基于蚁群迭代算法的近似测地线计算

为了提高两点之间近似测地线的计算精确度,提出一种蚁群迭代算法。在此算法中,对于任意一个地形,首先建立其垂直映射平面图,在平面图上进行初步网格划分,并用蚁群算法求出一条最短路径;再对网格不断进行加密划分,每一次加密处理网格之后都用蚁群算法计算精确度更高的最短路径,以此优化加密前求出的路径。该算法可有效避免待求两点之间图形解析式的困扰,并且采用自适应的方式寻找适当的网格规模,提高近似测地线的精确度。实验结果表明该算法在近似测地线的计算中是有效的。     

改进的几何活动轮廓演化及其在目标跟踪中的应用

为提高几何活动轮廓分割算法的分割效率和准确性,设计了新的边缘检测与跟踪算法.首先采用矢量图像计算图像的梯度值,并设计能够自适应调整阈值的边缘指示函数,进而提出改进的变分水平集演化模型;然后设计基于该改进模型的边缘检测算法,并在无迹卡尔曼滤波器框架下设计了运动目标的跟踪算法.实验结果表明,文中算法不但显著地提高了轮廓演化模型的灵活性和收敛速度,而且对阴影、遮挡、目标形变和背景干扰等具有较好的鲁棒性.     

基于视觉显著性的分块自适应压缩感知算法

针对SAR图像的压缩感知重建问题,在分块压缩感知框架的基础上,提出了基于视觉显著性的分块自适应压缩感知算法.在采样阶段,每个子块的采样率依据显著信息自适应的变化;在重建阶段,根据不同图像显著信息的差异,自适应地滤波.实验结果表明:该方法不仅重建结果的整体质量更优,视觉效果更好,而且在重建后的图像中能更好地保持边缘和目标等重要特征.     

结合特征点匹配的在线目标跟踪算法

提出一种结合特征点匹配的目标跟踪算法.首先,通过显著区域跟踪方法,解决算法对初始化目标框大小敏感的问题,提高样本选取质量,并降低背景杂波对跟踪器的影响.其次,采用中值流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,并通过层级聚类方法剔除干扰点,解决跟踪器漂移及目标平面旋转跟踪失败等问题.最后,提出一种简单的检测器自适应尺度快速搜索目标方法加快检测速度.结果表明:所提方法有效地提高了TLD目标跟踪算法的跟踪鲁棒性,并在标准数据集上得到了很好的效果.     

卷积特征图融合与显著性检测的图像检索

针对基于深度学习的图像检索提取特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高的问题,提出一种特征图融合与显著性检测的方法.首先,训练用于分类的深度卷积神经网络模型.然后,并将图像卷积之后的特征图谱进行融合,得到图像的显著性区域.最后,通过计算图像显著性特征的余弦距离来进行检索.实验结果证明:相比目前主流的方法,文中方法能够有效提高检测精度,且鲁棒性较高.     

局部对称空间中的紧致极小子流形

研究了局部对称的黎曼流形N^n＋p中的紧致极小子流形M^n,推广了这类子流形中已有的结果,得到了与子流形的第二基本形式模长的平方口有关的Pinching定理。     

基于多分辨率显著性滤波的微动信号增强方法

微动信号是典型的非平稳信号, 时频分析能够获得微动信号的联合时间-频率分布图像, 是微动信号分析的主要工具之一, 良好的时频图像质量能保证后续特征提取和参数估计的准确性。然而在实际场景中, 时频图像通常受到噪声污染, 使得微动信号难以分辨, 严重制约了后续特征提取和参数估计。根据显著性检测和图像金字塔的基本原理, 本文在多分辨率表示图像上分别计算显著性并滤波, 最后进行加权融合获得增强的时频图像, 有效抑制了噪声, 提升了低信噪比(signal to noise ratio, SNR)下时频图像的质量和微动信号的显著性。实验结果表明, 对于仿真信号以及暗室测量信号, 在-7~7 dB SNR下, 采用该方法均能显著提升时频图像质量, 且-3 dB以下时能大幅提高周期估计的准确率, 是一种有效的微动信号增强方法。