B 样条尺度空间轮廓演化差异的角点检测

为了提高图像角点检测精度和提升角点运算效率,提出了一种新颖的基于B-样条尺度空间的轮廓演化差异的角点检测算法.把DoB(Difference of B-spline)的范数定义为角点的响应函数,用来刻画其尺度演化差异.DoB角点检测器融合了图像轮廓在不同尺度下的特征信息,既增强了特征点的响应,又抑制了噪声的影响.采用B-样条函数做卷积运算在各类角点检测器中复杂度小,速度快.通过实验对比,结果表明提出的算法具有良好的定位、抗噪及旋转和尺度不变性.     

城市绿地的新发展及规划设计思考——由广州市洲头咀公园的调查说起

以广州市海珠区洲头咀公园为例,着重调查了公园活动人数、人员的组成结构、活动时间与行为类型以及对场地设施的分析,思考了城市街头绿地的新发展,并提出对现有绿地规划设计的修改对策.     

英语角对英语学习的促进作用

学好英语和学好母语一样,需要良好的语言环境,而英语角的开展恰恰为英语学习提供了这样一个平台。英语角很好地激发了学生的学习兴趣,培养了学生的参与意识和交际能力,提高了学生的语言文化素质。因此,英语角对英语学习具有很大的促进作用。     

基于曲率尺度空间的VOP形状的分层表示

采用一种新的基于曲率尺度空间（CSS）的算法进行形状的分层操作,实验结果表明,这种方法比MPEG4校验模型中用下抽样的方法进行形状编码的分层操作,分层性更强,且压缩比更高。     

齿轮线外啮合啮入冲击速度的计算

建立了考虑摩擦、误差的齿轮副扭转振动模型,从确定线外啮合起点在啮合线上的等效点位置、线外啮合点到齿轮圆心的半径、计算线外啮合点处两齿轮的载荷角等3个方面入手,提出了线外啮合冲击速度的计算方法.     

交易者有限理性、信息披露质量与价格发现效率

在成熟度较低的中国股票市场,探究交易者有限理性条件下信息披露质量和价格发现效率的均衡关系.研究构建了一个包含信息摩擦和交易者学习的两期经济模型,通过引入预期偏差和参考点依赖偏好来刻画交易者的有限理性特征,分别讨论了完全理性和有限理性条件下的市场出清过程,并给出了盈余公告后价格漂移现象的理论解释和抑制由交易者有限理性导致的价格异象的途径.结果表明:1)在其它条件相同时,价格发现效率与信息披露质量正相关,与交易者有限理性程度负相关;2)交易者的参考点依赖偏好是导致盈余公告漂移现象的重要原因,当上市公司公告为好消息时,交易者处于盈利状态,倾向于风险厌恶,会低估资产价值,因此市场出清价格要低于公司实际价值,长期来看,股价会倾向于进一步上涨.当上市公司公告为坏消息时,由于投资者处于亏损状态,倾向于风险偏好,会高估资产价值,因此市场出清价格要高于公司实际价值,长期来看,股价会倾向于进一步下跌.研究结论对完善信息披露制度和提高中国金融市场运行效率具有重要意义.在现实金融市场中,上市公司为迎合投资者情绪可能进行正向盈余管理,通过降低信息披露质量使上市公司市场价格大幅高于其内在价值,因此提高信息披露质量是降低交易者有限理性负面效应的关键.     

钢筋混凝土叠合框架顶层角节点的静力性能研究

本文以纵向受拉钢筋配筋率以及纵向受拉钢筋在节点内不同搭接形式为主要变量，通过6榀足尺钢筋混凝土叠合框架时负弯矩作用下的顶层角节点的静力性能进行了试验研究，并对节点的受力性能进行了二维非线性有限元模拟分析，最后根据实验及分析结果提出了支座汉钢筋的锚固构造．     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法

车牌图像包含的尺度、仿射变化及其复杂的背景是影响车牌定位准确度的重要因素。在高斯差（DOG）尺度空间框架下,笔者提出了一种基于多尺度乘积的角点特征和视觉颜色特征提取及其相融合的车牌定位算法。基于高斯差尺度空间的图像边缘信息,应用多尺度乘积分别提取具有尺度和仿射不变特性的角点和颜色特征,并在两特征融合结果基础上确定车牌位置候选区域;最后通过车牌区域特征点之间的距离及密集关系实现车牌的准确定位。对大量实拍的复杂环境下的车辆图像进行测试表明,该算法对车牌定位具有快速、高效的定位效果,且在噪声、仿射变换等方面的鲁棒性表现较好。     

High speed robust image registration and localization using optimized algorithm and its performances evaluation

Local invariant algorithm applied in downward-looking image registration, usually computes the camera’s pose relative to visual landmarks. Generally, there are three requirements in the process of image registration when using these approaches. First, the algorithm is apt to be influenced by illumination. Second, algorithm should have less computational complexity. Third, the depth information of images needs to be estimated without other sensors. This paper investigates a famous local invariant feature named speeded up robust feature (SURF), and proposes a highspeed and robust image registration and localization algorithm based on it. With supports from feature tracking and pose estimation methods, the proposed algorithm can compute camera poses under different conditions of scale, viewpoint and rotation so as to precisely localize object’s position. At last, the study makes registration experiment by scale invariant feature transform (SIFT), SURF and the proposed algorithm, and designs a method to evaluate their performances. Furthermore, this study makes object retrieval test on remote sensing video. For there is big deformation on remote sensing frames, the registration algorithm absorbs the Kanade-Lucas-Tomasi (KLT) 3-D coplanar calibration feature tracker methods, which can localize interesting targets precisely and efficiently. The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping (vSLAM) in a period of time.