载和乘客打车难现象并存,准确高效地实现路网出租车需求预测有利于有效缓解这一问题.针对现有交通流预测模型对空间特征提取不充分,特别是对城市路网内路段之间的空间关系没有全面挖掘这一问题,充分考虑路网内路段间的3种空间关系,对其分别构建路段间的局部关系图、路段全局关系图和路段OD次数关系图,提出一种由图卷积网络与时间卷积网络相结合的出租车需求预测模型.其中,采用图卷积网络对城市路网内路段的空间关系特征进行挖掘,采用时间卷积网络对交通数据集中的时间序列特征进行挖掘,并且考虑外部因素的影响.实验中,首先从真实出租车GPS轨迹数据中提取城市路网中各个路段的出租车出行量,并利用道路上在多个时隙形成的出行量序列对预测模型进行验证.结果表明,相比其他交通流预测模型,所提出的预测模型具有较优的平均绝对误差、均方根误差和平均绝对百分误差.     

基于分割注意力机制残差网络的城市区域客流量预测

客流量预测是城市交通资源和公共安全智能化管理的重要依据。为了综合考虑城市乘客人群流动自身的既有周期性、趋势性和突发性,以及与城市物理和社会空间的耦合关系,在时空残差网络的基础上,本文提出了基于深度时空数据的分割注意力机制残差网络的城市细粒度客流量预测模型。首先以不同时空间隔的区域客流量历史数据为基础,引入分割注意力机制模块,为各模态的数据分配不同的权重,动态捕捉更高相关性的抽象数据特征;在时空数据的基础上,引入城市功能区属性作为联合特征,结合节假日、气候等外部特征,形成deep&wide网络结构,有效记忆重要特征对客流量变化的贡献。基于北京出租车数据的区域客流量对比实验表明,相比于传统的深度时空残差网络和其他经典机器学习模型,引入了分割注意力机制和城市功能区特征的预测模型能够更好地提取数据多元化的特征,预测精度明显优于其他同类别方法。