基于运动矢量相对强度的时域错误掩盖算法

针对时域错误掩盖中运动矢量恢复存在偏差的问题,提出了一种依据运动矢量边界差值最小准则的运动矢量估算方法。同时,利用受损块与邻域块的运动空域相关性,提出了一种基于运动矢量相对强度的时域掩盖算法。对于受损块,评估其领域内运动矢量变化的相对强度,据此采用运动矢量边界差值最小法或拉格朗日插值法恢复其运动矢量。仿真结果表明,对不同视频序列或不同宏块丢失率,该算法所恢复的视频序列的PSNR值比传统算法提高了0.3 dB~3 dB;同时,解码的图像也获得了较好的主观视觉效果,具有更强的鲁棒性。     

基于MVMW 的H.264/AVC自适应快速帧间模式决策算法

针对运动矢量移动窗口（Motion Vector-based Moving Window，MVMW）算法预测代价值计算不准确，且视频类型自适应不强等缺点，提出一种基于MVMW 改进模式决策算法。该算法摒弃了MVMW 中计算较为复杂的比例参数矩阵，在详细统计分析编码宏块间时域和空域相关性的基础上，采用与当前帧相关性较高的前两帧参考帧中的已编码宏块参与计算当前块的分块预测代价值，确保了预测的有效性，其算法复杂度较MVMW 降低较多。此外，该算法采用的运动矢量移动窗口大小根据宏块分块模式自适应变化（Adaptive Motion Vector-based Moving Window，AMVMW)；且该算法阈值设置理论性较强，克服了MVMW 算法中由于固定大小窗口和经验阈值造成预测代价值不准确的缺点，保证了预测精度。实验结果表明，本文算法较MVMW 在码率和图像质量均改善提升的情况下，编码时间明显减少，其整体编码效率优于MVMW。     

基于自适应门限的视频编码模式快速选择算法

H.264/AVC视频编码标准采用多模式编码技术,更准确的块匹配带来了编码效率的提高,同时也使计算复杂度急剧增加,这一问题也成了影响H.264/AVC实时应用的因素之一.因此为了降低计算复杂度,提出了一种基于自适应门限的视频编码模式快速选择算法,首先进行场景切换的检测,然后基于最优匹配的算法来进行模式的快速选择,略过不可能进一步降低率失真代价的模式,以降低编码过程的计算复杂度,从而提高编码速度.实验结果表明,本算法与全模式搜索算法相比,在图像质量和码率有少量变化的前提下,编码速度显著提高.     

基于压缩域信息的运动区域检测

运动对象检测是智能视频监控的基础,现有的运动对象检测算法在实时性和检测精度方面仍有待提高,提出了一种利用压缩域的信息运动区域检测算法,首先利用压缩过程中产生的运动矢量信息去除摄像机的背景运动,然后利用宏块的DCT系数,宏块类型等信息去除虚假的运动块,最后使用了形态学的腐蚀与扩张处理以提高检测精度.测试结果表明,本文算法速度快、能够准确检测出运动区域.     

预测性菱形搜索在视频编码中的应用

根据预测性运动矢量和菱形搜索的思想 ,提出了一种基于预测性运动矢量快速块匹配的视频编码新方法。这种编码方法在运动估计的过程中引入了预测性运动矢量的概念 ,利用预测性菱形搜索 (PDS)计算出稳定且平滑的运动矢量场 ,充分利用了相邻块运动矢量的相关性。仿真结果表明 ,该方法应用到视频编码中能够得到比其他几种常用的快速块匹配法更好的效果。     

基于率失真联合准则的快速帧内模式选择算法

H.264采用率失真优化(RDO)算法,通过计算所有预测组合模式的率失真代价来确定宏块的最优编码模式,其编码复杂度和计算量也明显增加。为了降低编码运算量提高模式选择速度,通过对帧内预测模式快速选择算法的研究,提出了一种基于码率和失真度联合准则的快速帧内模式选择算法,结合提前退出策略有效减少了候选预测模式的数量。实验结果表明:与H.264参考模型JM86相比,该算法使I帧的编码速度至少提高70%,输出码率的增加低于2%,峰值信噪比(PSNR)基本保持不变。     

基于门限自适应的H.264帧间模式快速选择算法

针对H.264/AVC运用基于率失真优化的全计算模式决策,引入巨大的计算复杂度,提出一种基于门限自适应的帧间宏块模式快速选择算法。该算法利用视频序列图像帧间时空域相关性,并运用动态门限来提高判决准确度。实验仿真表明,该算法在无明显降低编码质量的情况下,提高了编码速度,平均缩短编码时间89.94%。     

一种精细的H.264码率控制方法

针对H.264提出了一种无需二次编码的精细码率控制策略,为解决H.264中宏块模式选择时需要使用量化级而给码率控制带来的困难。提出了一种可以在模式选择前预测当前帧编码复杂度的码率模型。并且提出了基于宏块条的码率控制策略。分析了H.264中利用拉格朗日R D优化方法进行宏块模式选择的特点,并根据编码比特对拉格朗日乘子进行优化,提出了基于模式选择的精细码率控制方法。实验结果表明,与JVT提案中的码率控制方法JVT G012相比,所提方法在准确控制码率的同时,提高了PSNR值。     

自适应最优块匹配视频稳像算法

传统的块匹配视频稳像算法不能完全去掉运动前景影响,在处理过程中需要预先设定判定相似度的阈值,容易造成计算误差,搜索算法搜索位置太多,加大了运算量。本算法首先对相邻两帧图像的匹配块进行x 和 y 方向独立的块搜索,自适应地确定最优匹配位置,然后根据每次搜索最优匹配位置剔除运动前景目标块,调整步长进行下一步搜索,直到搜索步长为零时停止,最后计算出相邻帧间的移动向量进行运动滤波,补偿抖动。处理结果显示本算法可以在视频大幅抖动,含有运动目标时和全局运动时进行准确稳像。     

基于预测性菱形搜索法的快速去隔行技术

提出了一种基于运动估计和运动补偿的去隔行 (隔行变逐行 )新方法。该方法首先使用预测性菱形搜索块匹配法 (PDSBM)计算出稳定和精确的运动矢量场 ,然后通过对视频序列的多假设运动补偿分析来实现隔行到逐行的插值 ,再对所得到的视频序列进行运动补偿滤波 ,进一步消除了水平边缘的影响 ,充分考虑了场间和场内视频序列的空间和时间相关性。仿真结果表明 ,该方法能够得到比其它几种常用的去隔行算法更好的效果。     

基于方向向量Fourier级数近似的近场波束形成快速算法

研究了一种近场距离/方位聚焦波束形成快速算法,离线计算每个搜索距离处的阵列方向向量,利用方向向量关于方位角的周期性,将方向向量的每个分量用有限项Fourier级数近似,从而搜索距离处的角度谱可以用FFT快速实现,无需在每个距离/方位栅格上计算时延和相位补偿,有效减小了计算量和存储量.数值分析结果表明,该算法性能接近理想的近场波束形成.     

基于支持向量信息测度排序的快速分类算法

如何降低支持向量机海量训练样本的数目,是提高算法速度的关键。提出利用支持向量分布的几何特征建立基于特征空间中支持向量信息测度的快速算法,对于训练样本首先进行基于支持向量信息测度升序排序处理,然后根据训练样本提供的信息测度选择合适的训练样本子空间,在该样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后针对附加残余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明,提出的算法具有较好的性能,特别是在训练样本庞大、支持向量数量较多的情况下,能够较大幅度地减少计算复杂度,提高分类速度。     

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器。滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可以实现不同航迹组之间并行滤波。另外,为了处理机动目标场景引入交互多模型,给出基于交互多模型的分组滤波递推方程。仿真结果表明,所提出的滤波器跟踪精度更高,计算速度更快,可以用于跟踪多个机动目标的场景。     

基于高斯-勒让德积分的鲁棒波束形成算法

针对矩阵重构类波束形成算法在协方差矩阵重构过程中计算复杂度较高的问题, 提出一种基于高斯-勒让德积分重构协方差矩阵的鲁棒波束形成算法。该方法首先根据信号导向矢量之间的正交性, 利用高斯-勒让德积分构建干扰信号空间; 然后将快拍数据投影到干扰信号空间, 剔除期望信号, 完成干扰噪声协方差矩阵重构; 最后将准阵列权矢量投影到信号空间, 修正导向矢量失配。仿真结果表明本文方法在视向误差、导向矢量随机误差条件下具有较好的鲁棒性, 且有效地降低了计算复杂度, 验证了算法的有效性。     

基于新的决策规则的球形支持向量机分类算法

球形支持向量机是一种学习算法,它通过在高维特征空间中,对每一个模式类别构造一个覆盖其所有训练样本的具有最小体积的超球体,来实现对训练样本空间的划分.在此基础上,提出了一种基于新的决策规则的球形支持向量机算法,并在七个UCI数据集上进行了实验,实验结果表明提出的算法可以取得比标准的支持向量机算法更好的分类效果.     

“最大值准则”决策悖论及其求解模型

按照最大值决策准则,当相应决策系数向量各分量的值区分度较高时人们易于对决策对象所属类别做出判断.而真正有价值的问题是决策系数向量若干个分量的值区分度不高的情形.本文针对灰色聚类系数向量之最大分量取值与其它分量的值区分度很低,且按照"最大值准则"做出的决策与对决策系数向量进行整体评估所得的结论冲突,即"最大值准则"决策悖论发生的情形,提出了对聚类系数向量各分量取值信息进行综合集成的聚核权向量组和聚核加权决策系数向量;并据此构建了两难决策问题求解模型,给出了3种实用的聚核权向量组.破解了"最大值准则"决策悖论.最后以英国高等学校科学研究卓越框架(research excellence framework,简称REF)为例说明"最大值准则"决策悖论求解模型的实际应用.     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

图像矢量量化的等误差自组织特征映射算法

提出了一种使各区域子误差相等的矢量量化算法,算法利用小波变换后各子带间的相关性,合理构造矢量。采用最优矢量量化器设计原则,使用改进的自组织特征映射算法生成码书。学习过程中,通过调整各子区域的误差,使之趋于相等,改善总的期望误差,获得更接近全局最优的码书。实验表明,这种算法获得的码本优于其它几种算法。