面向断层划分的点集聚类方法

在三维地质建模过程中存在断层划分问题,多个断层面的数据常以单个点集形式给出,无法判定每个断层面所包含的点,为了解决该问题,提出一种方法对点集进行划分。该方法结合空间聚类的思想,使得划分结果包含多个点集,并且每一个点集都能够描述一个断层面。该方法包含3个步骤,先计算每个点的法矢量和平面度,根据点间的临近程度和法矢量夹角,对平面度较大的点进行初次划分。最后通过比较的方法,对平面度较大的点与初次划分失败的点进行二次划分。给出了一个算例,其结果验证了该方法的可行性。     

散乱点云精简的一种改进算法*

非接触式扫描获取的散乱点云数据存在大量冗余,为方便模型重构,点云数据精简是不可或缺的点云预处理步骤,提出一种散乱点云数据精简的改进算法,首先将包围点云数据的最小包围盒划分成若干个子空间,根据每个含有点的子空间,获取K邻域点集的拟合平面,计算K邻域中各点到拟合平面距离的累加和。对各个K邻域的距离累加和升序排列,根据预定精简百分比,将包围盒划分为待保留和待删除两个区域,实现了对同一数据在不同区域采用不同算法,完成不同比例的精简。实例验证表明,该算法在保留几何特征的同时,更能有效地避免“空白区域”,且提高了计算效率。     

改进单纯形算法构造平面结晶体群动力系统的广义M集

针对逃逸时间算法计算量大，构图时间长的特点，本文提出了改进的有约束的单纯形最优化方法，求解了使平面结晶体群映射的Jacobin矩阵｜DF｜=0的点集作为初始迭代点集。由Lyapunov指数判定初始迭代点集的动力学特性，构造了平面结晶体群动力系统的广义M集．研究表明。运用改进的有约束的单纯形法构造非解析映射的广义M集这一方法是有效可行的，改进方法大大提高了平面结晶体群广义M集的构造速度．实现了对参数空间的有效划分．改进单纯形法构造的广义M集的混合区域更为准确地反映了相应动力平面上的动力学特性．     

Hilbert填充曲线与空间分布模式探测的点数据集空间划分方法

空间数据划分是空间索引、并行GIS数据分解以及分布式数据管理与调度等问题的核心环节之一。针对点数据集多目标空间划分问题,引入Hilbert空间填充曲线和空间分布模式探测过程,提出针对规则、随机和聚集分布模式的点数据集空间划分方法。实验结果表明,该方法能够在缺少覆盖范围信息的条件下准确判定空间分布类型,该方法能够兼顾空间聚集性、数据量均衡与空间重叠度3种约束条件。     

基于变形与测地距离一致性约束的3D面皮点对应

针对三维面皮生理点对应关系建立这一难题,充分考虑测地距离在描述复杂几何体表面形状方面的优势,提出了基于变形与测地距离一致性约束的3D面皮生理点对应方法。首先在Frankfurt坐标变换后标定面皮特征点集,利用特征点对应关系进行TPS变形;然后根据特征点几何特征向量建立初始点对应关系集,并利用测地距离一致性约束对其进行修剪以生成对应关系核心集;最后扩展对应关系核心集,直至确定源模型上每一顶点的对应关系。实验表明,该方法提高了点对应关系准确度,可有效建立三维面皮生理点对应关系。     

利用子空间划分的局部离群数据挖掘算法

目前大多数局部离群数据挖掘算法需人为事先设置参数或阈值,且难以应用到高维数据集.给出一种新的局部离群数据挖掘算法PSO-SPLOF,该算法首先将数据集划分为互不相交的子空间,利用偏斜度判断子空间划分的优劣,并采用微粒群算法搜索最优划分子空间集;其次针对每个最优划分子空间,计算其数据对象的局部离群因子SPLOF值,并用SPLOF值来度量数据对象的局部偏离程度.最后采用离散化的天体光谱数据作为数据集,实验验证了PSO-SPLOF算法具有受人为因素影响小、伸缩性强和运算效率高等优点.     

高维数据的相似性度量研究

数据间的相似性度量是进一步分析数据集整体特性的一个重要基础。针对高维数据的相似性度量问题,提出了一种基于子空间的相似性度量方法。该方法先将高维空间进行基于网格的划分,然后在划分后的子空间内计算数据间的相似性。理论分析表明,在合理选定网格划分参数的前提下,该方法可有效减小维度灾难对高维数据相似性度量的影响。     

利用贪心算法进行三角剖分的指纹匹配方法

针对指纹识别过程中的指纹匹配算法的准确性以及识别效果等问题,结合计算几何中平面点集的三角剖分方法-贪心算法的特点,将其引入指纹匹配处理,提出了一种基于三角网格(用贪心算法进行平面点集的三角剖分)的指纹匹配方法。该方法通过对细节点的拓扑结构进行三角划分,把空间上位置相近的细节点按照一定的规则相连,得到三角形网格,并基于该网格寻找若干参考点对,最后通过将两幅指纹图像进行姿势调整构成待识别指纹图像,使用获得的参考点对实现基于点模式的指纹匹配。经分析该方法是一种行之有效的指纹匹配方法,确保了指纹旋转、指纹平移参数计算结果的准确性,有效地提高了最终的识别效果。     

改进的分层曲率海量点云精简算法

海量点云精简既要考虑算法的复杂度,又要考虑精简结果的效果。根据三维扫描仪形成的点云特点,提出将空间点云划分为扫描层平面点云,从而将空间问题转化为平面问题。通过平面内Angl的简单计算获得点曲率,从而简化算法复杂度;通过引进距离参数Dis防止精简"大孔洞"的出现;通过综合考虑点的曲率和点间的距离,形成一个判别点是否被删除的标准,修改该判别标准公式中的系数,可以得到不同的精简效果。试验结果证明,该算法对海量点云的精简实践可行,具有复杂度低、数据精简率高等特点。     

多色点集直线划分的复杂性及其近似算法

多色点集划分研究如何将含有不同颜色点的平面划分为各个区域,每个区域中只包含一种颜色的点。这是计算几何中的一种组合优化问题。但是现有的多边形划分方式性能较差。为此,提出用直线来划分平面。针对平面上多色点集的直线划分,将其离散化,证明其可以被非确定性图灵机在多项式时间内判定。并将Max2SAT问题在多项式时间内归约到组合优化问题,证明多色点集直线划分为NP难,从而证明其是NP完全的。利用最优化版本的特有性质,运用贪心方法构造出多项式时间的近似算法,并L归约到Setcover问题,以此证明算法的近似比为O( lgn)。     

基于形状参数回归的人脸对齐算法*

针对传统人脸对齐算法效率较低等问题,提出基于形状参数回归的人脸对齐算法.首先,采用人脸形状空间约束人脸,以低维形状参数刻画人脸形状.然后,在二级形状参数回归算法框架下,结合明确形状特征索引方法和多重随机特征选择方法,学习一系列形状参数回归量,最终刻画对齐的人脸形状.文中算法减少数据存储量,提高人脸对齐速度,在复杂人脸数据库上取得较好效果.此外,该算法能直接应用于手机、平板电脑等低端设备上.     

Reconstruction and analysis of multi-pose face images based on nonlinear dimensionality reduction

Locally linear embedding (LLE) is a nonlinear dimensionality reduction method proposed recently. It can reveal the intrinsic distribution of data, which cannot be provided by classical linear dimensionality reduction methods. The application of LLE, however, is limited because of its lack of a parametric mapping between the observation and the low-dimensional output. And the large data set to be reduced is necessary. In this paper, we propose methods to establish the process of mapping from low-dimensional embedded space to high-dimensional space for LLE and validate their efficiency with the application of reconstruction of multi-pose face images. Furthermore, we propose that the high-dimensional structure of multi-pose face images is similar for the same kind of pose change mode of different persons. So given the structure information of data distribution which is obtained by leaning large numbers of multi-pose images in a training set, the support vector regression (SVR) method of statistical learning theory is used to learn the high-dimensional structure of someone based on small sets. The detailed learning method and algorithm are given and applied to reconstruct and synthesize face images in small set cases. The experiments prove that our idea and method is correct.     

基于图像风格迁移的人脸识别域适应方法

监控场景下的带标签人脸数据难以获取,尽管可以利用已有的公开数据集或合成数据,但这些数据与真实的监控人脸数据在图像风格上存在较大的域间差异。针对该问题,不同于基于特征或公共子空间的域适应方法,提出一种基于图像风格迁移的解决方法。具体地,基于CycleGAN网络改进得到Face-CycleGAN,在保持身份属性的前提下,对现有带标签数据进行风格迁移,使其在背景、光照、皮肤材质等方面与监控场景更接近,并进一步通过联合滤波对迁移图像进行后处理。最后,利用迁移得到的数据优化人脸识别算法,减小域间差异带来的负面影响。提出的方法在公开数据集EK-LFH和自建数据集3DProj-Sur上进行了实验评估,分别取得了21.93%和4.77%的识别率提升,证明了该方法在解决域适应问题上是有效的。     

高精度三次参数样条曲线的构造

构造参数样条曲线的关键是选取节点，该文讨论了GC^2三次参数样条曲线需满足的连续性方程，提出了构造GC^2三次参数样条曲线的新方法，在讨论了平面有序五点确定一组三次多项式函数曲线，平面有序六点唯一确定一条三次多项式函数曲线的基础上，提出了计算相邻两区间上的节点的算法，构造的插值曲线具有三次多项式函数精,该文还以实例对新方法与其它方法构造的插值曲线的精度进行了比较。     

基于参数化流形学习的压缩传感重构方法

压缩传感是一种新的信息获取理论,它突破了传统的采样理论,将数据采集和压缩合二为一,再利用重构算法将原始数据恢复。为了能够得到更好的压缩传感重构效果,把流形学习的思想和方法与压缩传感相结合,提出了一种基于参数化流形学习的压缩传感重构方法。实验结果表明,提出的方法对自然图像进行重构取得了很好的效果,充分验证了基于参数化流形学习的压缩传感重构方法的有效性。     

基于ICA和NFL分类的局部人脸识别方法

目前已存在很多基于统计的人脸整体识别方法，独立元分析方法就是一种基于信号高阶统计特性的方法。但由于人脸光照、姿态、信息缺损等外部不可避免因素会引起整个人脸灰度图像产生很大的变化，因而会对这类整体统计性方法的稳定性产生很大影响。为此提出了一种基于独立元分析和最近邻特征线的局部人脸识别方法。首先，通过对人眼的手工定位并依据人脸几何特征完成对人脸图像的截取和局部分块，从而移除发型等无用信息；然后对每个局部图像进行PCA／ICA特征提取；最后的识别阶段，通过最近邻特征线方法得到各自识别距离，并通过对各部分设置合理的权重来综合判定。实验结果表明，作为一种有效的识别方法，分块独立元方法在识别率、识别的稳定性、应用的灵活性等方面都优于传统的整体识别方法。     

基于多视角的高精度三维人脸重建

提出了一种多阶段优化的方法来解决基于多视角图片在未知姿态、表情以及光照条件下的高精度三维人脸重建问题.首先,通过重新渲染合成的方法将参数化模型拟合到输入的多视角图片,然后在纹理域上求解一个光流问题来获取不同视角之间的对应关系.通过对应关系可以恢复出人脸的点云,并利用基于明暗恢复几何的方法来恢复人脸细节.在真实数据以及合成数据下的实验结果表明,文中方法能够恢复出带有几何细节的高精度的三维人脸模型,并且提高了现有方法的重建精度.     

基于三维模型的人脸姿态估计方法

提出一种三维人脸姿态估计方法。该方法通过估计三维平面人脸模型到图像平面的单应矩阵来获得人脸相对于摄像机坐标系的旋转矩阵,并利用M-估计优化方法迭代求精。其主要特点是：实施简单,不需要对透视摄像机参数预先进行标定,能够在较大范围内较精确地估计人脸姿态。对模拟数据及真实人脸图像的实验均验证了该方法的有效性。     

Semiparametric bivariate Archimedean copulas

While parametric copulas often lack expressive capacity to capture the complex dependencies that are usually found in empirical data, non-parametric copulas can have poor generalization performance because of overfitting. A semiparametric copula method based on the family of bivariate Archimedean copulas is introduced as an intermediate approach that aims to provide both accurate and robust fits. The Archimedean copula is expressed in terms of a latent function that can be readily represented using a basis of natural cubic splines. The model parameters are determined by maximizing the sum of the log-likelihood and a term that penalizes non-smooth solutions. The performance of the semiparametric estimator is analyzed in experiments with simulated and real-world data, and compared to other methods for copula estimation: three parametric copula models, two semiparametric estimators of Archimedean copulas previously introduced in the literature, two flexible copula methods based on Gaussian kernels and mixtures of Gaussians and finally, standard parametric Archimedean copulas. The good overall performance of the proposed semiparametric Archimedean approach confirms the capacity of this method to capture complex dependencies in the data while avoiding overfitting.     

2m次Bèzier曲线自适应降次逼近算法

给出了封闭的2m次Bèzier曲线的降次逼近公式,并讨论了相应的逼近误差。文章工作除了具有传统的端点约束、C1—约束外,还具有以下特点:首先,基于欧几里德范数讨论逼近误差,更加符合人们的认识;其次,对于分段降阶逼近的情形,首先考虑并采用了选择拐点的策略;第三,考虑并采用了选择极大值点的策略。大量数值试验表明:第二、三两条策略的采用可以在很大程度上减少了2m-1次Bèzier曲线段达到逼近2m次Bèzier平面曲线的容差要求。