RFID智能站点的研究与开发*

提出研发的RFID智能站点是一种射频标志边缘接入设备,具备射频标签读写、标签数据处理以及与后台应用交互三大功能.相比功能单一的标签阅读器,RFID智能站点能够按照预先设置将读取的标签数据进行加工处理并传输至后台应用;同时其内嵌了对EPC中间件的支持,能够与其他RFID智能设备以及外部应用互连.     

基于B 样条Snake模型的人体运动跟踪方法研究*

提出了一种基于B-样条曲线Snake模型的新的人体运动跟踪方法.Snake算法是通过最小能量来逼近物体的轮廓.采用改进的B-样条曲线Snake模型,每一帧图像中的目标轮廓用三次样条曲线准确地表示,使Snake模型更加稳定和具有较快的收敛速度.计算相邻帧之间的差分图像,通过利用一种基于统计关系双阈值分割方法,有效地检测出图像中运动人体,初步确定目标在每帧图像中的粗略位置.把从上一帧图像中得到的目标轮廓置于该位置,作为B-样条曲线Snake算法中轮廓提取的初始值,经运算后可得到对人体目标的准确分割与跟踪.     

点模型的面元简化方法

为有效地简化稠密采样点模型,提出了一种基于面元（surfel）重建的点模型简化方法。该算法首先对每个采样点面元的初始半径进行估算,并同时根据曲率的变化确定每个面元的简化权值;然后采用surfel合并的方法来聚合、减少surfel图元的数量,按照计算的surfel权值,确定surfel合并的顺序,合并并重建成一个新的surfel,合并过程中判断误差是否满足要求,满足则合并成功。如此迭代,直到surfel合并引起的误差达到阈值或surfel权值达到某个给定值。实验结果表明该算法能有效减少稠密采样点模型的点数,且在相同误差控制下简化率高于一般的基于纯采样点的简化算法;同时,简化模型能很好地保持原始模型的几何形状,防止简化后表面空洞现象的产生。     

基于曲率流的点模型编辑方法*

为了对点模型表面进行保细节的自由形状编辑,提出了一种基于曲率流的点模型形状编辑方法。该方法定义了基于平均曲率流的光顺算子,通过此光顺算子获得点模型不同光滑程度的曲面表示。运用对应曲面上点之间的向量差进行相应几何细节的抽取,在相邻的曲面表示之间将几何细节剥离出来。用户可以在不同的曲面上进行自由形状编辑,而无须关心几何细节。在变形后的曲面上再将相应的几何细节映射回去,实现对模型保细节的变形。实验结果表明该方法是一种有效的点模型造型算法,在变形的同时,有效地保持了模型表面的细节特征。     

一种快速的视频序列运动分割方法

提出一种视频序列运动分割的实时方法,该方法通过两次背景更新提取运动前景,其中长程背景更新检测噪声运动区域,并将长时间停留在场景中的物体纳入背景范围,短程背景更新利用单高斯分布模型实现对光线缓慢变化的适应。采用基于颜色空间的方法实现对阴影的消除,通过投影分割提取出不同的运动目标。试验证明该方法能够快速、精确地实现视频序列中多个运动目标的分割,消除背景噪声运动、目标阴影以及场景变化的影响。     

基于遗传算法的远程教学组卷系统

远程教学系统的设计是远程教育系统的核心组成部分.本文对旨在提高学生的认知学习能力的远程教学系统的设计进行了探讨,并重点研究了系统中测试题的组织这一关键性的问题,建立了相应的数学模型,给出了用遗传算法解决此问题的新方法,提高了系统的运行性能和效果.     

均值漂移在背景像素模态检测中的应用

自适应背景更新是视频序列运动分割中的重要步骤,而背景像素分布的不规律性是对背景进行更新的困难所在.本文首先对背景像素值分布的模态性特点进行描述,然后提出采用均值漂移(Mean Shift)方法检测背景像素的模态数量,从而为背景建模提供依据,可以针对不同模态数量的背景像素采用不同的建模方法.这种基于背景像素模态分类的方法能够实现背景更新在精度和速度上的折中.     

视觉图像三维重构计算一般性框架研究

三维实体数字图像重构建模是当前计算机视觉研究领域的热点课题,涉及到相机标定、对应点匹配和三维重构计算等关键技术.本文回顾了三维重构建模的研究现状,分析了现有理论和方法在实际应用中存在的问题;在此基础上进行了相关研究,总结出了三维重构计算的一般性框架,提出了一些研究观点和方法,并探讨了三维重构技术的难点和发展趋势.     

视频图像理解在客流统计中的应用

视频图像理解侧重于对时间序列进行分析,既涉及到图像的空间特性,也涉及到视频序列的时间特性,是目前计算机视觉领域的一个研究热点,而客流统计是视频图像理解的一个重要应用.提出了视频图像理解的层次结构,即视频图像分割、目标识别、场景和行为理解,同时对每个层次的操作对象、任务和技术领域进行描述,然后总结了客流统计方法的一些研究成果,将客流统计分成行人计数和人群密度估计两种问题,并利用该层次结构解决这个实际应用.     

视频图像理解的一般性框架研究*

视频图像理解侧重于对视频序列进行解释,既涉及到图像的空间特性,也涉及到视频序列的时间特性,是目前计算机视觉领域的一个研究热点。回顾了视频图像理解方法的研究现状,提出视频图像理解的一般性框架,包括层次结构、涉及的技术领域和应用的系统结构,并以一个实际应用作为示例解释该框架的层次结构。