面向局部光照突变的时间和空间中心对称局部二值模式算子

针对现有背景建模方法对局部光照突变非常敏感的问题,提出了一种新的时间和空间中心对称局部二值模式(TSCS-LBP)算子,并基于该算子的直方图设计了一种背景建模方法。TSCS-LBP算子在中心对称局部二值模式(CS-LBP)算子的基础上加入时域信息和中心像素信息,并引入有光照因子的自适应阈值,从而在保持较低计算复杂度的基础上,具有能够快速适应光照突变的能力。在此基础之上设计的背景建模方法,能够在常用实验场景中较为准确地检测出前景,有较高的抗噪性和检测精度;同时在有局部光照突变的特殊场景中也有很好的适应能力,与已有方法相比有较高的优越性。实验结果表明了本文方法的有效性和鲁棒性。     

适应光照突变的运动目标检测算法

针对光照突然变化条件下的运动目标检测存在的问题,提出一种基于局部二值模式(LBP)的背景建模算法.首先分别计算背景帧和当前帧的LBP纹理特征图,然后将其对应像素进行异或运算,得到的当前像素作为前景的概率,并根据该概率自适应地更新背景,可以使其很快接近真实背景,再用背景减除法得到目标.实验结果表明,文中算法能有效地处理光照的突然变化,背景更新速度快,检测出的目标接近真实目标.     

基于颜色梯度融合高斯模型的光照突变干扰消除

光照突变对图像处理中的图像检测与识别具有重要影响。在分析光照干扰的突变特性基础上,提出一种基于颜色梯度融合高斯模型的光照突变干扰消除方法。首先通过在传统的高斯图像模型中加入颜色突变梯度融合算子,对传统的模型进行合理的优化,尝试性地消除光照突变对模型稳定性的影响;然后利用背景梯度分布获取的梯度矢量概率对背景区域进行合理的区分。后期的计算机仿真实验结果表明:优化后的模型对于消除图像在光照突变环境下的干扰效果较好,实验数据也支持了这一观点。     

光照突变环境下运动目标检测方法研究

针对在传统目标检测中,对于光照突变环境处理能力较低的问题,提出一种结合混合高斯背景建模和三帧差分法的方法。该方法在混合高斯背景建模的基础上,采用统计法,判断是否有光照变化,对待光照突变环境中的目标检测,采用三帧差分法。同时,将检测区域分为静态区域与动态区域,对静态区域实行隔帧检测,减少程序计算量。实验结果表明,该方法能够很好地对光照突变环境下的运动目标进行检测。     

一种算子操作概率的自适应策略

在分析传统遗传算法易发生早熟收敛的基础上，本文提出了一种改进算法IGA。IGA采用一种新的交叉率变异率自适应变化的策略，防止在进化初期种群不发生变化造成算法早熟。数值计算结果表明，利用改进策略的IGA搜索整体性较强，可以有效地避免早熟现象产生，提高全局优化能力。     

一种光照不均匀图像的二值化方法

在图像处理与分析中,二值化方法能把特征或目标从图像中分割出来,以便识别。在实际拍摄的图像中,图像光照不均匀使得图像二值化阈值确定困难。针对一类光照不均匀图像的二值化问题,提出一种单列处理及改进OSTU的二值化方法,通过分析该类图像上不均匀光照的分布特点,首先应用单列二值化处理方案,在省去专门光照均匀化处理步骤的同时,解决统一阈值二值化方法所造成的信息丢失问题。在逐列二值化处理过程中,首先采用传统OSTU方法获取图像各列的初始二值化阈值,然后根据各列的光照强度计算出该列二值化阈值的自适应微调量,实现对初始二值化阈值的优化。一组缺陷钢坯图片处理结果证实了所述方法的有效性。     

一种光照不变人脸识别的预处理算法

提出了一种新的光照不变人脸识别的图像预处理算法称为分段局部归一化方法(SLN)。其思想是对图像像素分段,使得每段中各像素对应的物体表面点具有相近的表面法向量分布,因而对光源具有相似的灰度响应,然后局部归一化在各段中进行以削弱光照影响。该算法首先建立物体的朗伯(Lambert)表面反射模型,用奇异值分解方法估计出人脸形状的平均表面法向量分布矩阵,根据法向量方向利用聚类算法对像素进行分段,然后在各段中进行局部的像素归一化处理,最后传统的人脸识别算法如PCA在归一化后的图像中进行。在Harvard和YaleB人脸图像库中的识别试验表明,该算法能有效地提高在非均匀光照条件下的人脸识别率。     

一种消除局部强光影响的跑道特征提取方法北大核心

针对因局部的强光干扰导致小型无人机降落时可能出现跑道图像特征提取失败,同时传统方法难以运用在小型嵌入式系统的问题,提出一种复杂度较低的消除局部强光影响的图像处理算法。通过Sobel边缘检测算子处理原始图像,再将处理后的图像与原始图像的像素点对应相除,与阈值分割方法处理后的原始图像相互叠加,得到抑制局部强光影响的跑道特征图像。仿真结果表明,在局部强光的条件下,与传统单尺度Retinex算法相比,上述方法对跑道特征的提取效果更好,同时算法运行效率提高40%左右。     

LTP与光照突变补偿结合的运动目标检测算法

针对现有运动目标检测算法在光照突变条件下鲁棒性不强、易发生误检等问题,提出了将LTP算子与光照突变补偿模型结合的运动目标检测算法。首先利用LTP算子获取当前帧与其背景图像的纹理特征图,然后计算当前帧图像像素点作为前景点的概率并依据概率自适应地更新背景,再判断图像是否发生光照突变补偿并采用线性模型补偿突变图像序列,最后利用背景减除法获取运动目标。实验结果表明本文算法在光照突变条件下对运动目标检测效果理想,检测精度指标PR高于同类其他算法,且具有良好的鲁棒性。     

一种光照模型的简化算法

本文给出了在微机上实现真实感图形显示的一种简化算法，提出一种对该算法所带来的误差进行补偿的方法．     

带有变异算子的自适应粒子群优化算法

提出了一种新的带有变异算子的自适应粒子群优化算法,该算法使用了一种新的自适应惯性权重,使得算法在迭代的早期快速进人局部搜索,并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱,对群体中的部分粒子采用新构造的变异运算作用,从而摆脱局部搜索的束缚,以实现全局搜索的性能。通过对六个例子的测试,表明这种改进的PSO算法的全局搜索能力和搜索成功率有较大提高。     

混合变异算子的自适应粒子群优化算法

针对惯性权重线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种非线性递减的惯性权重策略,使算法很快地进入局部搜索,并在算法中引入混合变异算子,克服算法易早熟收敛的缺陷。对几种典型函数的测试结果表明,本文算法的收敛速度和收敛精度都明显优于LDW算法。     

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进：在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。     

非线性复合邻域人脸光照补偿

变化的光照是提高人脸正确检测率的瓶颈,提出了非线性复合邻域光照补偿方法来解决人脸检测的光照问题。非线性复合邻域光照补偿方法用对数函数做为基函数,设置的平移系数和分界值系数可以同时对过亮和偏光的图像进行补偿,引入了邻域光照补偿公式解决了传统非线性方法不能针对同一灰度值像素在不同局部应该进行不同补偿的问题。实验结果表明,该方法对过暗和过亮的人脸图像都可以进行有效的光照补偿,熵比较优于传统非线性光照补偿、Gamma校正和直方图归一化。     

基于自适应变异算子的差分进化算法

针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。     

A directional mutation operator for differential evolution algorithms

Differential evolution (DE) is widely studied in the past decade. In its mutation operator, the random variations are derived from the difference of two randomly selected different individuals. Difference vector plays an important role in evolution. It is observed that the best fitness found so far by DE cannot be improved in every generation. In this article, a directional mutation operator is proposed. It attempts to recognize good variation directions and increase the number of generations having fitness improvement. The idea is to construct a pool of difference vectors calculated when fitness is improved at a generation. The difference vector pool will guide the mutation search in the next generation once only. The directional mutation operator can be applied into any DE mutation strategy. The purpose is to speed up the convergence of DE and improve its performance. The proposed method is evaluated experimentally on CEC 2005 test set with dimension 30 and on CEC 2008 test set with dimensions 100 and 1000. It is demonstrated that the proposed method can result in a larger number of generations having fitness improvement than classic DE. It is combined with eleven DE algorithms as examples of how to combine with other algorithms. After its incorporation, the performance of most of these DE algorithms is significantly improved. Moreover, simulation results show that the directional mutation operator is helpful for balancing the exploration and exploitation capacity of the tested DE algorithms. Furthermore, the directional mutation operator modifications can save computational time compared to the original algorithms. The proposed approach is compared with the proximity based mutation operator as both are claimed to be applicable to any DE mutation strategy. The directional mutation operator is shown to be better than the proximity based mutation operator on the five variants in the DE family. Finally, the applications of two real world engineering optimization problems verify the usefulness of the proposed method.     

照度场中M阵列符号图像阈值分割方法研究

针对不均匀性照度场的干扰问题,从M阵列符号源图像阈值分割出发,摒弃前期研究中惯用的固定阈值分割方法,提出了以某一点为中心的邻域亮度和阈值对应的分布关系构建成该符号源图像的阈值分布场的自适应阈值分割方法,由此能得出在该照度场中的符号图像的合理阈值.实验结果表明,新的阈值分割方法可进一步提高符号的识别效率,并为后期的三维拼接工作奠定了良好的基础.     

带变异算子的双种群粒子群优化算法

提出一种带变异算子的双种群粒子群算法,搜索在两个不同的子群中并行运行,分别使用不同的惯性权值,使得种群在全局和局部都有较好的搜索能力.通过子群重组实现种群间的信息交换.在算法中引入变异算子,产生局部最优解的邻域点,帮助惰性粒子逃离束缚,寻得更优解.对经典函数的测试结果表明,改进的算法在收敛速度和精度上有更好的性能.     

基于K-Means变异算子的混合遗传算法聚类研究

遗传算法具有良好的全局搜索能力,但有过早收敛和过慢结束的缺点。K-Means算法具有很强的局部搜索能力,但算法有对初始聚类中心敏感而易陷入局部最优解。针对上述问题,提出了基于K-Means变异算子的混合遗传算法聚类,将K-Means算法的局部搜索能力与遗传算法的全局寻优搜索能力相结合,在遗传算法中引入K-Means变异算子,采用符号编码、自适应变异、最优个体保留策略的混合遗传算法。仿真实验表明,该算法有效克服了遗传算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果。