针对图像中小尺寸行人目标检测识别率低的问题, 提出一种基于改进多尺度特征融合的行人检测算法。首先, 在原始YOLOv3模型的基础上将BN层融合到卷积层; 其次, 增加检测层, 借鉴特征金字塔思想将高低层特征进行融合与预测; 最后, 利用线性尺度缩放的K-means聚类算法优化候选框, 提高小尺寸行人检测效果。在INRIA行人数据集上的实验结果表明, 改进算法准确率达到91.4%, 与YOLOv3算法相比提高了3.4%; 在复杂监控环境下也证明了所提算法的有效性。

大多数基于样本块的图像修复算法通过平移来寻找最优匹配块,当破损区域与信息区域存在旋转或尺度缩放时,这些算法则无法对图像进行有效修复。针对这一问题,提出一种基于样本块的旋转及缩放图像修复算法。利用局部特征向量获得与破损区域具有旋转或尺度缩放关系的最优匹配块;对匹配块的空间能量函数进行拓展;实现具有旋转及尺度缩放破损图像的自动修复。实验结果表明,对于具有旋转和尺度缩放的图像,本文算法能够准确搜寻到破损块的最优匹配块,提高了匹配准确率,并且修复效果较好,修复效率较高,稳健性较强。

在基于核磁共振(NMR)的代谢组学数据分析中, 尺度缩放是关键的预处理步骤之一, 其主要目的是通过调整数据的方差结构, 改善后续的多变量统计分析的结果。 从信息熵的角度出发, 利用Kullback-Leibler (K-L)散度来度量不同实验分组的生物样品的1H NMR波谱数据的差异程度, 并结合单位方差缩放法, 提出一种基于K-L散度的尺度缩放方法。 该方法先利用单位方差法将数据各变量的标准差调整到同一水平上, 再利用K-L散度对各变量进行有监督地加权, 增强重要变量、 减弱无关变量。 由于K-L散度是在概率分布的意义上度量数据间的差异程度, 且对于高斯和非高斯分布的数据均适用, 因此能更准确地度量不同实验分组样品的1H NMR波谱数据的差异性, 从而更有效地地对谱数据的重要变量进行识别和加权。 人群尿液1H NMR波谱数据的分析结果表明, 基于K-L散度的尺度缩放方法能有效抑制噪声变量, 同时很好地区分特征变量和非特征变量; 提高主成分回归(PCR)模型的判别能力; 改善偏最小二乘回归判别分析(PLS-DA)模型的解释能力、 预测能力以及对特征代谢物的辨识能力。