李飚

<正>历经岁月的侵蚀,当年大学的点滴却记忆犹新。我在冰城哈尔滨度过了4年的大学时光,哈建工(现哈工大)给予我改变人生轨迹和重组空间维度的机会,师长们的"嬉笑怒骂"助我成为一名初涉建筑殿堂的建筑学子。记忆里他们总在寻求着某种突破,也许这种力量未必强大,但无论是着眼于个体的精神还是致力于广泛的影响,他们都踏踏实实地存在着。他们是一群鲜活、风趣旦才华横溢的兄长,不会对"评价体系"和"价值标签"盲目追捧,但其所折射出的时代光芒曾     

基于蚁群算法的景象匹配定位

景象匹配定位是精确制导的重要技术,通过对景象匹配定位和蚁群算法的研究,提出一种基于蚁群算法的匹配定位方法,蚁群算法具有快速全局寻优能力,应用蚁群算法计算模版图像在基准图像中的匹配位置,根据匹配定位参数的特点,建立二维的蚁群搜索空间,定义图像的归一化积相关作为相似性度量并更新蚁群的信息素,利用信息素及启发信息来计算状态转移概率,蚁群最终聚集到适应度函数最大的路径上。实验结果表明：蚁群算法可以准确有效地估计匹配位置。     

建筑生成设计方法教学实践

介绍以复杂系统模型为基础的东南大学建筑生成设计教学现状,呈现部分建筑生成设计教学成果,进而提出作为一种崭新建筑学方法的现实意义.     

“细胞自动机”建筑设计生成方法研究——以“Cube1001”生成工具为例

在2006年“happyLattices”工具的基础上,2007年毕业设计生成研究组成功研究出效率更高的“Cube1001”平面、空间生成工具。详细记述“Cube1001”研究进程及对应程序规则,并使用该工具实现工程实例化的全过程。     

视觉注意驱动的基于混沌分析的运动检测方法

提出了视觉注意驱动的基于混沌分析的运动检测方法(MDSA)。MDSA首先基于视觉注意机制提取图像的显著区域,而后对显著区域进行混沌分析以检测运动目标。算法技术路线为:首先根据场景图像提取多种视觉敏感的底层图像特征;然后根据特征综合理论将这些特征融合起来得到一幅反映场景图像中各个位置视觉显著性的显著图;而后对显著性水平最高的图像位置所在的显著区域运用混沌分析的方法进行运动检测;根据邻近优先和返回抑制原则提取下一最显著区域并进行运动检测,直至遍历所有的显著区域。本文对传统的显著区域提取方法进行了改进以减少计算量:以邻域标准差代替center-surround算子评估图像各位置的局部显著度,采用显著点聚类的方法代替尺度显著性准则提取显著区域;混沌分析首先判断各显著区域的联合直方图（JH）是否呈现混沌特征,而后依据分维数以一固定阈值对存在混沌的JH中各散点进行分类,最后将分类结果对应到显著区域从而实现运动分割。MDSA具有较好的运动分割效果和抗噪性能,对比实验和算法开销分析证明MDSA优于基于马塞克的运动检测方法（MDM）。      

一种改进的图像序列运动小目标检测方法

针对目标背景运动的情况,在随机哈夫变换运动检测方法(MDRHT)的基础上,提出了基于中心偏移的哈夫变换运动检测方法(Center-Biased MDHT)。它利用图像中显著的边界信息,有效地估计图像序列帧间图像背景的整体运动;利用图像背景运动的一致性,预先设定帧间位移的阈值,减少了预处理阶段的计算量;对前后两帧相邻图像进行差分处理,充分利用小目标在差分图像中成对出现的特点,达到了在目标检测阶段减少计算量的目的。     

基于局部曲率函数的角点检测

角点检测是计算机图像处理领域的基本问题之一,在全局曲率函数角点检测的基础上,提出一种基于局部曲率函数的快速角点检测算法.通过Canny算子提取图像的边缘,在边缘的基础上计算轮廓的局部曲率函数,由于Canny算子首先用高斯滤波器对图像平滑处理,尽可能的去除了噪声而不损失角点,计算局部曲率函数的最大峰值,通过设定阈值检测出角点.对算法进行仿真,试验结果表明该算法可以稳定的检测角点,并对旋转、尺度和噪声具有较强的鲁棒性.     

城市更新中的实例辅助方法探索

针对复杂的城市更新问题,利用数字技术提取网络数据,建立城市空间实例库,探索辅助城市更新的新方法。以罗马火车站周边区域的更新设计为例,运用开源地图数据提取道路、建筑、功能信息,制定街区面积和形状特征规则,建立实例库并探索其应用。尝试了建筑与城市设计的新方法,催生以实例为基础的优化更新结果。     

并行微处理器系统的内部通信

TI公司生产的TMS320C8X系列是典型的并行微处理器系统。它采用支持共享存储器系统的交叉网作为其内部通信的途径,通过功能强大的命令字机制来实现各处理器、控制器之间的相互响应。     

基于Walsh-hadamard变换的混合高斯背景模型

混合高斯背景建模技术及其改进算法有效地解决了光照渐变和周期性动态背景条件下的运动目标检测问题。但是,当场景存在光照突变时检测准确率将大大降低。为此,提出一种基于Walsh-hadamard变换的混合高斯背景模型。该模型从颜色、边缘和纹理来描述背景区域的特征,较全面地刻画出了背景的本质属性,同时对前景目标有着非常好的区分力。实验证明:该方法较有效地解决了传统GMM中存在的问题,并为后续视觉分析打下了基础。