适应性结构保持约束下的目标跟踪方法?

针对目标在运动过程中的结构保持特性,提出一种目标结构化外观描述方法。该方法构建区域节点反映目标局部特性,定义区域节点的软/硬结构约束,将目标的局部特性、全局特性及区域节点的空间结构关系统一于目标的结构化描述中。通过匹配帧间局部区域的尺度不变特征转换流,粗略估计目标运动状态,并利用区域节点的软/硬结构约束对跟踪结果进行约束调整,称为适应性结构保持。公测视频序列的实验表明,相比已有方法,文中方法能更有效跟踪形变、阴影与光照变化下的目标,对目标与背景相似和视频低分辨率等情况也有较高的跟踪性能,具有强鲁棒性和一定的泛化能力。     

一种基于粗糙集区域分割和语义分类的方法

提出一种基于粗糙集的图像理解方法.将图像视为一个信息系统,每个像素看作系统中的一个实体对象.引入粗糙集理论中上下近似和核属性的相关概念,采用相容扩展模型下的知识约简方法,对图像处理、分析和解释这3个过程进行分析,提出基于粗糙集的分割算法和知识库规则约简推理方法.通过与Ncuts分割方法及统计学习方法进行理解的实验结果对比,表明算法的可行性和理解的准确性.     

基于聚类关联网络的群组行为识别

目前群组行为识别方法没有充分利用群组关联信息而导致群组识别精度无法有效提升,针对这个问题,提出了基于近邻传播算法（AP）的层次关联模块的深度神经网络模型,命名为聚类关联网络（CRN）。首先,利用卷积神经网络（CNN）提取场景特征,再利用区域特征聚集提取场景中的人物特征。然后,利用AP的层次关联网络模块提取群组关联信息。最后,利用长短期记忆网络（LSTM）融合个体特征序列与群组关联信息,并得到最终的群组识别结果。与多流卷积神经网络（MSCNN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了5.39与3.33个百分点。与置信度能量循环网络（CERN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了8.7与3.14个百分点。实验结果表明,CRN方法在群体行为识别任务中拥有更高的识别准确精度。     

圆盘剪分切过程硬质合金圆盘刀磨损及其对分切质量的影响

采用硬质合金圆盘刀进行电磁钢板的圆盘剪分切试验,利用轮廓仪和光学显微镜等检测分析了不同分切长度时圆盘刀的磨损情况及电磁钢板分切断面形貌,研究了圆盘刀的磨损规律及其对分切质量的影响。结果表明,圆盘剪分切中硬质合金圆盘刀的磨损,主要表现为刃口半径和侧边磨损带宽度的增大,而圆柱面的表面粗糙度变化不大。随着分切长度的增加,圆盘刀的磨损加剧,侧面磨损带宽度逐渐增大,刃口半径也随之增加。圆盘刀的磨损直接影响了分切断面质量,当电磁钢板分切长度达到8 000m左右时,刃口半径超过43μm,板材分切断面质量恶化。硬质合金圆盘刀使用的最佳分切长度在8 000m以内、刃口半径小于43μm。     

PCA-NLM的纺织品缺陷检测

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,为解决这一问题,提出一种混合方法进行纺织品缺陷检测,将图像增强和缺陷检测方法进行混合处理,在非局部均值滤波算法（NLM）的相似度评价中引入主成分分析（PCA）进行去噪处理,采用的PCA-NLM混合模型有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类可分离性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文的混合模型有效提高了纺织品缺陷的检测正确率。     

基于“轮廓-区域”多层互补特性的显著性检测

针对显著性检测在混杂场景中目标容易混淆的问题,本文借助Gestalt心理学理论,利用轮廓线索与外观线索的互补特性,提出一种基于"轮廓-区域"多层互补特性的显著性检测方法.首先,在图像超像素分割基础上,分别提取基于颜色直方图的全局外观线索和基于区域近邻关系的局部对比度线索,充分描述了区域内容的显著性特征;其次,针对混杂场景的区域外观差异小而引起的目标混淆问题,提取基于边缘的目标轮廓封闭性,描述区域轮廓的显著性特征;最后,为了提高对目标尺寸的自适应能力,本文方法使用支持向量机优化多尺度模型中的"轮廓-区域"互补特性融合过程.在ASD,MSRA10K,SED2公认数据集上的实验表明,本文基于轮廓封闭特性的显著性特性,能够有效改善目标显著性查全率、查准率,优于现有的其他先进方法.     

图像语义分析与理解综述

语义分析是图像理解中高层认知的重点和难点,存在图像文本之间的语义鸿沟和文本描述多义性两大关键问题。以图像本体的语义化为核心,在归纳图像语义特征及上下文表示的基础上,全面阐述生成法、判别法和句法描述法3种图像语义处理策略。总结语义词汇的客观基准和评价方法。最后指出图像语义理解的发展方向。