联合吸收马尔可夫链和骨架映射的视频分割

因严重遮挡和剧烈形变等挑战长期共存,精准鲁棒的视频分割已成为计算机视觉的热点之一.构建联合吸收马尔可夫链和骨架映射的视频分割方法,经由“预分割—后优化—再提升”逐步递进地生成精准目标轮廓.在预分割阶段,基于孪生网络和区域生成网络获取目标感兴趣区域,建立这些区域内超像素的吸收马尔可夫链,计算出超像素的前景/背景标签.吸收马尔可夫链可灵活有效地感知和传播目标特征,能从复杂场景初步预分割出目标物体.后优化阶段,设计短期时空线索模型和长期时空线索模型,以获取目标的短期变化规律和长期稳定特征,进而优化超像素标签,降低相似物体和噪声带来的误差.在再提升阶段,为减少优化结果的边缘毛刺和不连贯,基于超像素标签和位置,提出前景骨架和背景骨架的自动生成算法,并构建基于编解码的骨架映射网络,以学习出像素级目标轮廓,最终得到精准视频分割结果.标准数据集的大量实验表明:所提方法优于现有主流视频分割方法,能够产生具有更高区域相似度和轮廓精准度的分割结果.

改进骨架提取的Voronoi图导航中骨架重构算法研究

基于Voronoi图的路径规划算法在复杂环境导航过程中会因环境改变和Voronoi图结构的不变性,使全局路径规划器陷入最短路径搜索“陷阱”,导致导航失败。针对这一问题,提出一种改进骨架提取的Voronoi图导航骨架重构算法。对栅格地图进行预处理,生成全局初始骨架;结合激光雷达观测模型更新代价地图,通过改变代价地图的更新方式辅助骨架重构,实现机器人正确导航。对比实验结果表明,所提算法使骨架重构具有“记忆性”,在保证导航实时性的同时,提升了骨架算法的导航鲁棒性。

Building reliable genetic maps: different mapping strategies may result in different maps

New high throughput DNA technologies resulted in a disproportion between the high number of scored markers for the mapping populations and relatively small sizes of the genotyped populations. Correspondingly, the number of markers may, by orders of magnitude, exceed the threshold of recombination resolution achievable for a given population size. Hence, only a small part of markers can be genuinely ordered in the map. The question is how to choose the most informative markers for building such a reliable “skeleton” map. We believe that our approach provides a solution to this difficult problem due to: a) powerful tools of discrete optimization for multilocus ordering;b) a verification procedure, which is impossible without fast and high-quality optimization, to control the map quality based on re-sampling techniques;c) an interactive algorithm of marker clustering in complicated situations caused by significant deviation of recombination rates between markers of non-homologous chromosomes from the expected 50% (referred to as quasi-linkage or pseudo-linkage);and d) an algorithm for detection and removing excessive markers to increase the stability of multilocus ordering.

基于骨架地图的全覆盖路径优化方法

提出了一种基于骨架地图的全覆盖路径优化方法,旨在解决扫地机器人覆盖算法全局路径规划拐点较多、清洁率低等问题。该算法首先对激光雷达扫描得到的栅格地图进行处理,去除地图的细小噪点和离群点等干扰,接着抽取骨架生成骨架地图,再在该地图上进行路径规划。实验表明,在选用的实验环境下,路径的拐点数减少15.64%,实际清洁率提高至98%,从而降低了机器人实际工作的能耗。

单兵装备人机工效知识图谱构建技术

为改善单兵装备人机工效领域知识共享困难、利用效率低的现状,提出基于“一致性检验”与“语料评价”的骨架法应用策略。构建单兵装备人机工效领域知识本体,对本体网络进行质量评估与优化;搭建基于“半指针-半标注”抽取思路的联合抽取模型,进行领域知识文本中重叠三元组的自动化信息抽取,F1-score达到0.82;基于Neo4j构建单兵装备人机工效知识图谱,对图谱的应用方式进行讨论。结果表明:以主客观评价结合的骨架法应用策略能够提高知识本体构建效率,达到较好的语料数据覆盖效果;单兵装备人机工效知识图谱能为领域知识的共享与重用提供数据支撑与技术手段。

基于OpenPose与AT-STGCN的电力作业人员行为识别技术

为实现复杂环境中作业现场人员的行为的智能识别,提出了一种OpenPose与ATSTGCN结合的作业人员行为识别算法。该网络首先采用OpenPose技术从视频帧中提取人体骨骼关键节点,并采用部分亲和字段连接关键节点获得人体骨骼图,将时空注意力机制引入到时空图卷积网络中构建AT-STGCN模型,实现对人体骨骼图特征提取的能力,以提高人体动作识别精度。实验结果表明,本文构建的模型算法对电力作业人员的动作识别率达到97.70%,相比STGCN提高0.90%,且浮点运算数降低6.45 G,其整体指标优于其他算法,能实现对作业人员行为有效安全监控,具有一定的鲁棒性与泛化能力。

人体行为序列化识别算法研究

针对传统方法在人体行为识别方面拓展性不强等问题,提出一种序列化的研究思想,提取骨骼图的特征矢量,用SVM训练和识别静态动作,形成序列即可表示动态动作,因此只要丰富静态动作库,就可以实现多种动态动作的识别,具有很好的拓展性。为了减少静态动作识别错误产生的影响,提出一种基于前后信息的纠错算法。实验表明,该算法具有较高的识别准确率,并且具有很好的鲁棒性和实时性。

SOM聚类与Voronoi图在验证码字符分割中的应用

字符分割是验证码字符识别的关键。为了解决粘连字符构成的验证码分割成功率低的问题,提出了一种基于SOM(self-organizing maps)神经网络聚类与维诺图(Voronoi)骨架形态分析相结合的粘连字符分割算法。该算法通过连通分量区分粘连字符,然后利用Voronoi图获得粘连字符的骨架形态,提取粘连字符的骨架特征点;根据SOM聚类后的拓扑神经元分布确定分割点,完成粘连字符骨架的分割与复原。用网络验证码图片集进行了测试,实验效果与滴水法和连通分量提取法对比显示了该分割算法的优越性。该算法对各种字符粘连类型及字体倾斜扭曲的验证码均能准确分割,为粘连字符分割提供了一种新的方法。

基于骨架提取的飞行器航迹实时重规划法

随着低空防御系统的不断完善,飞行器成功突防的安全性越来越低。该文旨在解决动态航迹规划问题。首先根据飞行器自身飞行约束条件和高程数字地图信息,利用地形特征,将相对平坦的山谷地形提取出来,建立骨架,作为航迹规划的参考。然后,根据航迹策略,飞行器在地面起飞前通过寻路算法快速制定一条可飞的航迹,在空中作战遇到突发威胁时,也能够快速重规划出一条可飞航迹。仿真实验结果证明了该算法费时短并且实时性高。

统一骨架与连续体的结构拓扑优化的ICM理论与方法

描述了基于ICM方法的结构拓扑优化新模型并应用于骨架与连续体结构。ICM方法意指独立、连续变量与映射变换及其反演。新模型将两种结构统一建立了具有重量目标函数和多工况下应力与位移约束下的优化问题。提出的过滤函数是ICM方法的关键技术之一。

一种基于骨架化的道路拓扑生成算法

设计并实现了一种道路拓扑生成算法 ,该算法利用CDT(ConstrainedDelaunayTri angulation)骨架化 (skeletonization)算法从电子地图中提取道路拓扑。此算法弥补了现存道路拓扑生成算法的不足。文章通过理论分析证明算法的时间复杂度为O(nlog(n) ) ,实 验数据支持了这一结果。实践证明该算法的效果和性能良好。

基于数学形态学的矿图扫描图像文字和符号的自动分离

从矿图扫描图像中实现线划图形与文字注记及点状符号的相互分离，是矿图扫描识别数字化技术的基本要求。本文依据数学形态学原理，根据文字、符号自身的几何和拓扑特征，构造了系列形态变换模型。使用这些模型对扫描图像进行逐步处理，可从图像中自动地删除不同大小、方向及排列方式的文字和符号，从而得到分离的图形要素与文字、符号图像。实验结果表明，所构造的模型对独立文字和符号的分离十分有效。

基于顶点重要性骨架图的视点快速选择算法

针对三维模型形状分析与处理、图形绘制、场景理解与优化布局等应用中的视点选择问题,利用三维模型线形骨架定义源模型顶点的重要性,给出了视点信息量的计算方法.采用Loop子分模板,对选定的初始视点集所形成的三角网格进行迭代式子分,在给定阈值的前提下,给出了三维模型最佳视点和最不利视点的快速选择.理论分析和实验结果表明:基于顶点重要性构建的骨架图,利用子分模板可快速地实现三维模型最佳视点和最不利视点的选择,算法执行效率高,能在最佳视点中提供更多的全局拓扑知觉信息.

知识图谱视角下精益研究现状与发展趋势

本文以CNKI收录的2005—2014年精益相关文献为研究对象,借助Ucinet、Citespace等可视化工具进行知识图谱分析,结合网络密度、中心性等重要指标探究了该领域研究的基本特征、热点主题、前沿趋势等内容。研究表明:自2007年,精益领域研究热点主要集中在基础理论和应用研究,从未来发展趋势看精益领域重点应在精益实施效果评价、本土化精益管理模式、精益与创新方法结合。该成果对中国精益领域研究者理清发展脉络和前沿趋势有重要参考价值。

3维面状要素注记的自动配置研究

随着3维地图的发展,2维地图中的一些注记自动配置规则和方法在3维环境下显得并不适用。在分析3维注记视觉变量及其影响因素的基础上,对3维地形图中面状要素的注记配置规则进行了研究,提出一种基于约束性Delaunay三角网提取面状要素注记定位线、并结合3维地形图中面状要素的符号特征获取注记定位点的3维面状要素注记自动配置方法,在基于ArcEngine的3维地形图自动绘制系统中得到了成功应用。

基于结构感知深度神经网络的显著性对象检测算法

由于现有的基于深度神经网络的显著性对象检测算法忽视了对象的结构信息,使得显著性图不能完整地覆盖整个对象区域,导致检测的准确率下降。针对此问题,提出一种结构感知的深度显著性对象检测算法。该算法基于一种多流结构的深度神经网络,包括特征提取网络、对象骨架检测子网络、显著性对象检测子网络和跨任务连接部件四个部分。首先,在显著性对象子网络的训练和测试阶段,通过对象骨骼检测子网络学习对象的结构信息,并利用跨任务连接部件使得显著性对象检测子网络能自动编码对象骨骼子网络学习的信息,从而感知对象的整体结构,克服对象区域检测不完整问题;其次,为了进一步提高所提方法的准确率,利用全连接条件随机场对检测结果进行进一步的优化。在三个公共数据集上的实验结果表明,该算法在检测的准确率和运行效率上均优于现有存在的基于深度学习的算法,这也说明了在深度神经网络中考虑对象结构信息的捕获是有意义的,有助于提高模型准确率。

知识图谱视角下我国精益研究现状与发展趋势

以CNKI收录的2005-2014年精益相关文献为研究对象,借助Ucinet、CitespaceⅢ等可视化工具进行知识图谱分析,结合网络密度、中心性等重要指标探究了该领域研究的基本特征、核心力量、热点主题、前沿趋势等内容。研究表明:自2007年,精益领域研究热点主要集中于基础理论和应用研究;而未来发展趋势看精益领域重点应该是精益实施效果评价、本土化精益管理模式、精益与创新方法结合。该成果对我国精益领域研究者理清发展脉络和前沿趋势有重要参考价值。

地形图点状符号的自动提取和识别

针对扫描地形图的点状符号,提出了一种基于距离变换进行提取和识别的新方法.首先优化分版图的提取结果,根据弯曲密度和线划密度过滤掉非点状符号的线划,利用加壳变换和蜕皮变换进行点状符号的图文分离.然后根据加权距离函数来度量符号的全局特征,由骨架线的一致性米度量符号的几何形状特征,并结合这两个特征来识别点状符号.最后,提出了错切文字注记和线状要素注记的识别方法.

基于误差分析的曲面组合测量方法研究

提出一种面向曲面加工的接触式-激光扫描集成的几何检测方法,对激光扫描点云进行误差分析,确定超差区域,进行重采样;再应用数学形态学骨架线算法规划重采样区域的接触式测头路径。两种测量结果集成,为加工参数的选择提供依据。仿真和实验对该方法进行了验证。

基于骨架的单幅图像三维建模

为了快捷直观地对单幅图像进行三维重建,论文提出一种基于骨架的单幅图像三维建模方法。首先提取图像中目标物体的轮廓,将其分为主体和侧肢组件;对主体组件提取骨架,结合轮廓的曲率和几何特征,寻找最优"轮廓-骨架"点对,将骨架进行空间提升,再依照点对进行自动生长并网格化,侧肢组件进行参数化模板建模;最后合并组件、纹理映射得到三维模型。实验结果表明,该方法能够很好地保持原二维轮廓的曲率和几何特征,提高了建模效率。