基于瞳孔-角膜反射技术的视线跟踪方法

视线跟踪是基于多通道的人机交互技术的重要研究内容．而基于瞳孔-角膜反射技术的视线方向是目前应用最广泛的视线跟踪技术之一。瞳孔-角膜反射技术的主要目的是提取人眼图像中瞳孔-角膜反射向量作为视线方向计算模型所需的视觉信息,通过搭建红外光源设备提取瞳孔-角膜反射向量构建基于瞳孔-角膜反射技术的视线跟踪系统,为面向人机交互的视线跟踪研究提供可行的低成本解决方案。     

相似匹配块组的稀疏表示图像修复

目的 传统多样本块稀疏表示的图像修复过程中,容易因为匹配样本块的错误,重构出不正确的填充块,致使在边缘部分产生不连贯的现象,然而单样本匹配填充又容易产生明显的伪影,不能保证与周围结构保持连续,以致产生明显的修复痕迹,为此,本文提出一种改进的基于相似匹配块组的稀疏表示方法。方法 首先,采用颜色信息与余弦距离结合的方法定义图像块匹配准则,在目标邻域范围内获得结构变化趋势更相似的匹配块组;然后,在稀疏重构过程中,同时考虑已知信息和估计的未知信息,利用相似块与目标块的匹配程度,对稀疏系数增加不同的权重,以此来增强筛选匹配块的能力,减少纹理模糊现象;最后,根据结构稀疏度自适应地在各结构复杂度不同的区域确定样本块尺寸,减少图像修复过程中的错误传播现象。结果 实验结果表明,本文算法改善了在边缘修复过程中产生断裂或者纹理延伸的现象,不仅在主观视觉有明显的提升,其修复结果的峰值信噪比（PSNR）相较于其他相关稀疏表示修复算法提高了0.53 dB。结论 本文算法实现了对不同结构特征的彩色破损图像的修复,在结构边缘处有理想的修复效果,并且对各种形状的破损也具有良好的修复效果。     

Interpolation of images using discrete wavelet transform to simulate image resizing as in human vision

This paper presents discrete wavelet transform (DWT) and its inverse (IDWT) with Haar wavelets as tools to compute the variable size interpolated versions of an image at optimum computational load. As a human observer moves closer to or farther from a scene, the retinal image of the scene zooms in or out, respectively. This zooming in or out can be modeled using variable scale interpolation. The paper proposes a novel way of applying DWT and IDWT in a piecewise manner by non-uniform down- or up-sampling of the images to achieve partially sampled versions of the images. The partially sampled versions are then aggregated to achieve the final variable scale interpolated images. The non-uniform down- or up-sampling here is a function of the required scale of interpolation. Appropriate zero padding is used to make the images suitable for the required non-uniform sampling and the subsequent interpolation to the required scale. The concept of zeroeth level DWT is introduced here, which works as the basis for interpolating the images to achieve bigger size than the original one. The main emphasis here is on the computation of variable size images at less computational load, without compromise of quality of images. The interpolated images to different sizes and the reconstructed images are benchmarked using the statistical parameters and visual comparison. It has been found that the proposed approach performs better as compared to bilinear and bicubic interpolation techniques.     

样本大小对稀有类分类的影响

分类稀有类在现实生活中的很多领域都有广泛的应用,但普通的分类算法在分类稀有类时往往失效.探讨了影响稀有类分类的各个因素,针对影响稀有类中的一个因素,样本大小对稀有类的影响进行了研究.对于UCI学习库中的三个数据集,在weka平台上使用Roration Forest进行实验,对于相同的类比率,使用unsupervised resample数据预处理方法使样本由小变大.结果表明在特定的类比率下,使样本变大,由数据的不平衡分布造成的分类错误下降,普通的分类算法在分类稀有类时往往也可以取得很好的分类结果.     

炮道密度与观测系统的变化及对地震成像影响的探讨

在前人研究的基础上,完整地导出了面元大小和覆盖次数、炮点子域和排列片接收道数以及接收点子域和排列片总炮数等参数与三维炮道密度的基本关系,阐述了炮道密度的物理意义。讨论了一定条件下,随面元大小、炮点子域和接收点子域变化的三维观测方式及其属性的变化规律。基于YA三维和SHB三维实际资料,对比分析了不同观测方式的地震成像效果,总结了影响地震剖面品质的关键观测系统参数。研究认为,以面元为单位面积的炮道密度等同于面元的有效覆盖次数。一定炮道密度条件下的三维观测方式是多变的,对三维观测系统参数的具体描述是炮道密度应用的基础,而覆盖次数和炮点密度是影响地震成像的两个重要参数,高覆盖有效提高了剖面的信噪比;相同覆盖次数条件下,较高的炮点密度(D_S/D_R∝1)和均匀分布的炮检点,面元能获得更高的近-中偏移距覆盖次数,方位角分布更均匀,利于缝洞储集单元及断层边界的准确成像。     

自适应带宽均值移动算法及目标跟踪

首先提出了一种经典均值移动算法的推广算法,即自适应带宽均值移动算法,进而提出了基于自适应带宽均值移动的二维视频目标跟踪算法（ABMSOT）.前者提出了在带宽自适应情况下均值移动算法求取局部极值的框架步骤,后者可实时跟踪目标的位置、大小和方向.在ABMSOT算法中,目标模型和候选模型采用自适应带宽核函数加权特征直方图描述,目标模型和候选模型的相似性采用Bhattacharyya系数度量;通过迭代两步法搜索到目标最有可能的位置、大小和方向.第一步执行一次均值移动迭代搜索目标位置,第二步计算出最能描述目标区域大小和方向的带宽矩阵.从理论上证明了两个算法的收敛性,并通过实验证明了ABMSOT算法能实时跟踪目标的位置、大小和方向.     

基于改进的ASM方法的人脸特征点检测

针对传统的Active Shape Model（ASM）方法的缺陷与不足,提出了几点改进的方法。传统的ASM方法利用人脸检测提供的初始位置进行特征搜索;在改进算法中,利用了瞳孔定位的方法进行初始化,并采取了边缘约束,自适应步长等改进方法,有效地改善了ASM方法的性能。实验结果表明,改进的ASM方法在准确性和鲁棒性上有较大提高。     

维吾尔新文字大小写同形字母的识别

为有效识别出新维文中大小写同形字母,分析新维文的特点,提出一种基于模板匹配的大小写同形字母识别算法。根据同形字母中大写字母外轮廓大而小写字母外轮廓小的特点,统计字母外轮廓大小与全文字母外轮廓平均大小的比例值,进行字母的大小写判断。分析结果表明,该方法有效克服了传统模板匹配方法容易混淆同形字母的大小写的缺点,提高了系统的识别率。     

小车吊重系统摆振动力学模型及仿真

认识和掌握吊重摆振的动力学特性,是研究起重机防摇控制方案的前提条件.为了准确分析吊重摆振的动力学规律和影响因素,采用理论分析和动态仿真的方式对吊重摆振特性进行了研究.文中根据起重机小车-吊重系统的三维动力学模型建立了吊重摆振的二自由度摆角动力学模型,通过线性简化从模型中找出了影响摆角大小的主要因素--吊重绳长和运行加(减)速度,并以此动力学模型进行了起重机在多种工况下的动态仿真.通过仿真分析得到了小车加速度和吊重绳长对吊重摆振角度、频率和摆角速度的影响规律.     

基于移动技术的动态网格聚类算法

为了解决动态网格划分技术中聚类结果对数据输入顺序的依赖性和聚类精度差的问题,提出了基于移动技术的动态网格聚类算法(grid-based clustering algorithm based on shifting technology, GLASS).该聚类算法主要利用了动态网格划分技术和移动网格技术来解决上述问题,且能够识别任意形状、任意大小的聚类,只需一个参数,且时间复杂度是数据集大小和数据维度的线性函数.实验结果表明该算法是有效的.