家庭数码照片管理领域的本体建模研究*

数码相机的迅速普及对照片管理技术提出了严峻的挑战,传统的基于文本关键字的标注和检索系统已不能满足人们的需求。因此,基于语义的图像检索技术正在快速兴起,但语义知识的组织和表达问题始终未能得到有效解决。针对上述问题,提出了一种新的基于领域本体的照片管理方法。该方法的关键技术是对照片管理领域进行本体建模。实验表明了该方法的有效性。     

基于QP_TR信任域的序列图像目标跟踪

本文将信任域算法和尺度空间理论相结合，提出了一种能够精确描述目标尺寸连续变化的新的序列图像目标跟踪算法；将信任域算法与灰度模板相结合，提出了一种新的实时目标跟踪算法。在第一种算法中，首先将序列图像按照颜色直方图转换成目标概率分布图，目标区域在概率分布图中呈现为灰度块。然后通过检测该图在尺度空间中微分滤波器输出的极值，来决定这些灰度块的尺度。最后我们使用QP_TR信任域算法在尺度空间里和图像平面内快速搜索概率分布图的多尺度规范化Laplacian滤波函数极值，实现了目标定位并同时决定了其尺度，从而完成了跟踪任务。在第二种算法中，首先记录目标初始模板，在随后每一帧中应用OP_TR信任域算法搜索与该模板最相似的区域，实现目标定位。和现有算法的比较以及在大量真实序列图像上的实验表明，两种算法分别在目标大小描述，跟踪精度上以及运算速度上有了显著提高。     

基于动态能量特征的步态识别方法

步态是生物特征识别领域的一个新兴热点,它有三大优势:远距离识别、非侵犯性和难于隐藏.本文提出一种新的基于动态能量特征的步态识别算法.首先对输入的步态序列进行背景建模;然后分割出图像中运动人体的二值侧影;再从侧影序列中提取出步态的动态能量特征矩阵;最后用标准的模式分类技术对个体的身份做出识别.实验结果表明,该方法不仅简单、易操作,而且在UCSD和CMU数据集上均获得90%以上的高识别率.     

基于神经网络的快速核子空间人脸识别算法研究

针对现有核子空间人脸识别算法计算量大且速度缓慢的现状,提出了一种基于神经网络的快速核子空间人脸识别算法模型,利用神经网络的隐含层神经元将核特征子空间的基表示进行约减,从而大幅提高了识别速度。进而基于KPCA和KFDA两种核子空间人脸识别算法,建立了神经网络逼近模型,并基于ORL、UMIST和YALE 3种人脸数据库进行了实证分析。实验结果表明,当隐含层神经元个数设置为训练样本总数一半或更少时,基于神经网络的快速核子空间算法能够取得相近甚至相当于核子空间算法的识别率。从而在满足一定识别正确率的条件下,能将识别时间缩短到50%甚至更低。     

一种基于方向性信息测度和IHS变换的图像融合新方法

提出了一种基于图像方向性信息测度和IHS变换的图像融合新方法。该方法首先根据不同邻域尺度下图像方向性信息测度的变化规律．检测出SAR图像象素中的边缘点和纹理点。然后，对TM图像的5、4、3波段(即红、绿、蓝波段)进行IHS变换得到亮度图像Ⅰ。进而根据SAR图像象素分类情况将其和Ⅰ图像进行线性加权融合，其中边界象素和纹理象素的权值比平滑象素大。最后通过IHS反变换，得到完整的融合结果。实验结果表明，与传统的IHS融合方法和基于直方图匹配的IHS融合方法相比，该新方法在保持TM光谱信息和抗噪声能力方面具有明显优势。     

本体推理在智能照片管理系统中的应用

现有的照片管理系统缺乏自动语义推理和扩展功能。为此,提出一种基于本体的智能照片管理系统。该系统以FamilyAlbum本体模型为知识框架,对照片进行多源信息的语义标注,并利用SWRL规则对系统中现有的语义标注进行自动推理,从而扩展出新的语义信息,为照片的智能管理提供有效支持。通过OntoAlbum原型系统的实现,验证了该方法的有效性。     

不确定性数据上频繁项集挖掘的预处理方法

传统频繁项集挖掘技术无法高效获取不确定性数据中有价值的信息。通过研究频繁模式增长树的算法原理,根据不确定性数据的特点提出了一种有效的不确定性数据预处理方法PCAFP-Growth。利用主成分分析的方法进行数据的降维,并使用模糊关联分析法将数据概率进行分类,实现数据剪枝。在理论研究基础上,通过实验对数据集进行了验证。结果表明,基于主成分分析法的剪枝策略在稠密数据集上能够有效提高运算速度,减少内存的使用。     

博弈选择模型在步态识别中的应用研究

基于信息融合理论的步态识别已成为生物特征识别领域最为活跃的研究方向之一。不同信源之间不仅有互补关系,也存在冗余和冲突。从特征选择的角度对这一问题进行研究,提出了基于博弈选择模型的融合方法。根据特征的冗余和冲突关系定义局中人和策略集;用信息熵和互信息构建支付函数,并计算出模型的支付矩阵;再利用极大化极小原理求解博弈均衡点,从而得到最佳策略组合。使用模型选出的最佳策略进行步态融合,以得到较高的识别和校验性能。通过在CMU和CASIA数据集上的穷举组合对比实验,验证了所提方法的有效性,并且该方法可在运算量较小的情况下取得最佳识别性能。     

基于数据挖掘技术的在线学习行为研究综述

随着互联网 教育技术的快速发展,慕课已成为当下最新、最潮的学习形式。由于在线学习平台积累了大量学习行为数据,传统统计分析方法已无法满足应用需求,使得数据挖掘技术被引入在线学习行为的研究,从而涌现出大量的研究成果。为了深入分析在线学习行为研究中数据挖掘技术的整体应用情况,本文首先从国内外公认的Web of Science数据库收集2008年至2017年3月相关文献进行了统计和可视化分析;然后介绍了利用数据挖掘技术进行在线学习行为研究的一般流程;接着将数据挖掘技术在在线学习行为研究中的应用总结归纳为五类,并详细介绍了相关研究成果及代表文献;最后总结全文,并讨论了未来可能的研究方向。