基于时空的弱点状运动目标检测技术

如何在复杂背景下持续有效地检测目标位置,一直是研究者们需要面对的主要挑战。本文在研究红外点状移动目标特征的基础上,根据目标无纹理,无形状的特性,提出一种改进的形态学目标增强算法,并利用目标连续时空不变性检测目标。首先,建立多尺度的图像金字塔,在每层上采用改进的形态学算法快速、粗糙定位小目标。然后进一步的根据目标在时空上的位置相关性,提出基于目标运动特征分析的精确检测方法。得到精确稳定的检测结果。最后实验结果表明与经典的形态学检测算法及其他算法相比,该技术能更有效地检测弱小目标,具有更高的鲁棒性。     

基于基线邻域Harris角点膨胀的维吾尔图像文字区域检测

针对序列图像中的维吾尔文字区域检测问题,提出了一种Harris角点和基线特征相结合的有效方法:首先,将输入的彩色图像灰度化,然后对图像进行Harris角点检测,根据角点分布进一步确定文字基线位置,再对基线位置上的角点进行形态学膨胀操作,最终实现了文本区域的定位。在较大规模的序列图像情况下进行了文本区域检测试验,给出了实验结果与同类算法的对比分析,论证了本算法的有效性和可行性。     

基于信息熵和Gabor滤波器的图像检索

采用颜色和纹理的多特征提取,将图像按照一定的规则进行分块,对各个分块分别进行各种特征向量的提取.采用HSV颜色空间把颜色特征量化到72个颜色空间得到72柄的一维直方图,计算图像信息熵;纹理特征采用Gabor滤波器.该种分块方法能够很好的利用图像内容的空间信息,综合颜色和纹理特征能够有效地提高查全率和差准率.     

小波域分存和软判决恢复的隐藏技术

研究了一种把小波变换和可视密码技术相结合的信息隐藏方案,实现对灰度图像的信息隐藏。该方案把经过Arnold变换处理后的秘密信息,按照k阶线性方程求解理论产生n幅分享图片,再把n幅分享图片应用离散小波变换信息隐藏理论,分存到n幅公开图片中。提取秘密图片时,必须要大于k幅公开图片才能获得秘密图片。实验结果表明,该方案具有很强的鲁棒性,而且秘密信息不容易丢失。     

语义词特征提取及其在维吾尔文文本分类中的应用

基于机器学习的文本分类中,维吾尔文传统分词方法表现出非常明显的不足和局限性。该文使用另外一种维吾尔文自动分词方法dme-TS。dme-TS中,不再以词间空格作为切分标记提取词特征,而是用一种组合统计量(dme)来度量文本中相邻单词之间的关联程度,并以dme度量的弱关联的词间位置作为切分点,提取对学习算法真正有意义的语义词特征。实验结果表明,用dme-TS提取文本特征可以降低特征空间的维度,同时也能有效的提高传统以单词为特征的分类算法的性能。     

基于线性预测能量谱系数的自然语音和耳语音的分类研究

在进行语音识别之前对自然语音和耳语音进行预分类，再分别放入各自的识别系统，可以提高耳语语音识别系统的识别性能。基于此，文中提出一个新的特征线性预测能量谱系数（LPESC），在该特征的提取过程中，对提取到的频谱图进行切分，以便获取到更多的语音信息，并将其用于耳语音分类。此外，还特别设计4种不同的滤波器组，并将提取到的特征应用于7个分类器上。实验结果表明，密集的均匀三角滤波器组更加适合提取该特征，在7种传统分类器上均有较好的分类效果，其中SVM分类效果最好。最后，对比LPESC与传统特征（39维的LFCC和MFCC）在7种分类器上的分类效果，验证新特征的有效性。实验还发现，女生的耳语音有更好的分类效果。     

基于深度学习的实体关系抽取方法研究

常用的神经网络，如卷积神经网络(CNN)和循环神经网络(RNN),在关系抽取任务中都表现出了很不错的效果。然而，卷积神经网络擅长捕获局部特征，但不太适合处理序列特征；传统的循环神经网络虽然可以有效提取长距离词之间的特征，但容易出现梯度消失或梯度爆炸问题。针对这些问题，提出了一种结合BiLSTM-CNN-Attention的混合神经网络模型。BiLSTM和CNN的结合使它们优劣互补，而Attention的引入能够突出实体间关系词在整个句子中的重要性。并且，在词嵌入层使用拼接词向量，克服了词向量单一表示的问题。实验结果表明，相比word2vec词向量，拼接词向量能够获取语义更丰富的词向量，使词向量的健壮性更强。与BiLSTM-CNN、CNN-Attention和BiLSTM-Attention模型相比，BiLSTM-CNN-Attention混合模型的准确率和F1值都有所提升。