运用特征点匹配的柱面全景图像快速拼接算法

针对大幅面图像的拼接问题,提出了一种新的基于特征点的柱面全景图像快速拼接算法。该算法在Harris角检测算法提取特征点的基础之上,针对传统RANSAC（random sampling consensus）算法在提纯匹配点时计算极其复杂,难以实现快速拼接的问题,设计了专门的聚类预筛选的方法进行图像特征点的预匹配,显著提高了特征点匹配的效率;在图像融合部分提出了最佳路径与HSI颜色空间的亮度权重函数相结合的算法,既有效消除了拼接图像中的鬼影现象,又使拼接图像达到了平滑融合效果。实验结果表明,该算法具有匹配精度高、鲁棒性强、计算效率高的特点。     

一种基于极坐标变换的点模式匹配算法

点模式匹配是目标识别、图像配准与匹配、姿态估计等计算机视觉与模式识别应用方向的基础问题之一。提出了一种新的利用点特征进行匹配的算法,该算法根据点集的分布与点位置信息,构建了点的特征属性图,通过极坐标变换得到对数极坐标的特征图,并利用几何不变矩方法对特征图进行描述。由特征描述向量的比较,获得粗匹配结果,然后通过几何约束迭代的方法获取最终的点集匹配结果。本文贡献如下:一,构建了一种点的极坐标变换特征,并运用不变矩进行描述,使所提特征具有旋转与平移的不变性;二,提出了利用点特征与整体点集几何约束结合的匹配算法,能有效克服出格点与噪声带来的不利影响。最终实验说明了算法的有效性和鲁棒性。     

基于B/S结构的文化遗产虚拟游览系统的构建

本文对基于B/S结构的文化遗产虚拟游览系统进行研究,提出了虚拟游览系统的构架,实现了对文化遗产大幅面图像和全景图像的浏览控制功能,使用户可以与系统实现互动,达到对文化遗产图像不同视角和分辨率进行浏览的目的,增强浏览的真实感,对宣传文化遗产、吸引游客、促进旅游业发展具有重要的现实意义.     

基于成分金字塔匹配的对象分类方法

提出基于成分金字塔匹配(component pyramid matching, CPM)的图像表示方法,将图像块按照颜色进行分层,在每一层中通过优化的方式选取几种颜色的图像块作为当前层次图像的前景成分,其余颜色的图形块作为图像的背景成分。前景成分对应对象的某些区域,能够为图像表示提供弱语义信息。然后,利用相似的颜色选择方法,对每一层背景成分进行再次划分,将其分为下一层前景成分和背景成分两部分。最后将这些成分所表示的直方图连接起来作为图像表示用于分类。试验采用Soccer、Flower17和Flower102 3个图像集进行测评,试验结果表明提出的算法能够得到比较好的分类结果。     

监狱与社会帮教部门的信息共享研究

随着科学技术的进步,我国互联网络、计算机技术日益变迁,信息网络在我国各个社会、经济领域中普遍应用。在此背景下,信息化成为我国社会生活、经济建设、国家事务等领域管理的重要手段、工具。文章主要结合目前监狱管理现状,探究监狱与社会帮教部门的信息共享体系构建的必要性,并在此基础上,为信息共享体系构建提供合理建议。     

监所网络舆情调查问卷的量性评价

目的评价监所网络舆情调查问卷编制的质量,提炼出结构清晰、质量可靠的调查问卷,为后续调查问卷的科学设计提供参考。方法以河北省某监狱网络舆情调查问卷（18个题项）为测评标尺,对500监所工作人员进行问卷调查,采用探索性分析、信度分析和效度分析等评价。结果收回有效问卷488份（97．60％）,本问卷获得真实分数的能力为97．70％（即克朗巴哈信度系数Or．=0．975）,内容效度高,结构效度清晰,结论现阶段监所网络舆情调查问卷的内容和结构为后续的监所网络舆情调查提供了科学依据。     

强化大学生网络安全意识的研究

大学生是国家培养的高级专业人才，是社会的特殊群体，在面对社会新兴快速发展的网络时代，大学生不仅需要掌握计算杌技术，更应该注重网络安全意识的培养。而在网络这个信息接收、传输、共享的虚拟平台，资源共享和大量的信息流通，从而导致在便利的同时安全问题日显突出。本文通过问卷调查的形式，发现大学生网络安全意识的薄弱之处，并提出一些相关的建议及措施。     

监所网络舆情应对策略研究

及时有效地处理监所网络舆情危机是监狱工作在当前迫切需要解决的问题。本文在分析网络舆情的主要特征的基础上．对监狱在处理网络舆情危机方面存在的问题进行了分析,提出了应对监所网络舆情危机的策略：增强监所网络监管和执法队伍建设,建立健全监所网络舆情应对和防范机制,改进网络技术方法,利用政府网络媒体积极引导监所网络舆情,注重研究应对网络舆情危机的方法和技巧,妥善解决监所网络舆情危机善后事宜。     

基于潜在组分配及对比学习增强的符号二值图神经网络

针对符号二值网络的节点异质性及三角形形式平衡理论不适用性的问题,提出一种基于潜在类分配及对比学习增强的符号二值图神经网络模型,其通过同质和异质双空间的互相补充来充分提取网络的隐式和显式信息。在同质空间,采用可学习的潜在组对节点进行分配并将节点看做多个潜在组的组合,然后通过训练来自动挖掘节点间的信息。在异质空间,对节点邻居进行有方向区分的注意力聚合,然后采用网络重建的互信息对比学习来引导聚合过程以获得表达能力更强的表示向量。在符号链接预测任务上与多种相关模型进行对比实验,实验结果显示所提出的模型在四个真实数据集上采用四种评价指标获取的16个评价结果中,12个评价结果可以取得最优值,验证了所提出模型的有效性。