Deeply fusing multi-model quality-aware features for sophisticated human activity understanding

Detecting and understanding human action under sophisticated lighting condition and backgrounds, also known as human action recognition in real-world context, is an indispensable component in modern intelligent systems and has becoming a hot research topic currently. Nowadays, human action recognition is still a tough challenge due to intra-class and inter-class, environment and temporal-level differences of the same action. Algorithms based on the single visual channel cannot achieve satisfactory performance. Thus, in this paper, we propose a novel action recognition framework towards sophisticated activity understanding, focusing on intelligently combining multimodel quality-related action features. Specifically, we first design a multi-channel feature fusion (MCFF) algorithm to capture visual appearance, motion and acoustic patterns from each video frame, where image-level labels are characterized by choosing high quality multimodel features. Subsequently, we design an adaptive key frame selection algorithm that can be applied to characterize human action from human action video stream. Thereafter, we engineer a multimodel feature based on an auxiliary human action retrieval system to achieve sophisticated activity understanding. Extensive experimental evaluations have demonstrated that the effectiveness and robustness of our proposed method.     

基于特征融合的步态识别

基于人行走时下肢关节角度变化包含丰富的个体识别信息的观点,提出了一种利用下肢关节角度进行识别的方法。利用下肢关节角度来表征步态运动的动态特征,并用主分量分析进行特征提取来表征步态的静态特征,其次融合步态运动中的静态特征和动态特征,采用对小样本具有很好分类效果的支持向量机进行分类识别。对算法进行MATLAB仿真,结果表明所用方法具有较高的识别性能。     

基于改进的支持向量机的脱机中文签名验证

采用支持向量机算法来验证脱机中文签名。针对支持向量机算法的不足,将粗糙集和支持向量机相结合,利用粗糙集理论对数据属性进行约简,在某种程度上减少支持向量机求解的计算量。不但避免了特征提取中维数灾问题,还有效改善了训练时间。实验结果表明：粗糙集和支持向量机算法应用于离线签名识别,在相同条件下的识别效果优于支持向量机算法。     

电子材料分析中的能谱干扰峰

主要阐述了在电子元器件分析中用能谱仪作定性分析时常见的一些干扰峰和容易混淆及误判的一些谱峰。主要有和峰、逃逸峰以及一些在元器件材料分析中常遇到的元素特征峰之间的交错重叠的识别和判定方法，并把这些容易误判的谱线整理列成3种表格，以供参考，这些数据基本覆盖了在X射线能谱仪中可能出现的所有相关的谱峰。     

基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络（Deep Difference Convolutional Neural Network,DFDCNN）.DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入（t帧和t+1帧）中获取时序信息;AppearanceNet用于从输入（t帧）中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明：DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.     

基于断裂面匹配的破碎物体拼接技术

该文研究了曲面三角网格模型顶点法矢、主曲率和主方向的计算方法,分析了曲面上点的类型,提出了一种基于断裂面匹配的破碎物体拼接方法。分别用曲面上点的有向脚标和无向脚标构成有向特征向量和无向特征向量,在无向特征向量匹配的基础上,经过匹配点方向映射方法判断其它无向特征匹配点对的有向特征向量的相似性,完成断裂面匹配计算。在断裂面匹配的基础上,通过匹配点方向映射实现破碎物体的拼接。实验结果表明该算法可靠地实现了破碎物体的拼接。     

地形特征对粒子滤波导航算法精度影响分析

地形导航是利用飞行器下方地形估计飞行器空间位置的导航方法。由于地形是强非线性模型,因此地形导航可以看作非线性状态估计问题,地形特征直接影响导航精度。在讨论粒子滤波导航算法基础上,重点研究了地形特征对后验概率密度和Cramer-Rao下界的影响,得出了地形梯度和相似度是影响粒子滤波导航算法精度的根本原因,为飞行区域选择、飞行路径规划提供了依据,具有较强的实用性。     

时间—多普勒曲线的原理与应用展望

讨论了时间-多普勒曲线的原理与处理框架,然后以其在雷达目标识别中的应用为例勾勒和阐述了其发展的历程与概况.最后结合其功能对其在雷达目标识别中的应用前景进行了展望.     

脑部CT图像的三维重建及纹理特征研究

本文提出了一种使用灰度共生矩阵提取三维重建后的脑部图像的三维纹理特征的方法。分别对10组正常脑部CT图像与10组脑瘤患者的脑部CT图像进行了去噪和增强的预处理,并进行了三维重建,随后使用了灰度共生矩阵的方法对重建出的模型进行了纹理特征的提取。计算26个方向的能量、熵、惯性矩和相关性,并进行统计分析。结果证明,此方案提取的特征值在统计分析中存在差异,并且正常大脑与患病大脑的特征值形成了对比,对脑室内肿瘤的诊断具有重要价值。     

一种基于精细化稀疏自适应匹配追踪算法的图像检索方法研究

基于压缩感知理论,研究了一种精细化稀疏自适应匹配追踪（Meticulous Sparsity Adaptive Matching Pur-suit,MSAMP）算法,在此基础上提出了一种新的数字图像检索方法。首先对图像的RGB颜色、灰度共生矩阵按照列优先次序形成颜色及纹理的原始信号,然后对这两类信号采用分块压缩感知测量方法对图像进行分块测量,得到代表颜色特征和纹理特征的分块测量向量。其次利用MSAMP算法进行分块重构,计算出分块原始信号差量及其稀疏值。最后在图像检索时,通过计算图像的整体相似度,重点对差量的稀疏性进行估计,不需要精确恢复原始信号,从而减少迭代次数,加快检索速度。仿真实验表明,应用MSAMP算法的图像检索方法在检索速度和查准率等指标上具有较高的性能。