帧间差分与背景差分相融合的运动目标检测算法

针对视频序列中运动目标检测进行了研究, 提出了一种将帧间差分和背景差分相互融合的运动目标检测算法, 首先选取一帧作为背景帧, 确立每一个象素点的高斯模型; 然后对相邻两帧进行差分处理, 区分出变化的区域和没有发生变化的区域, 没有发生变化的区域更新到背景帧中, 发生变化的区域与背景模型进行拟合, 区分出显露区和运动目标, 将显露区以很大的更新率收入到背景帧中。该方法允许在有运动物存在的情况下进行建模, 实验表明该方法准确率高, 运算速度快, 能满足实时检测的需要。

基于正交迭代的增量LLE算法

LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.

一种序列的加权kNN分类方法

针对加权kNN(k-Nearest Neighbor)方法在对样本进行分类时,仅仅只利用了它的k近邻点来进行分类决策的不足,提出了一种序列的加权kNN分类方法.该方法在对某个测试样本进行分类时,除了利用它k近邻点所提供的类别信息外,还有效地利用了前面已分类样本的类别信息,这使得测试样本的分类决策更加合理和有效.在Cohn-Kanade人脸库上进行的表情识别实验表明,在序列样本分类的场合,该方法的分类效果比加权kNN方法更好.

基于稀疏表示的遮挡人脸表情识别方法

用基于稀疏表示的分类方法识别遮挡人脸表情时,遮挡字典不具有冗余度且身份特征易干扰表情分类.针对此问题,文中提出一种基于稀疏表示的遮挡人脸表情识别方法.该方法首先通过对图像多级分块得到具有冗余度的遮挡字典,然后通过稀疏分解求出待测图像的稀疏表示系数,最后在待测图像所在的子空间内实现表情类别判断.该方法使待测图像的分解系数变得更稀疏,同时避免身份特征对表情分类的干扰.在Cohn-Kanade和JAFFE人脸库上的遮挡表情识别实验表明,该方法对遮挡人脸的表情识别具有较强的鲁棒性.

一种广义的主成分分析特征提取方法

提出了一种广义的PCA特征提取方法。该方法先将图像矩阵进行重组,根据重组的图像矩阵构造出总体散布矩阵,然后求出最佳投影向量进行特征提取。它是2DPCA和模块2DPCA的进一步推广,可以建立任意维数的散布矩阵,得到任意维数的投影向量。实验表明,随着总体散布矩阵维数的减小,广义PCA的特征提取能力更强,特征提取的速度也更快。

基于帧间差分背景模型的运动物体检测与跟踪

针对背景差分算法中在复杂背景下参考帧的提取问题,提出了一种新的背景提取方法;该算法用帧间差分法将帧中的背景象素点检测出来,再确立出背景帧;由于排除了帧中运动物体的影响,因而提取出的背景干净,效果很好,然后运用背景差分检测出场景中的物体,最后采用一种新的运动物体跟踪算法,实现了运动物体和静止物体的识别,克服了以往检测算法中的误检和空洞问题,实验结果表明,该方法快速有效,能够满足实时性的要求。

稀疏表示分类中遮挡字典构造方法的改进

针对稀疏表示分类算法中遮挡字典维数高且无冗余的问题,提出一种遮挡字典构造方法.首先通过图像分块得到各级的遮挡基图像;然后将所有互不相同的遮挡基图像按字典顺序转化为向量,并用这些向量作为遮挡字典的列,从而构造出维数相对较低且具有一定冗余度的遮挡字典.实验结果表明,该方法不仅明显提高了稀疏表示分类算法对遮挡人脸的识别率,而且还能通过减少图像的分块级数降低稀疏分解的耗时量,提高运算效率.

基于监督式等距映射的人脸和表情识别

提出了一种基于监督式等距映射的人脸和表情识别方法,该方法能同时完成身份和表情的识别。首先,运用监督式等距映射,将训练集中的人脸表情图像投影到低维流形空间,在这个流形空间里,图像的投影不仅实现了按其身份的分离,同时在同身份图像的内部,又实现了按其表情的聚类。然后,用非线性投影,将待测图像嵌入到流形空间。最后,采用加权knn分类器,识别出它的身份和表情。在Cohn-Kanade和JAFFE人脸库上的实验表明,该方法对人脸和表情的识别的准确率比较高。

基于向量组的Fisher线性鉴别分析方法

提出了一种基于向量组的Fisher线性鉴别分析方法。该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析。这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值。此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广。

基于子空间稀疏系数的表情识别方法

提出了一种运用SRC(Sparse Representation based Classification)在个体子空间里,进行表情识别的新方法。用Gabor滤波器,提取表情图像的特征。进行稀疏分解,得到稀疏表示系数。根据稀疏系数确定待测图像所在的子空间,在子空间里,完成表情识别。这种方法较好地避免了不同个体对表情识别的干扰,从而提高了表情识别的正确率。在Cohn-Kanade和JAFFE人脸库上的表情识别实验表明,该方法对表情识别非常有效。

基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。

基于颜色相似度的车牌定位算法

针对车牌图像分割困难、车牌位置定位不准确等问题,提出了一种新的车牌快速定位方法。该方法是在HSV模式下进行的,首先在颜色空间下,对车身的每一行颜色进行相似度的计算,再将相似度大于阈值的颜色去除,然后进行水平与垂直投影,同时利用车牌位置、长宽比例信息,精确地定位出车牌。这种方法对不同光照条件下,不同颜色的车辆,不同颜色的车牌均具有良好的适应性。实验表明该方法定位准确,运算速度快,能满足实时性要求。

“信号与系统”与“数字信号处理”的知识点整合

"信号与系统"和"数字信号处理"是通信专业的2门核心课程,它们联系非常紧密,内容上存在一定程度上的重复。对2门课程的知识体系及其间的联系进行了分析,在此基础上对2门课程的知识结构进行了重新整合。实践表明,通过知识点的整合,有效地减少了重复的教学内容,解决了教学内容多与教学课时少的矛盾,极大地提高了授课效率。

基于图像重建的表情识别算法

提出了一种基于图像重建的表情识别算法。首先,用LE(lipschitz embedding)算法提取出训练集中各个对象的表情流形,并建立流形向量与图像向量的映射关系。再通过非线性重建,确定待测图像在流形空间中的坐标。最后,用待测图像在各表情路径上的投影,重建各种表情图像,实现表情识别。该算法解决了各表情流形相互重叠的问题,且对表情强度变化具有鲁棒性。在Cohn-Kanade和CMU-AMP人脸库上的结果实验表明,该算法具有较好的表情识别率。

浅谈“数字信号处理”教学中的创新思维培养

本文针对大学教师常常在课堂教学中疏忽培养学生创新思维的现状,就如何在"数字信号处理"教学中,培养学生创新思维的问题,进行了一些探讨。实践表明在教学中培养学生的创新思维,能够加深学生对知识的理解,提升学生运用知识的能力,激发学生的学习积极性和创造力。

模块2DPCA的缺陷与改进

模块2DPCA是2DPCA的推广,在识别性能上比2DPCA更具鲁棒性。本文分析了模块2DPCA在计算训练样本总体散布矩阵和本征向量选取方面的缺陷,提出了一种改进的模块2DPCA算法。实验结果表明,改进后的算法能更好地选取本征向量,更有效地提取人脸特征。

基于逆迭代的增量LLE算法

Locally Linear Embedding(LLE)算法是一种很好的流形学习算法,但是它只能以批处理的方式进行,只要有新的样本加入,就必须重作该算法的全部内容。而原来的运算结果被全部丢弃。提出了一种基于逆迭代的增量LLE算法,实现了流形的增量学习。在Swiss roll和S-curve数据库上的实验表明,该算法与LLE算法所计算出的投影值误差小于0.001%,运行的耗时少,具有很好的应用价值。

信号与系统研究性教学中创新思维的培养

研究性教学作为一种能有效提高学生创新能力的教学模式,现已成了高校教学改革的方向。本文就在信号与系统研究性教学中,如何培养学生创新思维的问题,结合具体的教学内容进行了一些探讨。实践表明,在教学中培养学生的创新思维,不但能促进他们对知识的理解,提升他们熟练运用知识的能力,而且还能激发他们的研究兴趣和创造力。

地方院校“信号与系统”教材改革探索

在当前大众化高等教育模式下,许多地方院校出现了学生数学基础不扎实,理解能力不强的状况。怎样编写体例新颖活泼,比较适合地方院校学生的"信号与系统"教材,本文探讨了一些措施。教学实践表明,这些措施对激发学生的学习兴趣,促进他们对知识的理解,提高他们的知识运用能力,都有较好的作用。

信号与系统研究性教学模式探索与实践

研究性教学作为一种顺应时代要求的人才培养理念,现已成了高校教学改革的方向。该文根据研究性教学的要求,对信号与系统的课堂教学、研究主题设计、实践教学和成绩评定方式进行了改革。实践表明,这些改革措施调动了学生的学习积极性,对培养学生的探索精神,提升他们的创新能力非常有益。