RS码译码算法对比研究

RS码所具有的高效译码性能使其被广泛应用于数据通信和存储系统的差错控制中。本文主要对目前常用的RS码的硬判决译码算法和K—V代数软判决译码算法进行对比研究。通过对两种算法原理的理论分析,给出了RS码在硬判决与软判决的算法下的计算机仿真。结果表明两种算法均能得到良好的译码效果,而软判决译码算法较硬判决方式能更有效地带来系统增益。而软判决译码算法可以通过适当提高复杂度来改善系统的性能。     

一种基于目标航迹的跟踪算法

针对空中制导的复杂性和多样性,提出了一种以通过像素邻域判决准则,获得检测图像中的多目标为基础,利用一步预测原理确定航迹起始和终结,实现序列帧中多目标的连续跟踪算法.通过对实际拍摄的序列帧图像进行相应的跟踪仿真试验,结果表明,该算法能够稳定可靠跟踪多目标.     

TV Image Retrieval Based on Color Feature

随着对电视节目素材和新闻、广告等节目监播检索需求的不断增加,基于文本方式的检索已不能满足要求.基于颜色特征的电视图像检索能够将电视图像检索从原始的文本检索提升到基于内容的检索,通过其原理和算法分析,并用Matlab对广告、建筑、人物等4类图像进行仿真检索实验,结果表明,基于颜色特征的电视图像检索是可行的,在实验的4类图像中都能准确地检索出目标图像.     

复杂电磁环境信号分形特性验证

为了证明复杂电磁环境信号是否具有分形特征,根据分形的基本性质,采用基于数学形态学的分形维数估计方法,验证了电磁环境信号的标度不变性;通过分析长程相关性与自相似性的关系,推导Hurst指数验证分形自相似性的方法,验证电磁环境信号的自相似性;通过分析电磁环境信号局部分形特征,验证了其多重分形特性。理论分析和仿真计算结果表明,复杂电磁环境信号具有分形特征,为利用分形理论研究复杂电磁环境奠定了基础。     

一种基于加权最多邻近点距离的相关跟踪方法

针对相关跟踪过程中障碍物遮挡,噪声和目标形变对跟踪稳定性的影响,提出了一种基于加权最多邻近点距离的相关跟踪方法。采用模板图像与实时图像的相似点个数并与距离进行加权的方式定义相似性度量,结合相似度对目标模板进行更新,采用Kalman算子预测目标位置并进行分层搜索,实现快速稳定跟踪目标。实验结果表明,该方法能较好地抑制噪声和目标遮挡的影响,目标遮挡重新捕获成功率高于80%,目标跟踪精度低于10个像素。     

移动机器人目标识别算法

针对移动机器人在目标识别过程中对视觉图像特征点提取慢,匹配不准确等特点,提出了一种基于SIFT算法的改进目标识别算法。通过采用组合匹配策略,将特征关键点间的距离和内积同时进行考察,根据其自身值的大小,决定对匹配相似度的贡献。组合策略的引入有效地解决了机器人在目标识别中对相同特征图像不能匹配和不同特征图像能够匹配的问题。为克服目标匹配时实性差的弱点,以关键点为根据构建K维树结构,采用最近邻点搜索,快速找出正确匹配的特征点。为实现移动机器人目标识别过程中的自主性,在特征点匹配过程中引入自适应阈值进行判断。实验表明,该方法对移动机器人目标识别准确率有较大提升,能够满足移动机器人在目标识别和跟踪过程中对视频图像处理的实时性和准确性的要求。     

一种多视点视频自动颜色校正系统

针对多视点视频系统中视点间图像颜色不一致的问题,提出了一种多视点视频自动颜色校正系统。通过求取目标图像和源图像间的颜色校正矩阵,判断其是否满足全局校正的要求;对不满足要求的图像,通过图像分割和K-L变换(Karhunen-Loeve transform),建立起目标图像和源图像中各分割区域间的局部映射关系,并通过感兴趣区域匹配,来实现对源图像的校正,最后通过视频跟踪技术实现对视频图像的校正。以标准的多视点测试图像集为例,通过将新方法与直方图匹配、全局一维线性校正算法等进行比较,表明新方法能消除匹配失真的影响,且具有较好的颜色校正效果。研究结果表明该系统可以很好地揭示图像间的颜色变化关系,并且具有很好的内容自适应性,是一种有效的多视点视频图像系统颜色校正方法。     

引鉴历史和瞩目未来

尽管中国选择的市场经济发展路径与美国有很大的差异,但基于市场经济体制的相似性,美国发展历程中的许多正面与反面的经验教训,仍然值得我们借鉴.     

OFDM系统中基于软信息处理的自适应双模半盲信道估计

本文提出了一种新的基于软信息迭代处理的自适应双模半盲信道估计算法.该算法构造了新的置信度量函数获取译码和软映射重构的反馈信号的置信度,和置信阈值比对后在判决反馈和盲估计两种估计模式之间自适应选择,这样估计的信道频响可以提高软信息迭代接收的性能.仿真结果表明,本文提出的算法能综合两种估计模式的优势,限制传统判决反馈模式的错误传播,在没有分散导频辅助估计的条件下有效跟踪时变信道,达到好的系统性能.     

基于记忆单元与多尺度结构相似性的异常检测

针对基于记忆单元的自编码器模型(Dynamic Prototype Unit Model,DPU)在检测视频异常时没有充分利用多层次特征、未考虑异常与正常事件间的结构性差异的问题,提出融合多尺度记忆模块和多尺度结构相似性的异常检测模型.新模型构建了多尺度记忆模块(Multi Scale Memory Module),利用不同尺度空间的记忆单元对编码层特征进行编码,并将编码结果与解码层特征拼接,既能保留网络的浅层细节信息,又能促进正常模式的多样性.为了约束对正常事件中结构信息的学习,组合多尺度结构相似性(Multi Scale Structure Similarity Index,MS-SSIM)误差与L 1误差作为目标函数,使预测视频中的事件结构更接近正常事件,提高视频中异常事件的预测误差.在标准数据集UCSD Ped1、UCSD Ped2和Avenue数据集上的实验结果表明,提出模型的帧级AUC比原模型分别提高了0.8%、3.4%和1.0%,帧率达到142.9 fps.