近红外光谱具有高维、 高冗余、 非线性的特性, 严重影响了样本之间的相似性度量的精准, 故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。 基于流形学习算法思想, 利用高斯分布将高维数据的距离转换为概率分布, 使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。 将高维数据的概率分布嵌入映射至低维度空间, 重构低维流形结构, 引入Wasserstein散度度量两个空间内概率分布的差异, 通过降低散度值来提高两个分布的相似度, 以此来实现高维数据降维处理。 为验证Wt-SNE算法的有效性, 首先对烟叶近红外光谱数据进行降维投影, 并与PCA、 LPP、 t-SNE算法比较, 结果表明Wt-SNE算法降维后的数据, 在低维空间内样本类别边界更加明显。 其次, 采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测, 准确率分别为93.8%、 91.5%、 92.7%, 表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。 最后, 选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换, 根据备选样本与目标样本之间的马氏距离选取替换样本。 实验表明, Wt-SNE选取的替换烟叶与目标烟叶相似度最高, 烟碱、 总糖等化学成分含量与目标烟叶差异较小, 香气、 烟气、 口感得分表现出较高的一致性。 该方法能够有效度量烟叶近红外光谱之间的相似性, 为卷烟叶组配方的维护提供有力的依据。

高光谱成像是一种先进的图像获取技术, 其在获得地物空间信息的同时还可以获得地物的光谱信息, 得到“图谱合一”的三维图像数据。 其光谱分辨率高, 光谱曲线近似连续, 可以有效探测用多光谱成像技术中无法探测的地物, 在目标检测、 地物分类与图像压缩等领域取得了广泛的应用。 地物分类的分类结果是专题制图的基础数据, 在**、 农业、 地质等领域有重要地位了良好的效果。 地物分类是指将图像中的像元赋予类别标签, 即将同类地物赋予相同标签, 不同类地物赋予不同标签。 根据分类前是否已经获取目标的光谱信息, 地物分类分为监督分类、 半监督分类和无监督分类。 然而, 地物光谱受成像条件的影响较大, 特别是陆基成像, 不同成像条件的地物光谱会发生一定的改变, 不再具有严格的唯一性, 因此无法根据未知成像条件下的地物光谱数据进行准确分类。 但是同种地物的散射系数(由特定算法获得的散射占比)具有唯一性, 与成像条件或探测方向无关, 不受二向反射特性的影响, 只与地物类型及波长有关, 是一种反映地物本质属性的物理量, 因此可以作为地物的分类依据。 基于陆基成像条件下测量了多种地物的散射系数, 详细描述了散射系数的测量过程并且验证了核驱动模型的拟合能力。 通过对比发现不同地物的散射系数具有较大的差异, 进而提出了利用散射系数进行地物分类的方法。 采用两组数据对该分类方法进行验证, 并分别用投影、 距离、 信息量三种相似性度量指标定量地衡量了分类结果。 实验表明, 同种地物的散射系数几乎一致, 与成像条件无关, 只与地物类型有关, 不同种地物的散射系数各不相同, 利用散射系数可以有效地实现地物分类, 取得了良好的效果。

针对目标遮挡、形变、旋转、光照变化及背景干扰等复杂场景下的目标跟踪问题,基于核相关滤波跟踪算法和统计颜色特征的跟踪算法,提出了一种复杂场景下的高置信度更新策略互补跟踪算法。首先,利用高斯拉普拉斯算子和局部二值模式增强目标边缘信息和纹理特征;然后,引入可调高斯窗口函数和基于关键点的尺度估计模型优化算法;最后,利用响应峰值与跟踪框的交并率设计了一种高置信度更新策略,以自适应更新模板。实验结果表明,在OTB2013数据集上本算法的精确度和成功率分别为88.3%和72.4%。

针对现有的行人重识别方法提取行人特征过程中存在因信息缺失导致鲁棒性和判别力较差的问题,提出了一种基于残差神经网络提取行人图像多层级特征的方法。该方法在训练阶段使用残差网络分别在4个卷积残差模块之后提取阶段特征,以此来弥补信息丢失,使用三元组损失函数对每个特征向量进行监督训练。在相似性度量阶段,针对4个特征向量分别计算特征相似度,使用映射函数进行求和,并对求和结果进行相似度匹配。将该方法在Market-1501和DukeMTMC-ReID数据集上进行仿真,首中准确率(Rank-1)分别达到了91.7%和84.9%,平均准确率(mAP)分别达到了86.8%和80.7%。结果表明所提方法提取的多层级特征具有较好的鲁棒性和判别力,提高了行人重识别的准确度。

近红外光谱数据的高维、高冗余、高噪声和非线性的特性严重影响了光谱相似性度量的准确性,针对该问题,提出了一种基于网格划分局部线性嵌入(GGLLE)算法的近红外光谱相似性度量方法。首先,根据关键化学成分在光谱中的表达,将高维光谱数据划分为多个网格子空间。其次,对局部线性嵌入(LLE)算法做了两方面改进,并采用改进的LLE算法依次实现每个子空间从高维空间向低维空间的特征映射,计算生成子空间的相似度矩阵。最后,将子空间相似度矩阵归一化处理并求解所累加和生成光谱样本集的相似度矩阵,实现光谱的相似性度量。实验选取两组某烟草企业提供的烟叶光谱构建了光谱的相似性度量模型,以相似性度量的准确率作为算法优劣的衡量标准。实验结果表明,GGLLE算法构建的相似性度量模型的准确率为93.3%,明显优于主成分分析、栈式自编码器和LLE算法的64.2%、67.5%和82.5%,从而证明了GGLLE算法的有效性。

随着获取和收集天文光谱大数据能力的与日俱增, 合理利用计算科学技术正确地分析海量光谱的处理方法及结果统计。 前述工作采用了欧氏距离分析判别LAMOST实测光谱与模板之间相似度的研究, 研究恒星分类准确性取决于高质量的模板光谱, 选取LAMOST光谱在用的分类软件中183个恒星模板光谱, 分别利用欧氏距离和马氏距离方法得出A, F, G, K和M型恒星模板间的均值和最大值, 完成每条谱线相互之间的相关性分析, 找出相对距离较大的模板及形成原因。 相似度度量可视化实验数据结果表明模板之间具有一定的区分度, 通过马氏距离分析模板间相似性能更进一步辨识出相近模板之间的细微差别, 具备较优良的判别效果, 证实了LAMOST现有分类的各模板间距离较均匀, 且分类结果较为准确。 该研究可进一步优化在用光谱分类模板, 提升LAMOST恒星分类模板库的精确度和可信度。

在双目视觉系统立体匹配中, 相似度计算是不可或缺的步骤, 而相似性计算的过程存在着精度和速度上的矛盾关系。就此提出了两个加速策略: 用以减少匹配搜索像素点个数的分层筛选策略和用以减小匹配窗口相似性计算量的自适应间隔策略。以绝对差值和(SAD)算法和归一化互相关(NCC)算法为例阐述了加速策略的实现步骤。实验证明使用分层加速策略和自适应间隔策略的可行性, 使得原始算法在基本保持精度的情况下获得了速度的大幅度提升。

图像目标主要的两个特征是颜色特征和形状特征,为提高跟踪的准确性和鲁棒性,提出融合图像目标颜色和形状的多特征融合跟踪新方法。采用基于HSV空间的空间颜色概率直方图模型,以及灰度变换后的Hu不变矩模型,分别进行实时目标跟踪,然后采用自适应加权方法,完成图像目标最终跟踪位置的确定。经实验测试,该方法对图像目标受到复杂背景干扰,以及颜色变化、尺度变换以及亮度变化等情况都具有很强的鲁棒性,同时增强跟踪效果,提高了跟踪的有效率。

为了解决目前主流的显著性检测算法在复杂多目标遥感图像中检测能力不足的问题, 提出一种基于超像素区域相似性度量的显著目标提取算法。该算法利用简单线性迭代聚类方法对原始图像进行超像素分割, 通过基于图论的视觉显著性方法检测出显著超像素, 并对其修正得到显著目标提取的训练样本, 进一步逐层计算全体超像素区域与显著超像素区域的相似性并转化为超像素区域的隶属度值, 最后实现对整幅超像素图像的显著目标提取。实验结果表明, 该算法具有较高的准确率和召回率, 能更加有效地检测出遥感图像中的显著目标, 提取效果优于主流的显著性检测算法, 还可以有效应用于复杂多目标的遥感图像显著目标信息提取中。

针对跟踪过程中目标被遮挡的问题,提出了一种基于中心距离加权的快速相关跟踪算法,定义了基于灰度差异和距离加权的相似性度量,并根据相关系数自适应更新目标模板,提高了目标的跟踪稳定性和定位精度,结合多尺度的高斯金字塔快速搜索策略,加快了目标匹配速度,在目标遮挡过程中采用Kalman滤波算法预测目标位置,目标退出遮挡时可以重新捕获。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85%,目标跟踪精度优于10个像素。该算法可有效地跟踪复杂地面背景的运动目标。