融合颜色与纹理特征的图像内容检索研究

随着信息技术的快速发展,视频、图像等媒体网络信息取代了传统的文本网络信息,基于内容的图像检索成为当今研究的热点问题.本文在分别对基于HSV空间的颜色直方图方法与基于共生矩阵的纹理方法比较的基础上,提出了一种融合颜色与纹理特征的图像检索方法,实现了多特征检索.实验结果显示,当两特征的权重值分别为0.5,0.5时,检索效果大幅度提高.     

基于颜色特征的筒纱分拣机器人识别定位方法

针对筒纱分拣机器人作业目标的表面纹理复杂、位置随机摆放等干扰因素的问题,课题组提出了基于颜色特征的筒纱识别定位方法。构建了具有视觉感知的4自由度DOBOT筒纱分拣机器人系统,通过视觉系统获取筒纱多目标的图像,采用对图像进行预处理的算法来提高分拣目标的对比度;将作业目标由RGB空间转换到HSV颜色空间,提取各分量的颜色特征,采用区域生长法对不同颜色的多目标区域进行提取;建立基于图像信息的形心坐标,对各目标区域的连通域进行定位。实验结果表明：该方法能够实现对不同颜色的作业目标的识别与定位,并在分拣机器人的手眼标定的基础上,实现了对不同颜色的作业目标进行分拣。     

基于相容粒的特征选择

基于粒度计算的思想,以粗糙集的近似空间为背景,研究了一种新的特征选择算法。该算法是以相容函数为基础生成特征选择过程中的粒度,可以区分噪声数据和不一致数据,实现了决策信息表中的特征选择,可有效地实现大规模数据集的特征选择。这为特征选择在模式识别的进一步发展和在知识发现和数据挖掘领域的应用开辟了新的空间。     

一种非刚体目标的实时检测与跟踪算法

提出了一种复杂背景下自动、实时地检测和跟踪非刚体目标算法。该算法利用自适应的背景减除方法,在复杂背景条件下提取出运动目标;采用颜色直方图模型为特征的均值平移法作为跟踪算法。试验结果验证了该算法的实时性和有效性。     

基于模糊HSCC的人脸检测

本文提出一种新颖的利用颜色信息的人脸检测方法。它结合HSV颜色空间和YCbCr颜色空间 ,即模糊HSCC空间 ,其中HS和CrCb空间用模糊成员函数来定义。实验结果表明模糊HSCC方法比HSV方法和YCbCr方法更加有效和精确。     

噪声背景下提取调制信息的改进奇异值分解技术

在介绍现有奇异值分离技术基本原理及其在故障诊断中的应用的基础上，研究了利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号特征的关系，引入自相关函数定量计算重构矩阵的延时步长，改进了现有算法，使得吸引子轨迹矩阵的重构更加合理。研究表明该方法能在强噪声背景下提取出所需的调制信号，并成功用于齿轮箱调制故障信号的提取。     

非圆信号多级维纳滤波DOA估计求根算法

针对非圆信号DOA估计的计算量问题,运用多级维纳滤波和信号子空间的多项式求根方法,提出了一种快速算法。首先利用非圆信号特性构造出扩展阵列输出矩阵,然后不需进行协方差矩阵的生成和分解,利用多级维纳滤波求出信号子空间,针对均匀线阵推导出信号子空间多项式求根方法,得出目标的DOA估计值。新算法的均方根误差性能与非圆信号求根MUSIC算法、非圆信号ESPRIT算法、非圆信号扩展传播算子算法等快速算法相仿,但是计算量小于已有的算法,特别是在阵元数较多的情况下算法的实时性优势更加明显。     

基于改进的MeanShift人体跟踪算法

MeanShift算法是利用特征空间中的密度梯度方向进行迭代搜索，获得局部密度极大值的样本点。由于利用单一颜色特征和整体目标区域建立模型，在目标尺度变化和光线变化情况下鲁棒性较差。传统的MeanShift算法没有模板更新机制，在跟踪过程中跟踪的窗口带宽始终不变，这导致了目标再次变化时易跟踪失败。采用对目标进行分决，利用人体的特征，对人体进行分块，并对每块进行纹理和颜色相结合的方式进行建模，形成改进的MeanShift算法，通过有遮挡情况下的人体跟踪实验，证明改过后的算法大大地提高了跟踪的鲁棒性。     

回复式离散神经网络的特征子空间估值(英文)

提出了用两种回复式离散神经网络模型研究正定对称矩阵的特征子空间估值问题:第1种模型是非线性神经网络,用于计算最大特征值及其特征向量;第2种模型属于线性神经网络,用于计算相应于最大特征值的特征子空间。详细研究了两种离散神经回路网络模型的动力学性质并用于特征子空间估值。     

关于光线投射算法的OpenGL高效实现

采用光线投射算法对二维(2D)图片实现三维(3D)重建,用3线性插值算法计算每个采样点的颜色值和不透明度,提高三维重建图像后的精度。该算法实现主要借助于OpenGL函数库及其三维观察矩阵,以其精确计算规则三维数据场在观察方向上的二维投影区域,减少了光线投射算法中投射光线数量。根据Phone光照模型为数据场预先计算和保存明暗表,并通过优化常规现实代码,有效地提高了光线投射体绘制算法的效率。该算法既保证了精度,又提高了显示的速度。     

结合LTP纹理特征和改进Mean-Shift的视频目标跟踪方法

视频序列中的目标跟踪效果受到尺度、光照和复杂背景等因素的影响,为此,提出一种结合局部三元模式(LTP)纹理特征和改进型Mean-Shift的目标跟踪方法。首先,为了提高传统Mean-Shift算法对尺度变化的鲁棒性,采用一种尺度和方向自适应的改进型Mean-Shift跟踪器,在均值漂移跟踪框架下估计目标的尺度和方向。另外,通过LTP来提取目标的纹理特征,将其与颜色特征相结合来表示目标模型。实验结果表明:该方法比只采用颜色特征的MeanShift算法更加有效,能处理快速移动物体在目标尺度和方向上的变化。     

优化CamShift算法的适应度函数的船舶跟踪改进算法

针对内河船舶对象在动态背景下的目标跟踪展开研究,考虑船舶在内河运行环境的特点,以Cam Shift跟踪算法为基础,对其适应度函数进行优化设计,将期望值最优作为适应度函数的性能参量。设计中以目标区域颜色直方图概率密度和预测区域颜色直方图概率的期望值作为适应度函数,以此适应度作为视频帧中选择目标区域的参量。内河运行船舶实际摄制视频的跟踪分析结果表明:相对于传统的Cam Shift算法,改进后的算法提高了跟踪精度和系统稳定性。     

基于LD分解的空间谱估计技术

提出了一种基于对阵列协方差矩阵进行 LD 分解的空间谱估计算法。对一大类阵列来说,该算法对空间谱估计方法的工程实现问题具有十分重要的实际意义。文中证明了特殊Hernitian 矩阵 LD 分解的原理,给出了求分解因式的递推公式,然后,由 LD 分解找出的信号子空间,得出了估计信号源方向的空间谱计算公式。理论分析和模拟结果表明,LD 分解和原有的特征分解法相比,更易于用专用数字信号处理片实现,有更小的计算量,需更少的存储单元。     

合成孔径雷达图像目标分类研究

基于灰度共生矩阵技术,研究了可用于合成孔径雷达图像分类的灰度共生矩阵中差方差、差熵、对比度、能量、方差等纹理特征量,分析了其特征提取和分类特性。运用类内类间距准则,通过计算图像特征值的类内类间距,得到对合成孔径雷达图像分辨效果较好的纹理特征量,并利用三层BP神经网络进行图像分类,获得了满意的分类结果。     

基于分形的快速最大熵红外图像特征检测

文章针对红外图像目标检测问题,提出一种基于分形的快速最大熵的红外图像特征检测算法.该算法利用DBC方法计算分维数,根据人造物和自然背景分形维差异,确定目标区域;最后,通过二维最大熵原则确定最佳阈值,实现对单目标或者多目标图像分割.该算法能够较好实现红外图像特征检测,有效抑制背景和噪声.     

一种改进的联合概率数据关联算法

针对联合概率数据关联算法在跟踪多机动目标时跟踪精度不高、计算量较大等问题,提出了一种新的联合概率数据关联算法。引入"当前"统计模型,并针对"当前"统计模型中机动频率和加速度方差不能自适应调整的问题进行了改进,实现了机动频率和加速度方差自适应。针对联合概率数据关联算法在跟踪多机动目标时,随着目标数的增多,算法计算量急剧增大的问题,提出了改进算法。改进算法避开了联合概率数据关联算法中由确认矩阵计算关联矩阵的过程,直接从确认矩阵计算关联概率。仿真实验结果表明:所提算法有效提高了多目标的跟踪精度,降低了算法计算量。     

基于空间调制的天线选择和能效优化算法

空间调制是一种新型的具有低复杂度的多输入多输出通信技术,并成为近年来的研究热点。为了进一步提升空间调制的误比特率性能,该文研究了空间调制中的发射天线选择问题,提出了一种基于信道列向量夹角和范数的低复杂度的发射天线选择算法。该算法能够有效减少矩阵运算,并且不需要考虑差异向量,因此具有极低的计算复杂度,且适用于发射天线数目明显高于接收天线数目的情况。同时,加入了功率修正因子,有效地控制发射信号功率,极大程度地提升了能量效率。仿真结果表明,该算法能够在限制发射功率的前提下,以极低的计算复杂度逼近最优算法的性能。     

一维运动目标的特征估计

为了提取具有强平稳杂波背景和空间距离很近的散射体环境下运动目标的高距离分辨率特征,文中首先建立了强平稳杂波环境下运动目标的数学模型,采用基于松弛算法的非线性最小二乘算法估计了目标特征与杂波;然后对该算法进行了仿真实验,用最小均方误差与克莱美-罗界进行比较验证了该算法的优越性。数字举例证明了该算法在强平稳杂波环境下,对运动目标具有高分辨率和较好的估计性能。     

直接正交联合对角化盲分离算法

针对盲源分离问题,利用白化预处理后信号的二阶和高阶累积量矩阵具有正交联合对角化的结构性质,以及多个实对称矩阵具有相同特征向量即可同时正交对角化的实对称矩阵的特征分解的理论,提出一种基于部分累积量矩阵特征分解的直接正交联合对角化算法。该算法仅需要部分累积量矩阵信息,从而大大降低计算过程中的存储量和计算量。通过数值模拟,该算法和经典的JADE算法性能接近,可以有效地进行盲分离。     

基于矩阵奇异值分解的空间谱估计算法

本文提出了一种利用矩阵奇异值分解来作空间谱估计的方法,即对由天线阵获取的数据所构成的数据矩阵作奇异值分解、删除来自噪声的贡献的诸最小奇异值以改善信噪比,并利用噪声奇异向量和天线阵的方向向量正交的性质来计算空间谱。除了奇异值分解算法本身给计算稳定性带来好处外,本方法的谱估计性能和计算量均优于近几年来国外广泛关注的一种谱估计算法——MUSIC算法。本方法可用于高分辨的测向系统中。