基于生物视觉显著性的车辆车型识别

车型的识别问题是典型的目标识别问题,根据生物视觉与模式识别理论,对车辆车型的检测与识别进行了研究,提出了基于最小错误概率的特征显著性车型识别算法。该算法对车型的多个特征进行显著性比较,对较显著的特征赋予较大的权值,然后对多特征的识别结果进行融合处理。实验结果表明该算法对车型的识别具有较高的识别率。     

基于Gabor滤波和K-medoid聚类分析的人眼检测和瞳孔定位

针对人眼检测过程中存在的表情、光照和眼镜遮挡 等干扰因素的影响,提出一种基于Gabor滤波和 K-medoid聚类分析的人眼检测和瞳孔定位方法。首先采用鲁棒性较好的眼部横向特征作为 检测对象来设计了Gabor 滤波器,以突出眼部的横向特征;然后根据Gabor滤波后的眼部特征,并结合K-medoid算法 设计了聚类算法检测人眼;在人眼检测基础上,结合灰度分布特征和熵函数设计了瞳孔定 位方法。在BioID人脸库和FERET彩色人脸 库上进行了实验,结果表明,本文方法在两个图库的3470幅人脸图像 上能够达到97.8%的检 测率,并且在设置误差阈值较小(0.15)情况下仍能达到95.5%的瞳孔定位准确率。     

改进的高斯肤色模型及其在人脸检测中的应用

针对传统高斯肤色模型在肤色和光照变化较大情况下不能有效提取肤色区域的问题,提出一种改进的高斯肤色模型,并将其应用于人脸检测中。模型参数采用一种自适应更新的参数选择方法,通过对相似度人脸和灰度人脸在对应像素点加权相乘的方式,得到将肤色相似度信息和灰度分布信息有效结合的人脸肤色模型,并结合Adaboost算法设计了人脸检测方法。在FERET(facial recognition technology database)、LFW(labeled faces in the wild)、GTFD(Georgia Tech face database)和多人脸图库上的实验结果表明,该模型的肤色提取正确率比传统高斯肤色模型提高了27.1%,提出的人脸检测方法的检测率比Adaboost算法提高了5.5%。     

人工智能中的不确定性

不确定性是人类思维活动中最基本的东西，同时也是人工智能中的重要内容。在论述了不确定性的发展由来后，着重提出了解决不确定性的4种方法(可信度推理方法、概率方法、模糊数学方法、灰色理论方法)，并分别加以论述。最后，又系统地概括了知识表达和知识处理的一些方法。     

基于自学习的稀疏正则化图像超分辨率方法

如何设计既能够保持边缘与纹理结构又具有较低计算复杂度的图像超分辨率算法是目前该领域有待解决的难点问题。在Bayesian统计框架下建立了一种新的基于稀疏正则化的图像超分辨模型。模型中的保真项度量理想图像在退化模型下与观测图像的一致性,稀疏正则项刻画理想图像在词典下的稀疏表示。该模型还引入了图像的非局部自相似性和超拉普拉斯先验作为正则化约束。为使稀疏域更好地表征高分辨率图像,选取高分辨率图像块的高频特征进行稀疏表示,由此增强了稀疏模型的有效性。将词典学习融入到超分辨率重建过程中,即直接从当前估计的高分辨率图像特征块学习词典,与从训练样本库中学习词典相比,这种自学习的方法对不同图像的自适应性更强,并且减少了运算量。实验结果表明,该方法可以重建清晰的图像边缘,减小振铃效应,并且对噪声具有很好的鲁棒性。     

MPEG-4 AAC实时音频编码器设计与实现研究

简要介绍了MPEG-4 AAC编码器算法原理,针对AAC算法复杂性高的特点,讨论了AAC音频编码器的实现方案及关键技术,并对影响编码速度的耗时模块进行了优化。实验表明,与标准算法相比,本文算法处理速度提高大约40％,大大提高了编码实时性。     

基于局部特征与全局特征的显著性目标检测

在采用图像谱残差分析方法获取全局特征显著性图像的基础上, 利用小波变换在时域和频域具有的局部特征信息表征能力, 通过对图像包含的不同特征信息进行小波变换, 去除各个特征图中的冗余信息, 得到图像局部特征显著部分, 对两种分析方法下获得的显著图进行融合分析, 获得最终的图像显著部分, 并利用视觉转移机制在原图中勾画出显著性目标. 实验结果分析表明, 改进后的方法提高了图像显著目标检测的准确率.

     

无纸记录仪中时域特征点的寻找

针对现在的数字记录仪主要嵌入的是频域分析软件，而对于时域的特征点重视不够的缺点，着重分析了在时域内寻找这些特征点的方法。为了有效滤去信号中含有的噪声并便于寻找特征点，采取了分段数据拟合的方法。实验结果证明了文章方法的有效性。     

基于特征显著性的多特征融合车牌定位算法

在分析已有车牌定位技术以及目标检测共有特性的基础上,提出了基于视觉显著性的特征选择方法.算法依据先验样本的统计学习,利用导致最小错误概率判决方法,得到目标的特征显著性分析.在车牌定位过程中,根据得到的特征显著性序列,依次赋予特征不同的权值,然后采用融合的方式得到所需要的车牌区域.实验结果表明,该算法提高了使用单一特征进行车牌定位的准确率.