基于局部特征和视皮层识别机制的图像分类

提出了一种新的图像分类方法,采用层次结构模拟视皮层各区细胞功能,利用Gabor滤波器提取初级图像特征,经过稀疏化处理后进行中间层模板匹配提取尺度和位置的不变性特征,最后提交给分类网络。仿真实验表明,本文采用的层次化特征提取方法在分类任务中优于经典的局部特征方法(SIFT),与其他图像分类方法相比,本文的方法在少量训练样本下,在多个数据集中可获得优良的测试效果,具有较高的实用价值。     

基于FPGA的超高分辨率监视器设计与实现

为满足工业、农业、交通等领域对输出大尺寸图像的高分辨率要求,立足于现有电子产品,采用拼接、分部显示等技术,设计出能够满足上述需求的监视器。阐述了监视器设计过程、硬件结构和逻辑结构,消除了近距离观看时的锯齿感,提高放大后画面的显示效果。     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题，提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO)，该算法根据灰色关联能够很好地分析目标矢量之间的接近程度，并能掌握解空间全貌的特点，利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明，该算法可行而有效，同时也拓展了粒子群算法的应用领域。     

考场异常行为检测算法

以智能视频监控理论为依据,结合考试现场特点,提出了一种能够进行考场异常行为检测的高效算法。该算法从考生信息结构和内容方面作了科学设计,提出了行为覆盖区、3维考场关注度等概念。仿真实验针对分析器的准确率和效率两方面进行,并特别比较了本算法设计的分析器和普通方式分析器的效率。实验结果表明,本算法能很好地挖掘视频帧间的历史关系,与未采用本算法的普通方式相比检测效率有较大提高。     

基于对比敏感度和马尔可夫链的注意信息提取算法

借鉴生理学的研究成果,提出了一种新的基于对比敏感度和马尔可夫链的视觉注意信息提取算法.在注意特征向量提取之前,先用与离心率有关的对比敏感度函数对输入的图像进行加权,用以模拟视网膜神经节的反应机制;在特征向量上定义马尔可夫链,用它的平稳分布做为活动图上的显著度.算法的平均计算时间和以神经生物学家的研究成果为标准计算的接受者操作特性曲线下面积证明了算法的有效性.     

基于低分辨率局部二值模式的人脸识别

为提高人脸识别的准确度,提出了一种基于低分辨率局部二值模式的人脸识别方法。该方法将原始人脸图像滤波下采样处理成低分辨率图像,将其划分成若干块矩形块图像,对每一块图像进行局部二值模式计算,统计出每一块LBP图谱的直方图,再连接在一起成为这幅图片的最终特征向量。经实验表明,该算法在ORL和YALE上均取得了更好的识别效果,且对光照、表情、姿势等的变化具备鲁棒性。     

有指向性的视觉注意计算机模型

注意把有限的处理资源优先分配给那些需要精细加工的信息,能提高视觉信息加工中的检测能力和响应速度.基于生物视觉系统的生理结构特点,建立了模拟生物视觉注意系统的有指向性的视觉注意计算机模型.模型首先模拟生物视网膜的成像机制,将视场图像转化为视网膜图像;然后将最大梯度边缘检测和c-均值聚类等方法相结合,对视网膜图像中的目标进行编码,分别提取每个目标的颜色、中心以及边缘点集合等基本信息;最后用知识库中指向性目标的特征来指导注意焦点的转移.实验结果表明,利用此模型能较好地实现注意焦点的转移.     

基于空间和颜色自相关的直方图目标检测方法

在传统的颜色相关直方图基础上,提出了一种基于空间和颜色自相关的直方图目标检测算法(Spatial and Color Co-occurrence Histogramms,SCCH),该方法采用符合人眼感知的HSV颜色空间,并对其进行非均匀量化,使其更加符合人类生理机制;SCCH算法强调颜色过渡区域的重要性,选取边缘点作为计算对象,同时利用颜色自相关直方图,减少计算量,大大提高了检测效率。     

一种针对于描述子的SIFT简化方法

由于目前的SIFT( scale invariant feature transform)特征提取算法具有较高的时间复杂度,不利于大规模的数据存储和搜索,提出一种简化的SIFT局部图像特征提取算法.改进的SIFT算法针对于描述子生成部分进行简化,将原算法中特征点描述子的矩形区域改为圆形区域,并将RANSAC(random sample consensus)算法应用于SIFT特征匹配中,有效地剔除错误匹配点.采用K.Mikolajczyk的衡量方法,即查全率和错误率进行评估.实验结果显示,算法在旋转、光照、视角变化等情况下都有很好的匹配效果,并且降低了时间复杂度.