基于稀疏编码直方图的TSM识别场景文本算法

基于部件的树结构模型(TSM)使用的底层特征梯度直方图(HOG)对文字特征表达性不强,且降维时易造成信息丢失。针对该问题,构建以稀疏编码直方图(HSC)为底层特征的基于部件的树结构模型(HSC-TSM)识别场景文本。将K-SVD学习字典用于计算稀疏编码,逐像素地将稀疏编码聚合成HSC,描述文字的局部外观信息;通过奇异值分解对HSC进行降维,避免信息丢失。HSC-TSM在数据集ICDAR 2003上对各类文字的识别率比TSM高3.08%-10.28%,在数据集ICDAR 2003和SVT上的单词识别率分别提升了5.30%和3.62%。     

基于韦伯局部算子和颜色特征的行人再识别

在视频监控中,行人再识别有着重要作用。针对当前识别精度高的行人再识别特征数值复杂、提取困难的问题,提出一种数值简单、提取速度快的融合特征。在分析韦伯局部算子差分激励和方向分量的基础上,用圆形邻域的差分激励表现图像的纹理特性,然后用Local Binary Pattern编码的方向分量表现图像边缘方向,再用HSV颜色空间直方图表现图像颜色信息,最后串联特征。实验结果表明在ETHZ、VIPeR行人再识别数据集上,该特征提取速度快,对姿态、视角、光照、身体部分被遮挡变化有强鲁棒性。     

参数最小割中基于层次化融合的前景种子生成算法

参数最小割是一种常用的似物性推荐方法,主要用于在图像中快速定位物体区域。针对该类方法中容易生成大量无效前景种子影响处理效率,提出一种基于层次化融合逐级筛选的前景种子生成算法。首先,基于由颜色、纹理复杂度控制的层次化融合方法得到候选区域集;然后,从候选区域集中结合尺度变化率选出具有稳定外观的候选前景种子;最后,基于似物性分数排序,确定有效的前景种子。实验结果表明,提出的前景种子生成算法具有较高的物体发现率,将其应用于参数最小割方法中,在使用更少的种子,生成较少区域时,可达到与前沿算法相近的区域级物体定位能力。     

融合互补性外形先验信息的改进参数最小割模型

目的 似物性推荐为近年来提出的一种快速物体定位方法,而参数最小割模型作为似物性推荐的一种重要模型受到广泛关注。针对传统的参数最小割模型受颜色分布影响较大的问题,提出融合多个具有信息互补作用的外形先验予以改进。方法 首先构造了一种数据驱动的基于形状共享的外形先验,以发现具有相似外形的物体区域;其次,从格式塔完形心理学的角度入手,引出了一种测地星形凸面性的外形先验,约束外形的拓扑结构,生成外形不同的物体区域;最后,结合外形先验、颜色分布、边缘响应强度以及尺度线索,构建能量函数以表征新的模型,从而增强模型对复杂颜色分布的鲁棒性。结果 分别在Seg VOC12和BSDS300数据集中进行了外形先验有效性验证、复杂颜色分布下算法鲁棒性分析和前沿似物性推荐算法对比分析等实验,结果表明,本文采用融合互补性外形先验能提高候选区域定位精度,具有更好的颜色分布鲁棒性,当颜色简单性位于[0.7,,08]之间时,算法结合外形先验后平均最佳重叠率最高可达到9.8%的提升,且在与13种具有代表性的似物性推荐算法进行区域级物体定位能力对比实验中,本文算法在不同的重叠率阈值下均达到了相近的查全率。结论 本文算法具有更高的前景与背景的区分能力,能够适应各种复杂颜色分布,同时具有较好的物体定位能力。     

圆柱形爆炸容器抗爆特性的试验研究

在圆柱形爆炸容器内开展内爆试验,分析了不同当量TNT作用下爆炸容器内爆载荷,对比了单层结构和多层复合结构中壳体应变响应的差异。试验结果表明：圆柱形爆炸容器内正对爆心位置的冲击波峰值最大,沿着圆柱壳体向下反射超压和比冲量逐渐减小;多层复合结构相比于单层结构,壳体应变峰值减小,应变增长趋势减弱,应变持续时间缩短,综合抗爆能力增强。