投影距离的概率峰值效应及其在三维目标识别中的应用

在计算机视觉中，由于物体的几何特性随视线的变化而变化，从而给三维目标识别带来了困难．在设计识别算法时，关键是理解目标重要特征的变化，如角度、距离等的变化．在视线方向各向同性条件下，投影角度和距离的概率密度在其原值附近具有峰值效应，即投影角度及距离接近于原角度及距离．利用投影角度的联合概率函数可识别多面体．在已知距离时，为了便于识别目标，导出了投影距离的密度函数．实验结果证明了该方法的有效性．     

汉语识别初探

语言是人类交流信息的主要媒介,如果能用数字计算机来识别语言,必然能对人类交流信息的过程带来无可估量的影响。正因为如此,语言识别问题在近二十年来受到了很大的注意,同时由于这一问题牵涉面很广,边缘性很强,因此它又成为计算机科学中使人颇感兴趣的问题之一。Wolf曾对七十年代初期以前有关这一问题的研究作了一个较好的总结(主要指美国对英语识别所进行的研究)。语音的识别看来基本上所采用的是对于音素或类似于音素的识别,这是因为尽管人可以发出频带相当宽的声音,但作为语音来说,大致上是由几十个基本发音单元,即音素所构成的。这样,我们依靠内存于计算机中的数量不多的音素模型就可能进行语言的识别。英语的音素大致有四十多个。汉语(普通话)计算机识别用的音素可以建立在汉语拼音的基础上。如果仅从元音、辅音来说,则也不过三十多个。汉语拼音把发音单元分为声母和韵母,声母即辅音,韵母则包括单元音和复合元音。关于音素识别方面的一些辅助识别工作,诸如音节、清音、浊音、元音的区分等都与英语识别问题相类似,汉语语音识别方面的一个特殊问题是关于声调的识别。汉语以及许多亚洲语系都有声调识别的问题。汉语(普通话)分成阴平(—)、阳平(/)、上(V)、去(\)四声。如果每一个韵母加上四声的变化,则音素模型的数字将大为增多,这将增加识别检索时的困难。问题的复杂性还不止于此,如地(di)、期(qi)这类字,四声的变化只在于韵母本身,因此不影响其他相关连的音素d、q。如烟(yan)、望(wang)、两(liang) 这类带复合元音的字,四声的变化贯串于整个音节,这就是说四声的变化将影响这一音节中的其他音素,这样一来问题的复杂性就提高了。据说有些方言,如广东话,有多至十种声调的,如果把不纯正的发     

基于数学形态学和神经元网络的货币识别

基于Ｇｒａｎｕｌｏｍ ｅｔｒｉｅｓ 定义的基础,给出了模式谱的定义．运用基于“开”运算的Ｇｒａｎｕｌｏｍ ｅｔｒｉｅｓ得到纹理的模式谱,并以此作为纹理的特征向量,通过双隐层的人工神经网络分类器进行分类,达到识别的目的．给出了该方法在货币识别上的应用实验结果．     

遗传算法在立体图象匹配中的应用

基于传统立体图象匹配技术,提出了一种新的使用遗传算法的特征匹配方法．实验中,采用了两种特征提取算法,以适应不同图象要求．实验用图包括自然景物图和人工合成图．此外,用ＢｒａｎｃｈＡｎｄＢｏｕｎｄ算法得出比较结果．实验结果表明,遗传算法有好的匹配正确率和收敛速度,具有鲁棒性,适合立体图象匹配．     

两种新的光照方向估计方法

光照方向估计是计算机视视的重要研究内容，提出了两种新的光照方向估计方法：改进的Pentland方法和加权平均法，前者修正了Pentland方法在数学上的缺陷，利用了图像中不同区域对光照方向估计的贡献，其性能比原方法有较大改进，后者利用图像中奇点的作用，并且考虑了图像中不同地形区域的特点，是一种稳定精确的光照估计方法，通过实验证明了它们的有效性。     

用有指导的进化模拟退火法解组合优化问题

基于模拟退火和模拟进化思想，提出了一种解决组合优化问题的新方法；有指导的进行模拟退火法。该方法允许问题的多个解同时存在，这些解之间朝霞避部或全部的比较和竞争，然后指导越来越多的搜索进入可行解的范围内，用ＧＥＳＡ方法求解两个典型的组合优化问题；旅地商和作业调度问题。结果表明，此方法优于单纯的模拟退火方法。     

人脸斜视图象的特征提取与恢复

给出了能对正视图象和斜视图象同样有效地进行特征点的提取的一些新算法．建立了人脸斜视图象的数学模型，对于斜视了一定角度的人脸图象提取出一些比较明显的特征，并通过查阅标准数据库，对特征向量进行恢复，找出最佳匹配的标准图象．最后给出了实验结果     

神经网络和遗传算法在人脸定位中的应用

人脸是十分常见的复杂模式,在复杂景物图片中自动找出人脸是很困难的,但是却有着重要意义,因为这同时也是自动人脸识别系统的前提．提出了一个基于多层感知器（ＭＬＰ）的用遗传算法实现搜索的人脸定位系统,讨论了系统建立的理论基础,即ＭＬＰ直接感知图象和用遗传算法进行快速搜索．实验结果表明,它尤其适合在复杂背景下的低分辨图象中进行操作,鲁棒性好、定位快、适应面宽．     

序列图像目标跟踪的神经网络算法

针对序列图像目标跟踪问题，在提取图像特征点的基础上，提出了一种最优化算法，该算法将序列图像目标跟踪问题转化为相信两帧图像特征点间的匹配问题。文中根据匹配问题的各种限制条件给出代价函数，并利用Ｈｏｐｆｉｅｌｄ神经网络最优化计算功能来求取该代价函数的局部极小值。其中神经元的状态用以表示相邻两帧图像特征点间的匹配关系。神经元间的权连结用以反映地应特征点间的匹配程序。也就是说，本文针对序列黑种人希目标跟踪     

序列图像（亚）像素级点目标检测的DP算法

提出了一种用于序列图像（亚）像素级点目标检测与跟踪的ＤＰ算法。该算法基于弹道积分原理和动态规划最优化原理，将序列图像（亚）像素级点目标检测问题转化为一系列的一维最优化过程，功效上完全等价于究举法。同时具有算法简单，运算量小、易于实现的特点。该算法有别于其他算法的显著优点是具有低信噪比处理功能，特别适用于弱而小的点目标运动轨检测，文中还针对多（亚）像素级点目标情况进行了专门讨论。