一种不同地面分辨率图像的拼接算法

航空遥感监测中变焦镜头的广泛应用以及飞行高度的变化会获得不同地面分辨率的航空影像,因此为了实时监控到飞行区域的整体情况,需要对不同地面分辨率的图像进行拼接。提出了针对不同地面分辨率图像进行拼接的方法。首先用四分法对图像进行分割,检测变化倍率,选择配准策略;然后用基于加速鲁棒性特征(Speeded-Up Robust Features,SURF)的算法对相邻图像进行拼接。获得了焦距变化从高倍过渡到低倍,或从低倍过渡到高倍的拼接图像。通过航空变焦模拟影像的拼接实验和地面变焦影像的拼接实验表明,该方法能够对不同地面分辨率的图像进行拼接,且拼接结果均以高分辨率为基准。     

快速定位车牌的方法研究

提出了基于数学形态学和纹理特征的快速定位车牌的方法.该方法包含4个步骤:预处理,利用Sobel算子进行垂直边缘检测,通过形态学操作得到连通域,利用车牌的纹理特征和字符特征最终定位车牌.使用该方法对1 144幅图片进行实测,1 102幅图片定位成功,正确识别率为96.3%,处理时间为160～200ms.     

基于HALCON的双目立体视觉工件尺寸测量

为了实现对大批量生产工件尺寸的精密测量，该文基于双目立体视觉视差原理，设计了一种工件尺寸实时测量系统；系统通过两个工业数字摄像头实时采集工件不同角度的两幅图像，并基于机器视觉软件HALCON的HDevelop开发环境，对两幅图像进行相关预处理，获取感兴趣区域。提出一种基于canny的亚像素边缘检测、边缘细化、基于atukey权重函数的最小二乘法边缘拟合及边缘均匀取点算法获取精确的边缘特征点，并通过双目系统标定、极线约束与NCC相结合的立体匹配、世界坐标转换、几何计算相结合的非接触式双目视觉方法进行尺寸测量。通过大量实验证明，该方法可有效地获取工件特征点的三维坐标值，不借助外部测量仪器实现工件关键尺寸的高精度实时检测，检测精度达±0.2mm以上，简单快捷，具有较好的准确性和实时性。     

利用少量样本集成吸毒人员预测模型的方法

为了从"潜在"吸毒人员中准确的锁定嫌疑个体,首先甄选样本并利用改进的特征缩放方法得到组合升维的基本样本集,然后对正样本进行过采样、负样本进行样本分片,修正了正、负样本集的不均衡性,最后利用神经网络集成预测吸毒人员的模型,由正负样本集进行训练和验证,提出了基于查准率、准确率、召回率的"三率判断法"的评估模型并进行模拟验证,给出了相关政策建议.     

基于深度学习的人体行为识别算法

目前,针对深度学习的人体行为识别研究,往往采用视频中的全局信息对人体行为进行分析.然而,局部信息缺失造成的特征提取不完备,同样会导致识别精度急剧下降.由此,提出了基于多流深度学习的人体行为识别方法,将人体局部信息与全局信息相结合,通过局部不同特征的精确识别,使人体行为识别更加准确.实验表明,与现有深度学习方法相比,提出的方法在数据集UCF101和HMDB51上识别精度分别平均提高了约4.0%和6.2%.     

判定线性代数中矩阵相似关系的原理和方法

指出教育部考试中心2019版考研数学考试分析中关于矩阵相似试题解答中的一个错误.系统梳理了高等代数和线性代数课程中关于相似矩阵刻画的角度和方法,明确了在线性代数课程体系中3类可以作出相似判定的矩阵类别及其对应的判别方法,给出不能一般判定相似关系的第4类矩阵的基本特征,并结合实例给出在特殊情形下解决第4类矩阵相似关系判定的方法.     

基于ABC-NB的慢性病诊断分类研究

在医疗领域,医生做出有效正确的决策非常重要,为了提高医生诊断的准确性,避免诊断结果受到医生的直觉、潜意识和自身知识不全面等因素的干扰而造成误判。提出了将改进的ABC-NB算法应用于慢性病诊断领域,以提高诊断效率,减少误判几率。将基于改进尺度因子的人工蜂群算法应用于慢性病特征的选择,对数据进行降维,剔除冗余、无关的特征,提高收敛速度,增强算法搜索全局最优解的能力。接着将预处理后的数据各特征值进行训练和学习生成贝叶斯分类器,构建预测模型。预测模块将诊断结果显示出来供医护人员参考,辅助进行诊断和决策。实验表明该模型具有很好的柔性和鲁棒性,能够稳定的计算出慢性病的概率,有效的辅助医护人员进行诊断。     

化零为整求多个角的和

<正>整体思想,就是在解决有关数学问题时,通过观察问题的整体形式、整体结构、整体特征,从而对问题进行整体处理的解题方法.从整体上去认识问题、思考问题,常常能化繁为简、变难为易.转化思想是解决数学问题的一种最基本的数学思想,我们通常是将未知问题转化为已知的问题,将复杂的问题转化为简单的问题,将抽象的问题转化为具体的问题,将     

用主成分分析法作多指标综合评价应该注意的问题

主成分分析法是一种很好的多指标综合评价方法,但须注意其适用性,也要对评价结果恰当地使用.如果样本太少,或者各变量之间的相关性很小,则不适合使用;涉及到动态的价值型的指标评价问题必须作不变价在处理;如果仅仅是进行排序评价则只用一个主成分得分进行评价即可;若还要进行其他方面的分析,则在选取主成分个数时,只能选取特征根大于1所对应主成分;计算各样本的主成分得分一定要采取变权的方式进行;在对各主成分进行命名和特征概括时要首先考察各变量在不同主成分载荷的绝对值大小,在此基础上选择同一主成分上载荷较大的变量主成分命名和特征概括;如果要做倍比分析,则要把各样本的主成分得分映射到适当的正数区间,该区间的选择需要一定的经验,或者参照其他指标的倍比关系确定.