基于主动漂移矫正的运动目标跟踪算法

针对传统的图像仿射配准(Affine image alignment, AIA)算法无法有效兼顾算法效率和鲁棒性的问题, 提出了一种快速鲁棒的新仿射配准算法---主动漂移矫正(Active drift correction, ADC)算法用于跟踪视频运动目标. 该算法的基本思想是: 通过引入一个漂移矫正项, 来改进传统算法的目标能量函数, 使算法具备抗漂移的能力, 从而提高算法的鲁棒性. 改进后的算法不需要传统算法中为增强鲁棒性而采用的许多复杂措施(如: 被动漂移矫正). 实验结果表明: 本文提出的算法简单、有效, 在不必牺牲算法效率和复杂度的条件下, 可以获得比传统算法更好的鲁棒性.     

西辽河流域上游赤峰地区的水文特征

介绍了赤峰地自然地理概况。在大量统计各水文测站及雨量站多年实测资料的基础上，分析了本地区的降水、蒸发、径流、泥沙、洪水等年内年际变化及地区分布规律；初步分析了泥沙的来源及对水利工程的影响。     

基于LOGHM的视频运动目标检测算法

针对原有3D OGHM视频运动检测算法在视频分辨率较高时效率偏低的问题,从参与计算的图像分辨率角度提出了一种改进思想,即：将OGHM计算限制在“潜在目标邻域”等对检测有重要作用的像素范围内进行,阻止其他非重要像素点参与OGHM计算,从而来提高3D OGHM的算法效率。提出了局部OGHM运动检测算法（LOGHM）,并深入分析了改进前后两种检测算法的效率特性,给出了确定“潜在目标邻域”的常用准则。试验结果表明,LOGHM不但有较高的计算效率,而且还有很好的抗干扰能力。     

一种基于灰度分割的调焦评价函数

提出一种新的基于灰度分割的调焦评价函数.该函数利用清晰图像的灰度变化比模糊图像频繁的原理,以待调焦区域灰度均值作为其变化中心,并以该中心进行分割,最终计算出灰度围绕中心的变化频度作为评价函数值.比较了该函数和其他评价函数的效果.实验证明,该函数满足调焦评价函数的要求,可以在实际工程中较好的应用.     

工程建设监理施工阶段的质量控制

工程建设监理的控制管理主要包括“质量控制、进度控制、投资控制”三大内容,三大内容中投资控制是基础,进度控制是条件,质量控制是核心,因此,工程建设监理在实施过程中要抓住这个核心。1质量控制的主要内容和依据(1)主要内容。建设监理施工阶段质量控制概括起来说就是对施工过     

基于正交高斯赫密特矩的车辆检测算法

针对交通场景下多部车辆的情况,提出了一种基于正交高斯赫密特矩的车辆检测算法.该方法利用正交高斯赫密特矩完成运动车辆检测,并结合车辆检测结果进行边缘检测,采用Ostu自动选取分割阈值,获得细化目标边缘图.实验结果表明,该方法能够从复杂的交通场景下有效检测出运动车辆并进行跟踪,且算法实时性好.     

一种新的水平集进化模型

针对目前图像分割领域许多水平集进化模型需要不断重新初始化水平集函数,或需要图像的梯度信息来约束进化的问题,提出了一种带距离约束项的基于亮度信息的水平集进化模型IMDC(intensity-based model with distance constraint).该模型引入一个距离约束项作为内部能量来保证水平集函数始终不偏离符号距离函数(SDF),避免了进化过程中对水平集函数的不断初始化.同时,借鉴C-v模型的基本思想,采用图像的亮度信息而非梯度来构造模型的外部能量项,确保了零水平集曲线稳定地收敛于期望的图像特征点(如目标轮廓点).实验结果表明,本文提出的模型不仅有效地克服了传统模型需重新初始化或无法应对弱边缘特征这两大问题,而且具备全局最优分割的能力和较强的抗噪性能.     

基于3D OGHM的视频运动目标检测算法

本文提出了一种新的视频运动目标检测算法.该算法联合了视频序列图像特有的时、空特性,采用3D Gassian-Hermite正交矩法(3D OGHM,3D Orthogonal Gassian-Hermite Moments)进行视频序列中的运动目标检测.并对提出的算法进行了深入的分析和优化,给出了3D OGHM算法的具体实现步骤.实验结果表明:算法能够从复杂场景的视频序列中有效地检测出运动目标;与同类算法相比,不仅有更好的抗噪性能,而且能更有效地增强运动目标信息,且具有较强的鲁棒性和实时性.     

基于水平集分割的3DOGHM检测算法

针对帧间差分检测运动区域抗噪性差、某些部位无法完全恢复、所提取的运动目标容易产生空洞的问题,提出一种基于水平集分割的3DOGHM运动目标检测算法,在3DOGHM分离运动区域及背景的基础上,采用一种改进的水平集进化模型进行运动目标分割。实验结果表明,该算法抗干扰能力强,可以更准确、完整地检测出运动目标。     

一种新的掌纹特征提取方法研究

提出一种基于Gabor小波和改进的广义K-L变换的掌纹识别方法。该方法首先对测试样本的掌纹ROI灰度图像进行Gabor小波变换,得到其Gabor特征向量,然后利用改进的广义K-L变换方法将高维特征向量变换到低维空间,最后将得到的低维特征向量利用欧氏距离法与训练样本库中的特征向量作匹配识别。该方法首次将基于时频变换的特征提取算法与基于子空间的特征提取算法结合起来,既充分利用了Gabor函数优良的特征提取性能,又有效解决了高维特征的降维处理问题。通过使用自行采集的数据库对该方法作对比实验,获得了94%的识别率