多分辨率运动估值的改进算法

多分辨率运动估值和补偿算法是一种广泛应用于小波视频编码器的时间冗余的算法,针对其运动矢量编码效率低及采用全搜索方法、运算复杂度较高等问题,提出了一种基于区域分割的多分辨率运动估值算法。该算法具有如下特点：①充分利用了小波分解后各子带所表征的运动结构的相关性,有效地提高了运动矢量的编码效率;②通过对视帧小波分解后的低通子图像进行静止和运动区域分割,以分割结果指导运动估值过程,在有效地减少运动估值时间消耗的同时,进一步提高了运动矢量的编码效率;③在码率受限的情况下,重建图像的质量得到提高。实验结果表明文章所提出算法是有效的。     

基于视觉的水面背景下目标检测与跟踪算法

为解决清漂船在复杂水面背景下对漂浮物体积较小或被遮挡的检测与跟踪问题,提出了一种基于视觉的水面背景下目标检测与跟踪算法,通过利用YOLO改进的多粒度特征融合方法使得模型在最终检测时所提取的特征向量考虑更多底层的特征,并引入K邻域搜索感兴趣区域模块,与长短期记忆神经网络(LSTM) 相结合,弥补了卷积神经网络的时序关联性差的缺陷,根据目标当前帧语义特征和运动特征预测下一帧中目标所在位置,能够更快的提取目标的特征,并且有效的去除复杂背景的干扰。实验结果表明：该算法的跟踪平均成功率、平均准确率和平均速度分别为57.1%、71.1%、45.4fps。较好解决因被检测目标过小的问题,提升在跟踪目标被遮挡的情况下的跟踪性能。     

区域运动相关性的运动估计方法

研究了一种基于区域运动相关性的运动估计方法．提出在块匹配运动估计中,对于运动相关性好的块根据相邻块或前一帧图象的运动预测出它的初始运动矢量,然后在小范围内搜索,做运动矢量的优化．对传统的全局搜索块匹配运动估计算法,给出了提高运动矢量一致性的修正准则．算法根据前帧运动估计误差来决定是否对当前块运动作预测,避免了运动估计误差的扩散．实验结果表明,文中算法所得的运动矢量一致性远高于传统全局搜索块匹配法所得的结果,同时能保持和全局搜索法相媲美的预测质量,而运算时间则有较大幅度减小．     

基于ORB算法的输电线路异物识别研究

针对输电线路异物检测问题,通过分析航拍视频,提取关键帧并采用帧差法标注异物,使用特征点跟踪异物,从而达到输电线路异物检测的目的。将预估区域漂移法与欧式距离法融合,弥补关键帧冗余的缺陷;使用概率密度函数分析网格内异物占有率,剔除帧差法中微小非目标区域;提出K-means算法聚类分析Oriented Brief(ORB)算子,可精简特征点提高匹配率。实验结果表明,能有效精简关键帧,并且改进帧差法可精确提取异物;同时快速准确提取ORB算子;故而可快速识别线上异物。     

深度残差网络和LSTM结合的图像序列表情识别

为了改善图像表情和图像序列表情识别效果,针对传统表情识别特征提取复杂和效果不理想问题,提出了一种深度残差网络和局部二值模式(local binary patterns,LBP)相结合的特征提取方法,利用深度残差网络提取数据集的空域特征,长短期记忆网络(long short-term memory,LSTM)处理时域特征,实现空域与时域特征的结合。研究了不同层数的残差网络、不同形式的LBP算子以及其他网络结构对人脸表情识别的影响,对比了支持向量机和随机森林实现的序列表情识别算法。在Cohn-Kanade数据集和AFEW6.0数据集上进行了验证,实验结果表明,算法在验证集上的准确率分别为73.1%和58.4%,相比其他算法有一定程度的提升。     

结合张量特征和孪生支持向量机的群体行为识别

给出一种结合张量特征和孪生支持向量机的群体行为识别算法,以提高对视频中群体行为识别的准确率.首先通过群成员关节点骨架的姿态结构信息和群成员的社会网络信息描述群体在每一帧中的行为,并采用张量形式表示;然后使用多路非线性特征映射分解张量核,并利用粒子群优化张量核孪生支持向量机的模型参数;最后结合张量特征和孪生支持向量机实现视频中的群体行为识别.CAD2数据集和自建数据集上的实验结果表明,张量特征能够有效地表示群体行为,相比经典算法,所提算法能有效提高群体行为识别的准确率.      

基于多类特征池化的文本分类算法

文本分类是文本挖掘的一个内容,在信息检索、邮件过滤、网页分类等领域有着广泛的应用价值。目前文本分类算法在特征表示上的信息仍然不足,对此本文提出了基于多种特征池化的文本分类算法。在该算法中,本文首先对分词后的文本采用skip-gram模型获取词向量,然后对整个文本的词向量进行多种池化,最后将多种池化的特征作为一个整体输入到Softmax回归模型中得到文本的类别信息。通过对复旦大学所提供的文本分类语料库(复旦)测试语料的实验,该结果表明本文所给出的多种特征池化方法能够提高文本分类的准确率,说明了本文算法的有效性。     

相干矢量表象中的量子相干性度量

量子相干性度量最近是量子资源理论中的热点任务. Baumgratz等人已经于2014年提出严格的相干性度量框架.在该框架中,相干性度量的定义要求把量子态固定在希尔伯特空间中一组特定基矢上,其结果是在同一度量下,基矢的变换会引起同一量子态的相干性发生改变.在相干矢量表象中利用相干矢量的旋转性质,一种基于相干矢量归一化模长的相干性度量被提出.在该度量中,同一量子态的相干性独立于基矢的选择.基于该度量的非相干态和非相干算符已经分别定义为经典最大混合态和酉算符.同时,三条重要性质已经得到,分别为非负性、凸性和非相干操作不变性.     

视频帧内运动目标复制-粘贴篡改检测算法

摘要： 提出了一种基于Lucas_Kanade(LK)光流及运动目标预检机制的视频帧内运动目标复制 粘贴篡改检测算法.该算法分为运动目标检测与跟踪、运动序列筛选和空间域匹配3个阶段.运动目标检测与跟踪利用背景建模算法和卡尔曼滤波器进行检测和跟踪;运动序列的筛选采用LK方法得到各运动序列的光流值,并计算其相关性来选择可能存在篡改的视频帧序列;空间域匹配利用尺度不变特征变换算法对上一阶段得到的对应运动序列逐帧进行匹配,过滤正常的视频序列.实验结果表明,本文算法能有效检测同源视频中针对运动目标的多帧复制 粘贴篡改.     

基于模糊-神经网络的肤色像素检测算法

 肤色像素检测技术是成人图像识别、人脸识别等与人体相关的图像识别系统的基础和重要组成部分。为了提高肤色像素检测的准确度,本文提出一种模糊理论与FP神经网络（Forward Propagation Neural Network）相结合的肤色像素检测算法。算法首先通过模糊理论和直觉模糊理论提取待识别像素的颜色特征,构成特征向量,其中包括像素对常见肤色像素颜色值的隶属度和犹豫度,为完整的表达肤色像素的特征,再加入粗糙度特征进行补充;然后训练出FP神经网络,对所提取的特征向量进行肤色像素与非肤色像素的分类。实验证明,该算法能够提高肤色像素检测的准确度,可以有效地应用在有关人体的识别系统中。     

视频序列中运动人脸的检测与特征定位

针对视频序列中运动人脸的检测与特征定位问题,给出了一种算法,即通过计算并比较人脸区域而不是整幅视频帧的峰值信噪比（PSNR）,先从视频序列中找到人脸区域清晰度高且尽可能大的视频帧,然后再进行人脸的准确检测与特征定位。首先利用Adaboost方法检测出人脸的大致范围,再根据肤色模型确定人脸的具体位置并从图像中提取出人脸部分,然后利用基于帧间差的人脸区域的PSNR判断图像清晰度,从而定位出人脸区域清晰度高且尽可能大的视频帧,最后进行人脸检测和特征定位。对实际视频序列的计算表明,给出的算法在时间效率上较高,人脸的检测与特征定位效果较好。     

基于小波变换相干体算法的实现及应用效果分析

基于小波变换的相干体算法,开发出相干体分析软件,对实际地震数据进行处理,结合地质资料进行了综合分析.研究结果表明,对于品质不同的地震资料,选择适当的小波变换参数及相干处理参数,可以得到特定频带的相干体;选择不同权值对分频计算得到的相干体重构,可以得到突出特定频带的相干体.与传统相干处理结果相比,更能突出不同层次的地质特征.     

基于多特征判别分析的指纹图像分割方法

针对指纹图像的分割问题,提出了一种基于多特征判别分析的自适应分割算法。对于给定的待分割图像,该算法从每个特征在该图像上整体的分布出发,构造出综合考虑各个特征的两类分类能力的分类器,然后利用该分类器对图像中的每个子块做出前景或背景的判断。与已有的基于分类器的分割方法相比,该方法无需从数据库中人工采集样本用以训练分类器,实现了图像级别的自适应分割。算法在FVC2004竞赛的公开数据库上进行了测试,实验结果证明了该分割算法的有效性。     

基于H.264/AVC改进的时空域错误掩藏算法

对H.264编码的视频流解码出现宏块丢失进行错误掩藏时,使用传统的时空域错误掩藏算法,并不能很好地恢复出原始视频帧,影响了主观观赏效果和客观视频质量.因此,分别对时空域提出了相应的改进算法.时域通过增加参考帧、运动矢量,改进匹配算法等,提高了运动矢量的搜索精确度和运动剧烈视频帧的错误恢复质量.空域通过自适应的选择加权像素平均插值和方向插值,并改进了方向插值算法,明显提高了视频帧的恢复质量,避免了错误边缘的产生.实验结果表明,改进的时空域错误掩藏算法,不仅提高了方向插值的准确性和宏块匹配的精确度,而且可以减少块效应的出现,从而有效地提高了丢失宏块的恢复质量.     

基于双帧图模型的视频物体分割

通过将空间及时序信息有效结合, 提出基于双帧图模型的单目视频物体分割算法。首先, 通过手工交互得到初始帧的分割, 并据此训练获取前景物体及背景的颜色模型。然后, 利用双帧图模型融合当前帧的颜色信息以及由颜色差得到的空间和时序约束。根据观测到的颜色差异与物体运动的线性关系, 提出运动自适应的时序约束因子, 它能够随视频中物体运动变化自适应地调节。最后, 通过二值图割法计算当前帧的分割结果并更新颜色模型。利用双帧图模型可循序地对视频中的下一帧进行分割。实验结果证实, 提出的自适应时序约束因子可以提高物体分割结果的准确性和时序一致性, 量化指标表明此算法在视频物体分割中可获得更优结果。     

乐器识别中的时序特征整合

特征整合是指在一个长时窗内将短时窗内的特征向量整合为一个新的单独特征向量的过程。音色是一种长时时序特征,目前常使用的均值和方差获得的长时特征,很难保持音色的时序特性。该文在多变量自动回归模型(multivariate auto regressive,MAR)特征的基础上,利用音乐最小单位音符为处理单元,提出了动态多变量自动回归模型(dynamic MAR,DMAR)特征,实现了音色时序特征整合;并将该特征向量应用于乐器音色识别中,同时在乐器识别的后处理中,利用加权平均求概率的方法去判断歌曲所属类别,使8种乐器的平均识别率从75.7%增加到87%,取得了较大提高。     

特征选择方法的研究和改进

目前大部分特征选择方法都是基于对每个特征按照一定的算法进行重要性赋值,然后选取一定数目的特征作为最后的类别中心向量.针对由于初始特征过多而造成分类精度不高和分类时间过长的缺点,引进了粗糙集中的依赖度函数对特征的重要性进行标定,从而解决了特征过多造成的缺点.最后通过实验验证了该算法,证明该方法是可行的.     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.