Savitzky-Golay滤波和L1范数优化相结合的视频稳像算法

近年来,越来越多的人利用手持设备拍摄视频表达自己或社会问题等,这类视频常存在抖动现象,如何消除视频序列中的随机抖动成为近年来的研究热点。本文面向视频去抖动应用场景,提出了一种Savitzky-Golay滤波和L1范数优化相结合的视频稳像算法。首先基于帧间配对特征点进行运动估计;然后利用Savitzky-Golay滤波算法进行路径平滑处理,去除运动路径中的高频抖动分量,避免了噪声对后续生成稳定路径的影响;进一步,对平滑后的有效路径信息进行基于优化的L1范数优化算法拟合,得到最终的稳定路径;最后对原始视频图像序列进行运动补偿,生成稳定的图像序列。对比实验结果表明,本文方法稳像效果优于原始L1范数优化算法,算法速度快于目前效果较好的二维稳像算法。      

基于Wi﹣Fi控制的具有自学习能力的红外遥控装置

目前,随着各种各样家用电器走进千家万户,遥控器的种类也越来越多,人们常常为了控制某台电器而到处寻找其对应的遥控器,这样,就给人们的生活带来了很多不便。为解决这个问题,文章设计一种新型的红外遥控装置。该装置具有很强的学习能力,能学习市面上任何遥控器的红外编码,使人们免除同时面对功能众多遥控器的烦恼。同时具备Wi Fi通讯功能,可作为智能家居体系中的控制执行装置,并配有相应的手机APP,方便人们操作和远程控制。     

模型引导的分层与连续相结合的3D打印

在面曝光连续3D打印中,由于在有限的时间内,树脂填充距离有限,因此,打印实心结构过程中容易因为树脂填充不足而导致打印失败,连续成型适用于镂空结构或者薄片结构.另外,由于存在润滑液流失,基于浸泡润滑液的聚二甲基硅氧烷膜的连续打印高度受限.针对上述问题,该文提出了一种在模型引导下分层打印和连续打印相结合的数字光处理技术3D...     

介绍DSP应用的网站

该网站含有专为DSP应用而开发的各种元件和文章。     

一种基于反射特性的人脸三维重建方法

不同姿势下的人脸识别研究中的一种重要思路就是在三维空间解决姿势变化问题,如何由二维人脸图像得到三维人脸形状是其中的一项关键技术.本文提出了一种由两幅正面人脸图像估计人脸表面反射特性,重建三维形状的算法.首先根据人脸的对称特性,由两幅给定光照的正面人脸图像,估计得到个性化人脸特征:反射特性(反射系数与法向量的乘积),并提出消除鼻梁阴影的改进算法;然后由反射特性重建三维人脸形状,最后根据估计得到的反射特性和三维形状合成不同姿势下的人脸图像,实验结果表明,本文提出算法合成的人脸图像更自然一些,而且合成图像不受训练集图像的影响.本方法计算简单,并且不需要任何三维人脸数据作为先验知识.     

二值运动模糊图象参数提取

分析了运动模糊图象的机理，并根据实际情况作出近似线性假设，进一步推导出运动模糊图象的频谱特征；针对二值运动模糊图象的特点，提出了投影极值法来提取运动参数───运动方向及运动幅度，并提出了进一步的改进思路以提高精度。     

知识驱动的多模态语义理解研究综述

基于深度学习模型的多模态学习方法已在静态、可控等简单场景下取得较优的语义理解性能,但在动态、开放等复杂场景下的泛化性仍然较低.近期已有不少研究工作尝试将类人知识引入多模态语义理解方法中,并取得不错效果.为了更深入了解当前知识驱动的多模态语义理解研究进展,文中在对相关方法进行系统调研与分析的基础上,归纳总结关系型和对齐型这两类主要的多模态知识表示框架.然后选择多个代表性应用进行具体介绍,包括图文匹配、目标检测、语义分割、视觉-语言导航等.此外,文中总结当前相关方法的优缺点并展望未来可能的发展趋势.     

一种人脸姿势估计新方法

本文提出了一种人脸姿势估计方法,基于单幅人脸图像的五个特征点:左右外眼角,左右嘴角和鼻尖估计人脸姿势,论文首先给出人脸姿势表示——旋转角度((?),ψ,θ),然后介绍了姿势估计方法,最后的实验结果证明了本文算法的有效性。     

多用途人脸识别系统的设计与实现

人脸识别技术是近年来研究的一个热点,众多的人脸识别系统应运而生。提出了一种多用途人脸识别系统,可用作实际环境中智能监控,也可用作实验室环境下的算法测试。该系统整合了人脸检测、正则化、识别等模式识别处理技术,可以在复杂环境下实时、鲁棒地进行人脸识别。系统设计过程中引入了BioAPI国际标准,实现了对相关行业标准的兼容性,便利了算法及系统的实用化。     

局部聚类分析的FCN-CNN云图分割方法

空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性,毫米波雷达云图的有效分割成为了解决这一问题的关键.本文提出了一种基于超像素分析的全卷积神经网路FCN和深度卷积神经网络CNN（FCN-CNN）的云图分割方法.首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类,同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中实现云图的预分割;FCN32s预测结果中的"非云"区域一定是云图中的部分"非云"区域,FCN8s预测结果中的"云"区域一定是云图中的部分"云"区域;剩下不确定的区域通过深度卷积神经网络CNN进行进一步分析.为提高效率,FCN-CNN选取了不确定区域中超像素的几个关键像素来代表超像素区域的特征,通过CNN网络来判断关键像素是"云"或者是"非云".实验结果表明,FCN-CNN的精度与MR-CNN、SP-CNN相当,但是速度相比于MR-CNN提高了880倍,相比于SP-CNN提高了1.657倍.