基于视觉显著性的视频差错掩盖算法

为了避免在差错掩盖过程中由于不当的替代块选择而引入新的可察觉失真,将视觉显著性与差错掩盖算法相结合,提出了一种基于视觉显著性的视频差错掩盖算法. 首先使用显著图检测算法将原始视频的每帧图像分为感兴趣区域和非感兴趣区域,接下来在解码端利用视频序列的显著性分布信息进行差错掩盖,保证候选替代块的选择范围被限制在与原始单元具有相似视觉显著性分布水平的区域内;其次在非感兴趣区域受损单元的掩盖算法中引入显著性降低操作算子,通过算子循环迭代来降低其替代块的强度和颜色对比度,使得掩盖后的图像区域既能保持较好的匹配性又具有低显著性;最后利用快速非局部均值去噪算法,对完成差错掩盖操作的视频序列进行去噪处理,以提高视频序列的整体视觉质量. 实验结果表明:在3%、5%、10%丢包率下,相对于传统的边界匹配算法,该算法掩盖后的序列的客观质量具有0.79～1.66 dB的提升;相对于解码端运动估计算法,该算法掩盖后的序列的客观质量具有0.39～1.55 dB的提升;在掩盖完成后使用非局部均值去噪算法,视频序列的客观质量有0.05～0.51 dB的提升.      

SVC增强层传输差错自适应掩盖算法

分析了SVC（scalable video coding）中常用的两种差错掩盖方式的特点和适用场合．提出了基于失真度估计的自适应增强层差错掩盖算法．该算法根据正确接收的基本层重建残差以及基本层与增强层量化参数的差距,分别估计出用当前帧基本层和前一帧增强层对受损图像掩盖后的总体失真度,并以4×4块为单位,选择失真度小的方式进行掩盖．基于JVTSVC的测试模型JSVM（joint scalable video model）的实验结果表明,该自适应掩盖算法与两种常用掩盖方式相比,PSNR（peak signal to noiseratio）分别提高了约3．34和0．63dB．     

一种基于H.26L的自适应差错掩盖方法

利用解码帧的特征及其相关参数，提出了一种基于H．26L的自适应差错掩盖方法．该方法对不同的差错特征分别采用以下3种掩盖方法：边界匹配(BMA)、空间插值(SI)和频域插值(FI)．与采用单一方法相比，用本方法的仿真结果的主客观质量都显著提高，尤其是在场景转换和剧烈运动的时候。     

基于边框匹配的视频差错掩盖技术

以边框匹配技术为基础，提出预掩盖处理、搜索掩盖算法．新算法首先对受损图像区域周围进行预掩盖以期尽可能多地利用周边的有效信息来恢复受损运动向量，最后以估算出的运动补偿块为中心依照边框匹配准则进行搜索，找出最佳运动向量．以JVT(Joint Video Team)测试模型JM(Joint Modal of JVT)1．4为平台的实验表明，改进的掩盖算法在一定程度上能提高重建图像的峰值信噪比(PSNR)值，当与无等待ARQ算法相结合，能在不影响解码器端图像正常回放的情况下，阻止差错的扩散，实现差错图像的完全恢复．     

利用MAS实现车辆动态识别与智能跟踪

针对视频图像车辆智能跟踪问题,提出了利用帧间差异积累动态矩阵进行自适应背景建模算法,采用背景差提取运动目标区域,设计了一种基于知识的多Agent智能系统进行目标分割、轮廓提取和空域滤波,增强了抗背景干扰能力,使获得的目标区域具有更好的空域连通特性;通过自适应核窗宽改进了MeanShift算法的收敛速度,利用SSD算法实现了快速初始定位。实验结果表明,该方法自治能力强,跟踪目标快速准确,实时有效。     

一种基于MRF的多层遗传递减视频对象分割算法

提出一种视频对象分割方法,将时域信息、空域信息和图像颜色特征有效地结合起来,采用MRF遗传递减式分类来提取视频对象.利用视频帧的颜色特征,在初始分割中采用时空域分水岭方法,建立一个时空域毗连图(ST-RAG);基于时空域毗连图建立马尔可夫随机场(MRF)模型,在分割过程中采用遗传递减式方法对区域进行合理分类,利用形态学进行后处理,分割出感兴趣的视频对象.实验结果表明所获取的分割方法具有灵活性,且精度高.     

H.26L视频正向差错跟踪技术

H.26L解码器端引入的差错掩盖技术在视频序列变化较为剧烈的情况下，效果并不十分理想，为更好地遏制差错的进一步传播，介绍了一种正向视频差错跟踪技术，这种技术只对当前帧中受到差错“污染”的宏块进行帧内编码，不会带来数据量的急剧增加，在此基础上提出了多帧分级更新策略，使得差错跟踪恢复后的数据量得以平滑地过渡，实验表明，该技术对于运动较为剧烈的图像的差错恢复效果较好。     

基于CNN与LSTM混合算法下的学生学习表情识别研究

智慧课堂中学生学习表情的精准识别对于提升课堂效率,掌握学生实时学习状态具有重要的作用。传统单一性的卷积神经网络(CNN)算法对学生学习表情的特征抓取精度不够,尤其是学生微表情状态下的抓取效果更不理想。基于此,本文创新性地提出基于CNN与长短期记忆网络(LSTM)的混合表情特征提取识别算法,充分利用CNN提取学生学习表情中的空域特征并存储,对应的时域特征提取层面充分利用LSTM对学生学习表情视频序列特征进行挖掘抓取,将学生学习表情的时域特征与空域特征进行平均化处理,从而构建一套完整的学生学习表情识别算法,最后基于该算法网络进行深度学习训练。基于本文的实验结果,对应的愉悦、困惑、惊讶、中性和疲倦这五种学习情感状态识别率得到了大幅提升,对应的识别准确率最高可达71.9%,识别性能大幅提升。     

基于自适应复杂场景的背景建模方法

因复杂场景下的背景动态变化大,大多数背景建模算法易引起误匹配而导致检测精度降低.为此,提出一种基于自适应复杂场景的背景建模方法,背景模型采集视频前5帧图像初始化模型,通过后续帧获取像素的分布特征并更新背景模型.算法提出自适应离散系数结合像素值检测像素动态变化幅度,获取复杂背景中的目标.实验通过对多组数据测试,验证了算法检测精度优于其他算法,有效改善复杂场景下动态背景对前景目标提取的影响,减少了由背景像素值大幅度变化产生的假前景,在复杂场景下检测目标有较强的适应性和鲁棒性.     

基于对偶分解算法的空中交通流量管理研究

从国家空域系统角度出发,考虑因突发扰动导致部分空域容量受限的情况,以国家空域系统内所有航空器总延误最小为目标函数,建立一种基于多物流网络的空中交通流量管理模型,并采用对偶分解算法对模型求解.通过实例仿真验证此方法的实用性和有效性.