强光干扰下的火焰前景提取技术研究

火焰前景提取是视频型火灾检测算法的重要步骤,也是后续火焰特征识别算法的基础。针对现有火焰前景提取算法在强光干扰下或在背景与火焰颜色相近时无法正确提取火焰前景的问题,提出一种新的火焰前景提取算法。首先通过计算瞬时运动区域和火焰颜色区域来确定初级疑似火焰区域;然后对初级疑似区域和非疑似区域制定不同的背景建模策略来得到运动前景;最后由运动区域和高亮区域得到最终的火焰前景。与4种已有的火焰前景提取算法的对比实验表明,该算法在复杂背景下的火焰前景提取准确率为96.2%,远高于现有算法;能适应不同类型的复杂背景,并且满足实时性要求。     

词性对中英文文本聚类的影响研究

不同词性特征在文本聚类中有不同的贡献度。该文对四组有代表性的中英文数据集,利用三种聚类算法验证了四种主要词性及其组合对中英文文本聚类的影响。实验结果表明,在中文和英文两种语言中,名词均是表征文本内容的最重要词性,动词、形容词和副词均对文本聚类结果有帮助,仅选择名词作为特征聚类的结果与保留所有词性聚类的结果相近,但可大大降低文本的维度;选用名词为文本特征不能实现最好的聚类效果;相对其他词性组合和单一词性,采用名词、动词、形容词和副词的组合特征往往可以实现更好的聚类效果。在词性所占的比例以及单一词性聚类的结果上,同一词性在中英文文本聚类中呈现出较大差异。相对于英文,不同词性特征及其组合在中文文本聚类中呈现的差异更为稳定。     

同源视频Copy-Move篡改检测及恢复

针对同源视频序列的copy-move篡改方式, 提出一种通过度量图像内容间的相关性, 来实现对视频序列的copy-move篡改检测并恢复的方法. 首先将视频帧内容转化为一系列连续的图像帧, 对图像分块, 提取每帧图像的8个特征矢量, 再利用欧氏距离计算帧间相关性, 并通过添加偏差矩阵构造动态偏差阈值, 检测出copy-move篡改序列且精确至帧, 从而实现对视频序列的篡改检测与恢复. 实验表明, 该算法对同源视频序列的copy-move篡改检测及恢复能够取得理想的效果.     

Robust refinement methods for camera calibration and 3D reconstruction from multiple images

This paper proposes robust refinement methods to improve the popular patch multi-view 3D reconstruction algorithm by Furukawa and Ponce (2008). Specifically, a new method is proposed to improve the robustness by removing outliers based on a filtering approach. In addition, this work also proposes a method to divide the 3D points in to several buckets for applying the sparse bundle adjustment algorithm (SBA) individually, removing the outliers and finally merging them. The residuals are used to filter potential outliers to reduce the re-projection error used as the performance evaluation of refinement. In our experiments, the original mean re-projection error is about 47.6. After applying the proposed methods, the mean error is reduced to 2.13.     

Bayesian analysis of robust Poisson geometric process model using heavy-tailed distributions

We propose a robust Poisson geometric process model with heavy-tailed distributions to cope with the problem of outliers as it may lead to an overestimation of mean and variance resulting in inaccurate interpretations of the situations. Two heavy-tailed distributions namely Student’s t and exponential power distributions with different tailednesses and kurtoses are used and they are represented in scale mixture of normal and scale mixture of uniform respectively. The proposed model is capable of describing the trend and meanwhile the mixing parameters in the scale mixture representations can detect the outlying observations. Simulations and real data analysis are performed to investigate the properties of the models.     

基于Hot-Target 图和特征边缘保持的图像收缩方法

图像收缩是缩小高分辨率图像以适应不同纵横比小尺寸显示屏幕的过程,关键是收缩后能够凸显图像重要区域,保持连续,避免扭曲.提出一种新的图像收缩方法,该方法首先基于能量失真约束,迭代收缩覆盖图像的四边形网格至目标大小,然后映射,插值目标网格实现图像收缩.能量失真反映了对重要区域的凸显程度、结构的保持效果以及扭曲避免情况,失真越小,目标图像越理想.在该约束下,构成网格的子四边形非均匀收缩,重要度大的收缩小.为准确计算子四边形的重要度,根据图像显著度和边缘构建反映图像重要度的Hot-Target图.最后,通过保持图像直线边,称为特征边缘,避免非均匀收缩引起的边缘扭曲.为提高效率,降低复杂度,该方法由迭代求解线性方程实现.实验结果验证了方法的有效性.     

用双层减样法优化大规模SVM垃圾标签检测模型*

针对支持向量机在训练大规模数据集时出现的速度瓶颈问题,提出一种新的减样方法,称双层减样法。数据减样时,双层减样法从粗、细粒度两个层次削减样本。粗粒度约减时,利用核空间距离聚类法,以簇为单位削减冗余子集。细粒度约减时,以点为单位挑选剩余点集中的支持向量。实验表明,双层减样法能有效的压缩样本数据,同时还能放大数据集的分类特征,提高分类器的分类精度。将此法应用于大规模SVM垃圾标签检测模型的训练集优化上,能明显提高检测模型的训练速度。双层减样法是将“粒度”和“层次”的概念引入减样法中,在约减时适时改变约减幅度。这比传统减样法更具有优势。     

基于多尺度粗糙集模型的决策树优化算法

针对经典决策树算法构造的决策树结构复杂、缺乏对噪声数据适应能力等局限性,基于多尺度粗糙集模型提出一种新的决策树构造算法。算法引入尺度变量和尺度函数概念,采用不同尺度下近似分类精度选择测试属性构造决策树,使用抑制因子对决策树进行修剪,有效地去除了噪声规则。结果表明该算法构造的决策树简单有效,对噪声数据有一定的抗干扰性,且能满足不同用户对决策精度的要求。     

基于ZigBee的生产线监控系统的设计与实现

根据生产线的实际需要,设计并实现了用于生产线的无线信息传输网络节点,研究了系统结构,完成了系统的软硬件设计,详细分析了ZigBee组网通信、应答机制建立等关键技术。测试结果表明,系统传输距离远、可靠性高,能够满足实际应用需要。     

长期施用含氮化肥对大豆生育及养分吸收的影响

从1984年起,在沈阳农业大学棕壤上没有氮化肥长期定位试验。结果表明,长期施用含氯化肥在大豆整个生育期内可促进株高、茎粗、根系等地上部及地下部的生长,氯对大豆氮、磷养分的吸收无明显影响,对钾的吸收有 促进作用。