视觉感知结合学习的自然图像轮廓检测

本文结合非经典感受野的视觉特性与机器学习的方法,提出了一种自然图像轮廓检测模型.当非经典感受野中的刺激与感受野中心刺激形成一种精确的空间结构时,将对中心产生一种增强效应;另一方面非经典感受野中抑制作用会降低同质成分的响应,我们将这两个机制分别用于增强光滑的轮廓和减少背景中与结构无关的干扰成分.利用逻辑回归概率模型将感受野中的信息与来自非经典感受野中的信息进行有效融合,并根据图像的手工标注数据库,通过学习方法获得一组最优的模型参数.自然图像的实验结果表明该轮廓检测方法能极大地抑制来自纹理的局部边缘,减少虚假轮廓,同时能增强具有一致空间结构的成分,避免轮廓缺失.最后利用Berkeley图像数据库定量地评价了我们方法的性能,并与相关方法进行了比较.该模型不仅为复杂场景中的轮廓检测提供了一个可行的策略,并有助于对生理视觉机制的理解.     

2005SPIE防御与安全国际学术会议

2005年3月28日-4月1日，我出席了在美国奥兰多举行的“SPIE防御与安全”国际学术会议（SPIE Symposium on Defense and Security），其前身是SPIE“宇航，防御遥感，仿真及控制”国际学术会议（SPIE Symposium on Aerospace／Defense Sensing，Simulation，and Controls）。该大会的宗旨是为各种传感技术在防御与安全中的应用提供一个各国工程师和科学家共同探讨的平台，会议主要涵盖了两个主题，即传感技术（如可见光、红外、微波等）及处理技术，包括技术层面（如目标与背景的建模与仿真、非线性滤波器、神经网络、小波、多传感器数据融合等理论与算法）和实现层面（如基于数字信号处理器的实现及性能评价）。     

低信噪比实孔径雷达机场目标图像匹配算法

提出了一种适用于低信噪比条件下的实孔径雷达机场目标图像匹配定位算法.通过对实孔径雷达图像中机场目标的检测识别,实现匹配定位.算法包括机场跑道检测及跑道端点定位两个阶段,分别采用了线特征滤波技术及目标背景的对比度信息.首先通过线特征滤波预处理和投影变换检测机场跑道所在的直线,然后利用机场在实孔径雷达图中的结构特征,根据机场及周围背景的对比度来定位跑道端点.实验结果表明:在成像条件较差的情况下,该算法仍能保证较高的匹配定位准确度.     

基于RBF网络的增量学习

提出了一种基于径向网络的增量学习算法 ,在对新样本进行学习时 ,通过恢复受干扰样本的方式来尽可能保持已有的知识不变 .模拟实验证明了本算法的正确性和有效性 .     

基于度信息的图像过渡区提取与分割

提出一种基于度信息的图像过渡区提取与分割算法．将一幅图像映射为带权无向图，权函数定义为节点之间的相似度，由于目标内部与背景内部的像素同质性好，相似度大，因此度值较大，而边缘像素的度值就小，由此提取过渡区并进行图像分割．实验结果表明，本方法能够稳定地提取过渡区，且处理速度明显优于原有的过渡区提取方法。     

一种有效的运动目标辨别方法

提出了一种利用图像序列中两帧相邻图像从分割所得二值图像的各个候选目标块中确定真实目标的有效算法．背景配准后，可获得背景噪声分布的直方图，同时获得具有对应关系的候选目标块间的噪声分布直方图，通过比较它们与背景噪声分布直方图之间的差异性，即可准确地辨别出真实目标．通过对实际图像序列进行实验，证实了本方法的有效性．     

一种有效的运动目标辨别方法

提出了一种利用图像序列中两帧相邻图像从分割所得二值图像的合个候选目标块中确定真实目标的有效算法，背景配准后，可获得背景噪声分布直方图，同时获得具有对应关系的候选目标块间的噪声分布直方图，通过比较它们与背景噪声分布直方图之间的差异性，即可准确地辨别出真实目标。通过对实际图像序列进行实验，证实了本方法的有效性。     

景像区域误差模拟生成技术研究

在对原始图像用小面模型分割的基础上,通过分析图像信噪比与区域噪声各参数之间的约束关系,研究了景像区域误差的模拟生成技术．采用小面模型将图像划分为许多平稳均匀的子区域,并根据给定的信噪比,按照不同的实际需要,在某些子区域内分别叠加区域噪声．研究成果为评估匹配算法的性能提供了一定的依据     

基于对应分析的冗余模糊C均值聚类算法研究

针对模糊C均值聚类（FCM）算法聚类原型最适合于球状类型簇的特点,提出了基于类间分离度和类内紧缩度加权的冗余聚类中心的FCM算法,即先将大簇或者延伸形状的簇（非凸）采用加权FCM算法分割成多个小类（冗余类）,从而规避FCM算法对初始聚类中心敏感的弱点．由于隶属度划分矩阵的元素是每个样本隶属于各冗余类的隶属度值,因此将其作为各冗余类的类特征,通过对应分析得到冗余类的新特征,再次采用加权FCM算法进行冗余类合并,最后达到分类效果．以代表曲线分割和曲面分割分类问题的3个典型数据集为算例,结果表明该方法能够识别不规则的簇,解决了FCM算法对初始聚类中心敏感的缺陷．     

基于三维卷积的人手姿态估计高分辨率网络

在体素化输入的三维卷积基础上,通过引入高分辨率保持模块,提出了一种基于三维卷积的高分辨率保持网络.该网络以体素化的深度图为输入,进行三维卷积.不同于先前大多数从低分辨率特征中恢复高分辨率特征的方法,构建的网络引入不同分辨率子网络并行的结构,在处理低分辨率特征图的同时保持高分辨率特征图,从高分辨率子网络卷积得出每个关节点在3D体素中的分布概率,最终计算出每个关节点的三维空间坐标.实验表明:该算法相较于先前的基于沙漏模型的三维卷积网络能更准确地进行关节点估计.