基于半监督距离学习的运动相似性度量算法

人体运动捕获技术的发展使得运动捕获数据不断积累,人体运动的检索技术成为运动数据管理和重用过程中的关键环节。由于逻辑相似的运动在数值上并不一定相似,使用欧式距离度量2个运动间的逻辑相似性难以取得理想的结果。为此,提出一种半监督的距离度量学习算法,利用带标记的运动和未标记运动进行训练以得到运动间的马氏距离度量,从而判断2个运动之间的逻辑相似性,实现运动检索。实验结果表明,与现有的大部分检索算法相比,该算法能够得到更高的查询精度,且没有任何人工干预,可应用于自动检索领域。     

基于MultiLayer水平集的脑MRI图像分割框架

提出了一种新的自动初始化水平集的方法和基于MultiLayer水平集的活动轮廓模型。该模型同时进行偏移场去除和图像分割,因此可以有效地克服灰度不均匀性的影响。最后利用了大脑皮层的距离信息,在框架中增加了厚度约束项。实验结果显示,相比著名的LBF模型,该框架不但可以获得更高的分割精度,而且分割时间也大大减少。     

自适应有源噪声控制的滤波-LMAD算法

本文研究了稳定非高斯环境下的自适应有源噪声控制问题，提出了滤波－ＬＭＡＤ（ｌｅａｓｔｍｅａｎａｂｓｏｌｕｔｅｄｅｖｉａｔｉｏｎ）算法及归一化滤波－ＬＭＡＤ算法，仿真结果表明，与常用的滤波－ＬＭＳ算法和归－化滤波－ＬＭＳ算法相比，本文提出了算法收敛速度更快。     

误差通道建模误差对多误差LMS算法性能的影响

本文证明了，在多通道自适应宽带有源噪声控制中，由于误差通道建模误差的存在，多误差LMS算法是条件收敛的，并推导了保证算法收敛的条件，还证明了，算法收敛后，得到自适应滤波器权值一般只是理论上最优值的有偏估计，计算机仿真结果验证了所得结论．     

关于PIFS多分辨率特性的一个补充定理

虽然多分辨率分形解码策略是根据ＰＩＦＳ（ＰａｒｔｉｔｉｏｎｅｄＩｔｅｒａｔｅｄＦｕｎｃｔｉｏｎＳｙｓｔｅｍ）不动点在一定条件下的多分辨率特性提出的,但其优越性仍缺乏理论保证．本文从理论上证明了,在进行分形图像解码时,采用多分辨率策略先进行ｋ次低分辨率迭代再进行分辨率提升所得结果与直接进行ｋ＋１次高分辨率迭代所得结果是相同的,从而为这种策略提供了完备的理论依据,从理论上保证了,与直接迭代解码方法相比,采用多分辨率解码方法能在不损失重建图像质量的前提下大大减少计算开销,因为绝大多数迭代是在低分辨率图像上进行的．     

一种相关证据合成方法

提出了一种新的模型来表示证据保相关性的起源,其中两个相关证据被认为由一个独立源证据分别与两个相关源证据通过正交和合成得到。相关证据的合成可以归结为这三个源证据的正交和,为此首先要由相关证据和独立源证据辨识汀关源证据,这是语气理论中的反问题,给出了基于梯度的下降的辩识算法。从理论上证明了,即使辨识结果不唯一,合成结果是的唯一的,并针对一特殊情况,证明了辨识结果是唯一的。     

基于核函数的活动轮廓模型

为了改善活动轮廓模型的分割精度和效率,提出一种基于核函数的活动轮廓模型.该模型采用鲁棒的非欧氏距离度量构造能量泛函,提高了模型的分割精度;使用指数类型的核特征函数来提升收敛速度;最后在模型中还加入了水平集正则项,以避免水平集的重新初始化.实验结果表明,文中模型在分割精度和分割效率上都要强于Chan-Vese模型.     

基于分块主成分分析的人体运动合成

在高维运动数据处理中,传统降维方法过度关注于保护拓扑结构和重构信息,导致低维子空间参数具有不可理解性。针对该问题,提出一种基于分块主成分分析的运动合成方法。对根据人体骨骼结构特点分组的运动数据进行分块主成分分析,获得具有特定语义的低维子空间参数。以跳跃运动为例进行实验,结果表明,该方法通过直观地改变具有语义的运动参数,可实时合成满足要求的运动结果。     

结合颜色与纹理的JPEG图像快速分割

图割方法是图像分割中的有效方法,为改善JPEG图像的分割效果,提高分割效率,提出将图割理论与JPEG图像的DCT系数相结合的方法.该方法以基于图割理论的GrabCut算法为基础,采用其交互简单的特点,为克服GrabCut算法基于全部像素迭代估计参数而导致算法效率低下,对高分辨率JPEG图像分割实时性差的不足,利用JPEG图像中的DC系数生成DC图像(低频图像)作为迭代估计GMM参数的样本点,缩小问题处理的规模,提高分割效率,提取水平、垂直、对角方向的AC系数作为纹理特征,颜色与纹理相结合,改善分割效果.实验结果表明,分割效果得到了改善,算法效率得到了显著提高.     

基于主曲线的微阵列数据分类

提出了一种基于主曲线(principal curves)的微阵列数据分类方法(PC)。主曲线是第一主成分的非线性推广,它是数据集合的“骨架”,数据集合是主曲线的“云”。基于主曲线的微阵列数据分类方法,首先利用专门设计的算法在训练数据集上计算出每类样本的主曲线,然后根据测试样本与各类样本主曲线距离的期望方差来确定测试样本所属的类别。实验结果表明,该分类方法在进行小样本微阵列数据分类时性能优于现有的方法。