约束变尺度类算法(Ⅰ)——统一算法模型及既约梯度型方向算法类

建立了非单调一维搜索约束变尺度类统一算法模型，提出收敛性条件，并证明了算法的全局收敛性．通过引入连续优势函数和Ａ－方向集的概念，将约束变尺度算法与可行方向法合二为一．不仅推广了“经典”的约束变尺度算法（可进行非单调一维搜索）．而且可得出许多新的算法，这些新算法既具有“经典”约束变尺度法“宽通路”的特征．也具有可行方向法单步计算量较小，计算程序简单的优点．进一步构造了一个方便实用的连续优势函数，并在此基础上建立了既约梯度型方向约束变尺度算法类．

约束变尺度类算法(Ⅱ)——两步超线性收敛的广义投影梯度约束变尺度方向类

将Ｈａｎ－Ｐｏｗｅｌ和文献［１］中算法的思想有机的结合在一起，构造了广义投影梯度约束变尺度方向所满足的线性系统．从而建立了具有两步超线性收敛的广义投影梯度约束变尺度类算法Ｃ．该算法为统一算法模型Ａ提供了一个重要的子类．到此，统一算法模型Ａ已包括了Ｈａｎ－Ｐｏｗｅｌ算法和既约梯度、投影梯度型、广义投影梯度型约束变尺度类算法．从而形成了一个丰富的理论算法库．与此同时，这些算法也被自然的推广到非单调一维搜索的情形．

基于梯度方向的Canny SLIC图像分割算法

针对传统Canny简单线性迭代聚类(simple linear iterative clustering, SLIC)算法中弱边缘的边界粘附性以及超像素形状规则的问题,提出了一种改进的基于梯度方向的Canny SLIC图像分割算法。传统的Canny SLIC算法中的边缘检测,使用的滞后阈值法在识别和连接边缘时,容易将梯度幅值小的边缘信息识别成噪声,从而和SLIC算法融合后会丢失目标的部分边缘,所以本文把利用边缘和噪声在梯度方向上的不同而改进的Canny算法与SLIC结合,然后使用复数运算来降低图像边缘特征维度,最后采用六边形来描述SLIC生成的超像素,经实验表明:该算法能生成与物体边界密切贴合且分割精度高的超像素分割图,验证了所提出算法的有效性。

基于局部聚类的改进运动网格统计算法的研究

针对常用的匹配点筛选算法效率低、对具有角度和尺度变化匹配图像稳定性差等问题,提出一种基于局部聚类的改进网格运动统计特征点筛选算法。首先,通过局部区域抑制算法筛选响应强度较高且成对出现特征点作为种子点,并以种子点为聚类中心分割图像,得到最小外接矩形作为运动网格;随后把运动网格划分为3×3邻域支持估计量网格,计算运动网格在不同方向上的梯度最大值,作为运动网格的主方向;最后,把待匹配图像邻域支持估计量网格旋转至目标图像运动网格的主方向位置,借助网格运动统计算法筛选匹配。实验表明:对具有JPEG压缩变换、光照变化、模糊变换的匹配图像,所提算法匹配正确率在90%以上;对具有旋转和尺度变换图像,所提算法匹配正确率相较运动网格统计算法提高10%左右,高达40%以上;算法耗时仅为13 min,效率较高;所提算法可稳定高效地筛选正确的匹配点。

改进的次梯度优化算法的收敛性研究

次梯度优化算法是求解Lagrange对偶问题的一种有效的算法。不同的步长策略对算法的收敛性有不同的影响,I型锯齿现象对算法的收敛速度也会产生影响。通过改进步长因子公式和搜索方向,在普通次梯度优化算法的基础上,提出了一种改进的次梯度优化算法(MSOA)。该算法具有收敛、能够有效地消去I型锯齿影响的优点。

ABS算法在线性约束优化中的应用

本文介绍ABS算法在线性约束优化中的应用,利用ABS算法对GI法进行了重新描述,给出了投影矩阵及Moore-Penrose伪逆连续修正的ABS方法,并探讨了利用ABS算法来构造下降方向的方法。

红外视频图像的行人检测算法

在光照不足、对比度较低的夜晚,红外辐射成像技术具有较好的成像效果。一个鲁棒性好、可靠性强的红外环境行人检测方法,对拓展红外成像技术的应用具有重要意义。对此,提出了一套高效可行的红外环境下行人检测方案。首先,使用高斯混合模型进行图像分割,获取前景区域。高斯混合模型具有对运动敏感的特征,在运动目标检测过程中不仅可以实时更新背景,而且还能有效地消除阴影区域。然后,提取方向梯度直方图(HOG)特征。HOG是在图像的局部方格单元上操作的,所以它对图像几何、光学的形变都能保持很好的不变性;HOG可以允许行人有一些细微的肢体动作,这些细微的动作可以被忽略而不影响检测效果。最后,使用Adaboost算法进行分类识别。试验结果表明,该方法在红外环境下的行人识别率高达99%,能较好地满足应用需求。

融合HOG和颜色特征的人体姿态估计新算法

为解决现有人体姿态估计算法在处理光照条件很差或颜色对比度很低的待处理图像时估计准确度较低的问题,利用梯度方向直方图(HOG)和颜色特征建立了一种的基于可能性C(PCM)聚类算法部位外观模型,提出了一种新的融合HOG特征和颜色特征的人体姿态估计算法。算法根据待处理图像自动选择部位外观模型,若图像的光照条件和颜色对比度都较好则选择现有的基于HOG和颜色特征融合的部位外观模型,否则选择基于PCM聚类算法的部位外观模型。仿真实验表明所建立的部位外观模型能更准确地描述光照条件很差或颜色对比度很低的图像中下真实人体部位的外观,提出的人体姿态估计算法对各种类型的待处理图像均能得到准确度更高的估计结果。

基于哈希表结构和图像分割的快速图像标注

为了快速、准确地标注大型图像数据集中的图片,提出了一种利用图像分割和基于kNN(k-nearest neighbor)图的半监督学习来标注图像的算法.该算法先将图像分割为若干个局部区域,使用局部敏感的哈希表来构建图像局部区域的kNN图,并基于图像局部区域的kNN图来构建原始图像的kNN图,利用基于图的半监督标签传递算法来标注未标注的图像.在具有269 648张图像的大型图像数据集NUS-WIDE和具有5 000张图像的Corel数据集上的实验结果表明,该算法能获得较快的标注速度和标注精度.

改进AdaBoost与SVM快速人脸检测

使用Ada Boost进行人脸检测,存在训练时间长以及误检率高的问题.本文提出了一种新的快速人脸检测方法.首先通过对类Haar特征约束,提高人脸特征选取的有效性,减少整体特征数;然后利用基于梯度方向直方图HOG特征的支持向量机SVM算法对改进后的Ada Boost算法出现的高误检率进行检测优化,以降低误检率,提高检测的准确度.实验结果表明,本文提出的Ada Boost改进算法可以有效地缩短训练和检测时间,结合SVM优化实验可以大大降低误检率,提高人脸检测的正检率,实现快速高效的人脸检测.