视频变速率编码的统计模型研究

重点讨论在宽带综合业务网（ＢＩＳＤＮ）异步传送模式（ＡＴＭ）环境下，视频编码的统计特性及模型，研究中使用了两种变速率编码方法；运动自适应分类编码和小波变换编码，采用多状态马尔可夫链高斯自回归模型对比特／帧进行拟合，具有较好的通用性和精确度。     

深度分层融合超像素分割的深度视频去噪算法

针对传统的视频去噪方法对深度视频去噪效果不理想,导致丢失轮廓信息和深度值信息的问题,本文提出一种新的深度视频分层去噪与彩色图像超像素分割相结合的深度视频去噪算法。首先获取深度视频的深度信息,根据深度值分布,将深度视频帧分层去噪,然后将去噪后的每一深度层合并为深度帧,将与深度帧相对应的彩色帧进行超像素划分,填补去除噪声后产生的深度值空白区域的深度值,去除深度视频噪声,或根据物体周边深度值,消除并填补由物体遮挡产生的干扰噪声。实验结果表明,该算法能够消除深度视频噪声,有效解决了深度视频噪声导致画面凌乱,目标物体辨识难,无关物体遮蔽深度信息,获取深度信息困难等问题,减少噪声对公共客流统计项目的干扰,具有较好的实时性和鲁棒性。该研究在公共交通客流统计项目以及医院急诊患者数量统计项目上进行了验证,具有一定的实际应用价值。     

用于单视加深度视频编码的快速立体匹配算法

针对立体视频数据量大、立体匹配算法效率较低,远远满足不了实时传输需求的现状,提出了一种应用于单视加深度立体视频编码的快速立体匹配算法。该算法利用单视编码过程中产生的运动信息作为深度图生成的辅助信息,将立体匹配过程中的视差估计值重组,并将重组后的信息作为P帧的视差估计初值进行后续的迭代运算。算法通过利用单视编码过程中已有的运动信息,降低了P帧立体匹配的运算复杂度。实验结果表明,该算法能使视差图的生成速度提高一倍左右。     

基于深度特性的帧间预测快速算法

高效视频编码(High Efficiency Video Coding,HEVC)的帧间预测部分存在很高的计算复杂度,为了降低编码时间复杂度,提出了一种基于深度特性的帧间预测快速算法.首先,对帧间PU(Prediction Unit,PU)模式进行分类为规则和不规则块;然后运用本文的方式定义当前CTU(Coding T...     

一种基于WBS编码,块编码前的压缩算法

提出一种基于二值图象压缩编码前处理的新观点和新方法,即从数学角度出发,提出一种方案;对在二值图象中影响ＷＢＳ编码、块编码效率的黑直线段,进行编码前预处理、消除黑直线段、提高压缩比。     

基于迭代译码算法的分级分布式视频编码

分布式视频编码(distributed video coding,DVC)是一种新的视频编码算法,与传统视频编码系统相比,具有低编码复杂度和高鲁棒性的优点.但它的压缩率比较低,对画面组(group of picture,GOP)的长度依赖性比较大.将H.264解码算法引入像素域视频编码系统(pixel domain W...     

基于深度学习编码模型的图像分类方法

针对矢量量化编码的量化误差严重,而稀疏编码只是一种浅层学习模型,容易导致视觉词典对图像特征缺乏选择性的问题,提出了一种基于深度学习特征编码模型的图像分类方法。首先,采用深度学习网络无监督的受限玻尔兹曼机（RBM）代替传统的K-Means聚类及稀疏编码等方法对SIFT特征库进行编码学习,生成视觉词典;其次,对RBM编码添加正则化项分解组合每个特征的稀疏表示,使得生成的视觉单词兼具稀疏性和选择性;然后,利用训练数据的类别标签信息有监督地自上而下对得到的初始视觉词典进行微调,得到图像深度学习表示向量,以此训练SVM分类器并完成图像分类。实验结果表明,本文方法能有效克服传统矢量量化编码及稀疏编码等方法的缺点,有效地提升图像分类性能。     

基于FS-SPIHT算法实现可伸缩视频编码的研究

提出一种基于FS-SPIHT视频编码算法的改进方法.FS-SPIHT算法克服了SPIHT算法不满足空间可伸缩性的缺点,对图像经小波变换后得到的系数矩阵进行了空间层划分,并在SPIHT算法的基础上增加了一个新的NLIS表,实现了空间可伸缩性.在原FS-SPIHT算法的基础上,在其头文件中引入一个新的LCDL表,用来记录每个空间层中的最大门限值T,′从而去除了原FS-SPIHT算法中许多无用的比特0,提高了编码效率.试验结果表明,该方法性能优于Shapiro的EZW算法,比FS-SPIHT算法约高0.1~1.3dB.     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用,以及深度学习算法的快速发展,基于深度学习的行为识别算法层出不穷.相较于传统方法,基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此,本文对近年来提出的基于深度学习的行为识别算法进行了梳理,并对由双流卷积网络和...     

基于流形学习的图像检索算法研究

流形学习以发现非线性高维数据的本质维数为目标,使其更适合数据分析和高维数据的降维。图像检索中“语义鸿沟”问题指的是高维数据空间与低维的语义子空间之间的鸿沟,虽然利用相关反馈机制可以缩小这种鸿沟提高准确率,但是因为反馈图像数目较少,图像特征维数相对较高,会容易产生维数灾难问题。流形学习的引入为解决这一难题带来了新的希望,因为通过流形学习的方法学习高维图像特征数据的本征维数用于图像检索,大大提高了检索性能。基于流形学习的图像检索算法都是半监督的流形学习,充分利用了反馈信息,学习查询图像的语义子空间,有效的实现了高维数据的降维。     

基于深度学习的行人和车辆检测

为解决自动驾驶行车环境目标检测的问题,提出了一种基于深度学习的行人和车辆检测网络PVDNet。在网络底层,改进了跳跃连接结构,提出多级跳跃连接MLSC,加速了模型的收敛速度和收敛精度;在网络顶层,设计了一种多层特征融合方法 MLFF,将底层特征与顶层特征融合以提高检测精度;在网络输出层,提出了一种单维卷积方法 ODC替代全连接层,减少了模型参数以提高检测速度。实验表明:与原始的Faster R-CNN相比,PVDNet在数据集PascalVOC2007、PascalVOC2012、MS COCO、KITTI上行人和车辆平均检测准确率分别提高了3.7%、6.1%、5.6%、9.62%。     

基于深度学习的信道估计

目前深度学习方法在物理层通信中得到了广泛的应用,信道估计是物理层通信中的关键部分,与传统信道估计算法相比,深度学习方法在信道估计方面具有一定的优势.本研究介绍了深度学习中常见的神经网络模型,从模型驱动和数据驱动方式两个方面分别阐述了深度学习方法在信道估计中的应用.综述了将深度学习方法应用在信道估计中的最新研究进展.为了...     

Optimization of unit commitment based on genetic algorithms

0　ＩＮＴＲＯＤＵＣＴＩＯＮＴｈｅｔａｓｋｏｆｕｎｉｔｃｏｍｍｉｔｍｅｎｔｉｓｔｏｍｉｎｉｍｉｚｅｔｈｅｐｒｏｄｕｃｔｉｏｎｃｏｓｔｓｕｂｊｅｃｔｔｏｔｈｅｃｏｎｓｔｒａｉｎｔｓｏｆｇｅｎｅｒａｔｉｎｇｕｎｉｔｓａｎｄｐｏｗｅｒｓｙｓｔｅｍｉｎ ｇｉｖｅｎｄｉｓｐａｔｃｈｐｅｒｉｏｄｂｙｐｒｏｐｅｒｌｙａｒｒａｎｇｉｎｇｇｅｎｅｒａｔｉｎｇｓｃｈｅｄｕｌｅａｎｄｅｃｏｎｏｍｉｃｌｏａｄｄｉｓｐａｔｃｈａｍｏｎｇｕｎｉｔｓ .Ｔｈｅｒｅａｒｅ ｐｒｉｏｒｉｔｙｌｉｓｔｍｅｔｈｏｄｓ,ｍｉｘｅｄ ｉｎｔｅ…     

基于深度学习的实时人脸检测

利用Retinaface神经网络和WIDER FACE人脸数据集训练人脸检测模型,采用模型压缩剪枝方法对原有模型进行压缩,使其减少参数量,实现实时运行,然后将压缩后的模型部署到FPGA上.进行了相关实验.     

基于小波变换的数字图像压缩

利用小波图像系数特点,实现高效压缩编码,给出了小波图像系数统计数据实例,然后对基于小波变换的嵌入式图像编码方法中最具代表性的SPIHT编码算法的原理进行了分析,并通过实验对SPIHT算法进行了性能分析及其改进,并给出了实验结果。     

一种深度学习的硬件木马检测算法

由于传统的硬件木马检测均采用功能测试等电信号检测技术,检测方法存在成本高、漏检率高和效率低下等问题,对此提出了一种深度学习的非电信号硬件木马检测算法。该算法首先利用增强残差网络将低分辨率芯片显微图像转换为高分辨率芯片显微图像; 然后通过循环一致对抗生成网络将该高分辨率图像生成与母版图像同源的芯片显微图像, 生成的芯片显微图像通过二阶微分图像增强算法区分出目标区域与背景区域,并结合阈值分割算法将目标区域分割出来; 最后通过数学形态学操作去除由于工业噪声产生的微小干扰,利用变化检测算法检测芯片中存在的硬件木马。通过在芯片显微图像数据集上的实验显示,基于深度学习的硬件木马检测方法正检率高达约92.4%,与传统的电信号检测方法相比,精度更高,速度更快,且操作更简易。     

基于主动学习的视频对象提取方法

提出了一种基于主动学习的SVM视频对象提取方法。利用主动学习的思想,对传统的支持向量机进行了改进,将SVM和主动学习的优点结合起来,实现了更加准确提取视频对象的目的。通过自适应变化检测获取初始视频对象,并以其作为训练样本,选取正类样本训练支持向量机,构造加强的分界面。实验结果表明,该方法能克服一般SVM方法的缺点,使视频对象的边缘更加精确,同时减小了计算量。