基于稀疏性的图像去噪综述

利用图像的稀疏与冗余表达模型去噪是当前较为新颖的去噪方法,在对国内外稀疏模型去噪文献进行理解和分析的基础上,回顾稀疏性去噪研究的发展,阐明稀疏去噪的原理与降噪模型。总结用于稀疏去噪中的各类方法,介绍利用稀疏性在图像去噪中的分解与重构过程,并将小波法去噪、多尺度几何分析法去噪、独立成分法去噪中所涉及的传统稀疏性与当前的稀疏与冗余表达模型去噪对比分析。最后基于对稀疏性去噪方法的分析,提出对稀疏去噪研究方法的一些展望。

结合小波变换和图像主元分析的人脸识别

提出了一种基于小波变换和图像主元分析(IMPCA)相结合的人脸识别方法。小波变换具有保留主要信息,去除噪声的作用,对人脸图像进行小波变换,对变换后的近似图像采用IMPCA方法进行识别。IMPCA是一种快速有效的直接通过图像抽取特征的方法,从图像重构的角度分析了实现IMPCA的两种模式,两种模式分别增强了图像的行特征和列特征,将它们的识别结果进行决策融合可以获得更好的识别效果。基于ORL人脸数据库的实验表明,所提出的方法在识别率上优于单独的IMPCA方法。

基于三维模型的多姿态人脸识别

提出了一种利用三维人脸模型匹配二维人脸图像的分层人脸识别方法和基于模糊数学的人脸姿态角度估计算法。对多姿态二维图像进行姿态空间划分,利用主成分分析方法(PCA)形成多姿态特征脸。识别过程首先估计测试图像姿态和模糊姿态角,在估计的姿态空间内采用基于PCA的方法进行第一层识别得到候选个体,然后利用候选个体的三维模型结合模糊姿态角产生虚拟图像,利用相关进行第二层识别。实验结果表明,该方法对姿态的变化有较好的鲁棒性。

一种基于模拟登录的微博数据采集方案

随着Web 2.0时代的到来,舆情信息在微博上能够更快速的产生和传播。为了有效地分析微博舆情信息,微博数据的获取显得尤为重要。文中以新浪微博为研究对象,提出了基于模拟登录的网络爬虫采集方案。此方案解决了调用微博API接口对开发者的次数限制,解决了传统的网络爬虫需要身份验证的问题,加快了微博数据的采集速度,可以在短时间内获得海量的微博数据。实验表明,用该方案开发的系统具有快速的微博信息采集速度,更加灵活,可以很好地为舆情系统分析提供大量准确的数据支持。

基于深度学习的行人单目标跟踪

基于SiamFC跟踪网络和Faster R-CNN检测网络,提出基于关键帧模板更新算法,提高行人目标跟踪速度,以及根据跟踪目标连续性和目标形状不会突变性质,提出欧氏距离和重叠度对系统跟踪结果进行约束。经实验验证,算法系统跟踪平均重叠度达到0.82,算法中心点l2-norm距离缩小到9,有效提高系统的跟踪质量,优于基于检测或者跟踪算法,在系统配置为NVIDIA 1080Ti显卡下,系统跟踪速度达到37fps,达到实时跟踪效果。

TCP自适应压缩传输方案研究

为了提高高速长时延网络的传输效率,提出一种基于TCP的自适应压缩方案,当应用数据到达传输层时用该方案对其进行压缩,方案能根据数据特性自适应选择是否压缩当前数据,并可对下一部分数据的压缩比进行估计。针对TCP自适应压缩方案的性能,给出分组数、压缩效率和传输时间三个评价指标。在真实网络环境中的实验结果显示,对于文本文件的传输比目前的TCP协议提高约56%的传输性能。对于压缩率比较低的视频和混合文件,该方案的性能略有改善。

基于深度学习的三维点云人脸识别

为了增强三维点云人脸识别系统针对多表情、多姿态的鲁棒性,提出一种基于深度学习的点云特征提取网络ResPoint。ResPoint网络使用了分组、采样和局部特征提取(ResConv)等模块,而在ResConv模块中使用了跳跃式连接,因此所提网络对于稀疏点云有很好的识别结果。首先通过人脸几何特征点定位鼻尖点,并以该点为中心切割出面部区域,切割出的区域有噪点并且有孔洞,因此对其进行高斯滤波和三维立方插值;其次,使用ResPoint网络对预处理后的点云数据提取特征;最后,在全连接层组合特征以实现三维人脸的分类。在CASIA三维人脸数据库上的实验中,与关系型卷积神经网络(RS-CNN)相比,ResPoint网络的识别正确率提高了5.06%。实验结果表明,ResPoint网络增加了网络深度的同时使用不同的卷积核提取特征,因此ResPoint网络有更好的特征提取能力。

大规模网络拓扑探测和路径性能测量方法研究

网络拓扑探测和路径性能测量是大规模网络性能测量中的重要部分,是优化网络结构、提升网络性能的基础;对大规模网络环境下的拓扑探测和路径性能测量的关键技术进行了研究,针对传统Doubletree网络拓扑探测算法的不足,提出了一种改进后的算法Boftree,经过实验分析,在探测到相同节点数量的前提下,新算法减少了路径探测次数和探测过程中产生的网络传输开销;并介绍了一种基于矩阵理论的网络路径性能准确重建方法,该方法把网络路径中的链路性能参数抽象为矩阵元素,通过求解矩阵方程,得到网络中所有路径的性能参数值。

基于全卷积网络的目标检测算法

目标检测是计算机视觉的一项重要任务,其主要内容是定位图像中出现的目标,并对其进行分类。主流算法普遍基于卷积加全连接的结构,存在模型参数巨大、检测效率低下等问题。而在现实应用中,比如自动驾驶车载系统、智能监控系统中对行人、车辆等目标的检测,往往对目标检测算法的实时性具有较高要求。为此,提出一种基于全卷积神经网络的目标检测算法。网络结构完全采用卷积层实现,不仅用卷积进行特征提取,而且用卷积层进行预测,采用多任务学习,大大提高了检测效率并降低了模型复杂度。相比主流深度学习目标检测算法,如YOLO、Faster RCNN,该算法速度更快,模型参数更少,且保持相当的精度,在PASCAL VOC2007权威目标检测库上的平均准确率(m AP)达到64.5。

基于光线分布的阴影线跟踪加速算法

传统方法假设场景光线均匀分布,降低了复杂场景的阴影线遍历性能。针对此问题,提出一种基于光线分布的阴影线遍历序列预测算法,以加快绘制性能。通过建立网格快速收集光线相交结果,利用充分采样的光线分布信息,建立一种高质量的阴影线遍历代价函数;引入基于多分辨率网格的光线贡献度,避免网格单元与节点不完全重合导致的预测精度降低;按需预测优先遍历节点,以减少遍历序列计算时间。实验结果表明,对于阴影线遮挡率为75%的场景,算法能减少61%的相交次数。相对于已有方法,新算法提高了预测精度,弥补了传统方法的不足。

基于空间关联特征分布的目标跟踪

通过利用特征全局分布信息,提出一种以网格为数据单元的Mean Shift的目标跟踪算法(grid mean shift,GRIM-SHIFT)。针对传统Mean Shift目标跟踪算法的不足,GRIMSHIFT算法在m*n个像素的网格小区域内提取如颜色、角点量等局部区域特征值。在此基础上结合整幅图像进行约束Delaunay三角剖分得到图像像素间全局空间关联信息。在网格级上把局部特征信息和全局分布信息加权混合,使特征分布数据集具有了更高的目标辨识度;在视频序列中对动态网格特征分布连续运用Mean Shift便实现了对目标的跟踪。实验结果表明GRIMSHIFT拥有良好的实时性和准确性。

基于半监督学习的三维人体姿态估计

通过单目RGB摄像头自动估计人体三维姿态是一个重要的、具有挑战性且仍未被解决问题,主流算法大多基于监督学习的深度学习方法,但是这种方法的效果受训练数据质量的影响很大,而标定好的三维人体姿态数据集相对稀缺,阻碍了这一问题的进一步的研究。在现有标记数据有限的情况下,利用人体姿态信息在二维空间和三维空间上存在的内在关系,提出了一种基于自监督学习和监督学习相结合的半监督学习训练方式的三维人体姿态估计方法,并在Human3.6M数据集上用占数据总量不到40%的带标记数据的半监督训练模型,达到了接近90%的监督训练模型的测试效果,为数据缺乏问题提供解决思路。

联合多任务的级联结构人脸检测

人脸检测是人脸属性分析和人脸识别的基础性任务。原有的一些经典人脸检测算法忽略其他任务的影响,所以通过对其他任务在人脸检测中作用的研究和实验,可以得出其他任务对人脸检测的检测率有提升作用,并且可以同时得出其他任务的准确结果。通过人脸特征点检测与头部姿态估计两个任务为例提出多任务的级联结构人脸检测算法。

一种新的Jerk模型高机动目标跟踪自适应算法

在Jerk模型的基础上,提出了一种新的高机动目标跟踪自适应算法STF-C-Jerk。该算法利用"当前"模型的思想,将Jerk项假设成为非零均值过程,更切合目标机动实际过程,同时通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对目标突发机动的自适应跟踪能力。仿真结果表明,提出的STF-C-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的跟踪性能。