L1-L2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。     

GF-1 WFV 影像的中小流域洪涝淹没水深监测

针对目前水深监测仍主要依赖Landsat、SPOT等国外遥感卫星的问题,提出采用国产高分一号(GF-1)卫星16 m分辨率WFV影像进行洪涝淹没水深监测。通过以中小流域为研究区,采取RS和GIS结合的水深测算方法计算淹没水深：在利用RS影像提取淹没范围的基础上,运用GIS方法由水面高程和地面高程之差计算得出淹没水深的空间分布。结果表明,GF-1卫星作为新兴的国产遥感数据源,凭借空间分辨率高和回访周期短的优势,可帮助摆脱对国外卫星遥感数据的依赖;GF-1卫星WFV 影像提取水体精度较高,能广泛应用于中小流域洪,涝灾害监测;RS和GIS结合的洪涝淹没水深监测算法简单易行,可快速计算在淹没范围已知情况下的水深。相关结果可为洪涝灾害监测与评估提供信息依据。     

怎样撰写水利科技论文

随着科学技术的飞速发展,科技工作与社会各方面的联系日趋密切,有的科技项目(特别是水利系统的大中型水利工程)已不是一个人或几个人所能承担的,不同的领域(水、电、通讯、建筑、计算机硬软件等)不同的人进行着不同的研究,这就需要彼此联系、交流、借鉴、渗透,而这种联系、交流主要是通过各专业的广大水利科技工作者以发表论文的     

无人机视频的分层表达与实时压缩

为克服无人机视频应用中计算能力和传输带宽的限制,提出一种视频分层表达方法,实现快速、高质量、灵活的视频编码.将无人机视频分为背景层和目标层,并分别采用基于全局运动估计和基于局部块匹配的方法进行压缩,压缩后的码流可以根据实际的网络情况和应用需求进行单独传输或组合传输.实验结果表明:在极低码率如50 kbit/s时,H.264的PSNR低于28 d B,且图像主观质量超出可接受范围,而采用分层表达中的背景层压缩,可以在保证PSNR在28 d B以上,且图像细节清晰、主观质量较高;在码率较高时,采用背景层和目标层结合,在同等码率条件下,目标的细节比H.264更清晰;整个压缩过程消耗的时间只有H.264的18%.本文方法在不降低视频质量的同时提高了压缩效率,且码流具备灵活性,适用于低延时、低带宽、复杂的无人机应用.     

基于仿射模型的无人机视频实时压缩算法

在现有算法无法满足无人机视频实时压缩传输需求的应用背景下,该文提出一种新的低复杂度无人机(Unmanned Aerial Vehicle, UAV)视频实时压缩算法,利用无人机视频的背景平面性、运动一致性等特点,建立仿射模型描述视频的全局运动,并根据模型参数进行视频压缩。实验结果表明,与现有压缩算法H.264相比,该算法在保证压缩性能的前提下,大量减少了压缩时间,可满足大多数情况下无人机视频传输的质量要求和实时性要求。     

GF-1 WFV影像的中小流域洪涝淹没水深监测

针对目前水深监测仍主要依赖Landsat、SPOT等国外遥感卫星的问题,提出采用国产高分一号(GF-1)卫星16m分辨率WFV影像进行洪涝淹没水深监测。通过以中小流域为研究区,采取RS和GIS结合的水深测算方法计算淹没水深:在利用RS影像提取淹没范围的基础上,运用GIS方法由水面高程和地面高程之差计算得出淹没水深的空间分布。结果表明,GF-1卫星作为新兴的国产遥感数据源,凭借空间分辨率高和回访周期短的优势,可帮助摆脱对国外卫星遥感数据的依赖;GF-1卫星WFV影像提取水体精度较高,能广泛应用于中小流域洪涝灾害监测;RS和GIS结合的洪涝淹没水深监测算法简单易行,可快速计算在淹没范围已知情况下的水深。相关结果可为洪涝灾害监测与评估提供信息依据。     

一种基于运动信息描述的视频格式自适应方案

多媒体应用领域存在多种视频编码标准,因此实现不同视频格式之间的自适应转换具有重要意义.该文提出了一种新颖的基于运动信息描述的视频格式自适应解决方案.该方案利用作者前期提出的基于H.264/AVC标准的运动信息描述算法提取能够复用的详细完备的运动信息,根据需要快速生成不同视频编码格式、多种码率的码流;也可以利用此运动信息,指导不同视频格式码流之间的快速自适应转换.作为该方案的具体应用,文中提出了一种针对H.264/AVC标准和MPEG-2标准的视频自适应方法.实验结果表明,文中提出的基于运动信息描述的视频格式自适应解决方案不仅可以很好地保证编码性能,同时具有较低的计算复杂度.     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

在线低秩稀疏表示的鲁棒视觉跟踪

基于L₁最小化的鲁棒视觉跟踪算法（L₁跟踪算法）使用图像灰度值特征描述目标,忽略了模板间的结构信息,对目标外观变化的建模不够准确,导致跟踪准确度较低。而且L₁跟踪算法为了平衡跟踪速度和跟踪效果而采用分辨率较低的12×15图像块,难以获取足够的信息来表征目标。针对L₁跟踪算法的不足,该文提出一种在线低秩稀疏表示的视觉跟踪算法。首先,该算法充分利用主成分分析（PCA）基向量对目标外观变化的表示能力并考虑目标遮挡现象,以PCA基向量模板描述目标外观变化,以琐碎模板处理遮挡等异常噪声,从而将候选目标表示为PCA基模板和琐碎模板的线性组合。其次在目标表示模型的优化问题中,对PCA基模板系数进行低秩约束和L_1,1范数正则化约束,对琐碎模板系数实施L_1,1范数约束,并采用非精确增广拉格朗日乘子（IALM）方法求解表示系数。然后在粒子滤波框架下,用目标未被遮挡部分的重建误差和稀疏误差项建立观测模型跟踪目标。最后为了克服模型漂移问题,采用遮挡检测更新机制进行模板更新。在对8组视频图像序列进行测试的实验中,图像块分辨率设定为32×32,与4个现有的跟踪算法相比,该算法取得了最高的平均重叠率0.78和最低的平均中心误差4.05。实验结果表明,该文提出的跟踪算法具有较好的跟踪准确性和鲁棒性。     

土石坝渗流的自学习神经网络模型

通过对土石坝渗流的成因分析，应用人工神经网络原理，并结合某土石坝的实测资料，建立了渗流自学习神经网络监控模型，给出了模型的输入、输出因子和模型结构。所提出的自学习神经元有正向传播信息、反向传播误差及学习的功能，是一个独立实体，由自学习神经元可方便地构成自学习BP网络。所建立的渗流监控模型不仅可用于大坝渗流分析，同时可以用于监视大坝的安全运行和预报。从模型的计算结果看，计算值与实测值基本重合，所建模型是有效的。