一种利用相角对加性隐写模型进行分析的方法

《基于非监督学习的伊辛模型和Potts模型相变研究》篇一一、引言在统计物理学中，相变是一个重要的研究领域。

而伊辛模型和Potts模型是两个常用的模型来研究相变现象。

这些模型基于微观的物理原理，通过模拟系统中的相互作用和状态变化来研究宏观的相变行为。

近年来，随着机器学习和数据挖掘技术的发展，非监督学习方法在相变研究中的应用逐渐受到关注。

本文旨在利用非监督学习技术，研究伊辛模型和Potts模型的相变现象。

二、背景及相关文献综述伊辛模型是用于研究磁性材料的二维模型，由德国物理学家恩斯特·伊辛在1925年提出。

Potts模型则是基于多态伊辛模型发展的概率模型，在相变、图像分割等领域有广泛应用。

传统的相变研究主要依赖于物理实验和理论分析，但随着数据规模的扩大和复杂性的增加，传统的分析方法逐渐难以满足需求。

近年来，非监督学习方法如聚类分析、自组织映射等被广泛应用于复杂系统的相变研究中。

三、研究内容与方法本文利用非监督学习方法，针对伊辛模型和Potts模型的相变现象进行深入研究。

具体内容与方法如下：1. 数据准备：通过计算机模拟生成伊辛模型和Potts模型的二维格点数据集，并记录不同温度、磁场等条件下的系统状态。

2. 特征提取：从原始数据中提取出与相变相关的特征，如格点间的相互作用强度、系统能量等。

3. 非监督学习算法选择：选择合适的非监督学习算法，如自组织映射、聚类分析等，用于分析相变过程中的模式和规律。

4. 实验设计与分析：设计不同温度下的实验方案，利用非监督学习算法对数据进行处理和分析，观察相变过程中的模式变化和规律。

5. 结果验证：通过与传统的物理实验和理论分析结果进行对比，验证非监督学习算法在相变研究中的有效性。

四、实验结果与讨论1. 伊辛模型的相变研究通过非监督学习算法处理伊辛模型数据，我们发现随着温度的升高，系统中的有序状态逐渐消失，无序状态逐渐增多。

在临界温度附近，系统出现明显的相变现象，表现出明显的模式变化。

一种运用角点特征的快速目标姿态估计算法曹建，谢晓方，梁捷(海军航空工程学院，兵器科学与技术系，山东烟台264001)E-mail: ddcj d@ 163． c o m摘要: 为了提高精确制导武器毁伤效果，增强作战效能．通过光学传感器得到体目标姿态，确定攻击部位与攻击角度是有效手段之一．为此，提出了一种使用光学图像角点特征，先离线特征训练、后实时识别姿态的方法: 基于快速视网膜特征( FＲEA K )算法，利用目标3 维模型，以不同视点角度的视面图为研究对象，离线提取最具有角度鲁棒性的特征角点，生成含有索引的姿态-特征角点数据库; 在实时识别阶段，通过索引使用改进hausd o r ff距离对目标点集进行匹配，确定姿态粗略初值; 针对图像序列，使用两步ＲA N S A C 方法，从全局角度对目标姿态逐步求精．实验结果表明，提出的算法执行速度快，占用内存空间少，满足实时应用场合．关键词: 体目标;姿态估计;角点;快速视网膜特征中图分类号: TP391 文献标识码: A 文章编号: 1000-1220( 2014) 01-0159-05Fas t Target P ose E s t i m at i on Method By Usi n g Ch aract eri s t ic CornerCA O Jian，X IE X ia o-f an g，LIA N G Jie( Dep artment o f Ordnance S cien ce an d T echno l o g y o n Eng ineering ，Na v al A er o n autical and Astr o n autical Uni v ersit y，Y antai 264001，Chin a)A b s t r a c t: F o r im pr o v e the dam a g e e ff ect and enhance w e ap o n e ff icienc y，c o n f irm in g attack parts and an g le o f tar g et acc o rdin g t o tar- g et's p o se g ained fo rm o ptical sens o r is o ne o f a v ailable s o luti o ns．B ased o n CharacteristicC o rners，an o ff line f eature trainin g and o n- line real-tim e p o se estim ati o n m eth o d is pr o p o sed．D urin g o ff line pr o cess，take the aspec t g raphs captured f r o m d i ff erent an g le v ie w s ar o und 3D tar g et m o del as stud y o bjects，the m o st an g le r o bust c o rners are e x tracted，and the p o se-c o rner database w i th an g le inde x is established． In the rea l-tim e p o se e stim ati o n c o urse，depend o n m o di f ied Hausd o r ff distance bet w e en tar g et c o rners and inde x ab o v e，the c o arse tar g et's p o se is estim ated． A n A l g o rithm c o m bined t w o-step ＲA N S AC is intr o duced fo r im a g e sequence t o increase result' s precisi o n in g l o bal m ulti-im a g es o f sequence． The result o f e x perim ents dem o nstrates that the pr o p o sed al g o rithm is f aster and l o w- m em o r y requirem ent m eets the dem and o f real-tim e applicati o n．K ey wo r d s: ri g id o bject; p o se e stim ati o n; c o rner; FＲEA K1引言在计算机视觉、摄影测量、摄影几何等领域，体目标姿态估计问题，又称为PnP 问题( N 点透视问题，Perspecti v e-N- P o ints)是研究空间点透视几何关系的经典问题．在摄影测量领域里，常见的思路是在待测量物体上设置预先制作好的合作标志，用直接线性变换( D LT )线性解析的求出唯一解［1］．但制作清晰、精确的合作标志较为困难．同时，在一些特殊场合，如电视自寻的导弹:在目标上设置合作标志较为不便，更不用说成像距离较远，且成像平台处于高速运动，导致成像不清晰，识别和提取合作标志本身就很难实现．为此，使用模型识别的体目标姿态估计方法成为研究热点，该类方法建立并利用几何关系已知的目标三维模型，根据目标位置姿态初始值，将其通过摄相机成像模型进行重投影，通过比较重投影图像与实际图像特征，以最小偏差作为目标函数，修正初值并迭代求精．较为典型的有美国国防高级项目研究署( DAＲPA)提出的运动、静止目标获取与识别M S TAＲ计划，国内于起峰，尚洋等人提出的基于轮廓匹配测量目标位置姿态的算法等［2］．但姿态初值选取问题并没有解决，同时，由于模糊和遮挡导致边缘定位误差又降低了其抗噪声的能力．以此为背景，本文提出先离线特征训练，后实时识别的方法，通过使用A le x andre 等提出的快速视网膜特征( FＲEA K )算法，利用目标三维模型，以从单位球上不同视点角度的正交投影图为研究对象，离线特征训练在该角度范围的最具有鲁棒性的FＲEA K 特征角点，生成姿态-特征角点对应数据库;在实时识别阶段，通过FＲEA K 特征点提取，并采用聚类方式，确定图像中目标点集，在姿态-特征角点数据库中，使用改进hausd o r ff距离匹配目标点集，确定姿态粗略初值;针对图像序列，在二维角度空间分别使用结合仿射变换的两步ＲA N S A C 方法，从全局角度对目标姿态逐步求精．2基于FＲE A K的局部角点特征近几年，在满足对尺度、旋转，噪声具有鲁棒性的前提下，为了实时处理和降低硬件需求，特征检测匹配的研究重点为算法计算复杂性和内存占用量等方面．经过国内外学者的努收稿日期: 2012-08-12 收修改稿日期: 2012-11-26 作者简介:曹建，男，1979 年生，博士研究生，主要研究方向为虚拟现实技术、计算机视觉等;谢晓方，男，1965 年生，博士，教授，主要研究方向为武器系统与运用工程;梁捷，女，1982 年生，博士，主要研究方向为虚拟现实技术、无源定位等．力，已经有大量的速度较快且具有鲁棒性的相关算法，包括尺度不变性特征转换(S IFT)［3］，加速鲁棒特征(S UＲF)［4］，定向快速旋转B rie f特征( OＲB )［5］，二值化鲁棒尺度不变特征( BＲI S K)［6］以及最近由A le x andre 等提出的快速视网膜特征( FＲEA K)［7］．其中，FＲEA K 特征算子是一种新的具有尺度不变性和旋转不变性的角点检测和描述算法，与其他的特征检测与描述算法(S IFT，S UＲF，PC A-S UＲF，BＲI S K 等)相比，角点检测速度快，匹配计算量也较小．同时，FＲEA K 在分析人类视网膜感受视野大小基础上，确定视网膜采样模式，减少了采样点数，进而降低了内存占用，更加适合执行速度要求高，硬件平台要求低的实时性场合．FＲEA K 算法包括角点特征提取，尺度空间关键点检测以及FＲEA K 描述子建立3 个步骤．( 1)在角点特征提取阶段，采用由M air 等人提出的A GA S T 角点探测算法来提取角点特征．其核心思想是检测候选特征点为圆心的离散化Breaenham 圆周上的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大(足够"亮"或足够"暗")，则认为该候选点为一个特征点［8］．(2)尺度空间检测使用了与BＲI S K 相同的方法，首先构建尺度空间金字塔(n层(o cta v e)以及n－ 1 个中间层( inter- o cta v e)构成，中间层位于相层两阶之间);然后，将具有相同阈值T 的FA S T 算子应用于每一层以及中间层，用来识别潜在的感兴趣区域，最后，对这些潜在区域中的点在尺度空间进行非极大值抑制．并对检测出的极大值进行亚像素和连续尺度校正．( 3) FＲEA K 最具有贡献的是其FＲEAK 描述子建立方法．FＲEA K 算法分析人眼视网膜结构，利用不同标准差高斯函数构建平滑重叠区域，中间密集，四周稀疏，模拟人眼视网膜细胞的分布，设置了视网膜采样区域．如图1，由内至外，共计43 个采样区域，图中以实心圆形表示采样点位置，每个较大圆形表示以不同标准差σi 的高斯平滑区域．通过这种方式，FＲEA K 减少了采样点数量，进而减少用于建立特征描述子的点对数量．在点对选择上，为了降低BＲIEF，BＲI S K 等算法采样点对的相关性．FＲEA K 算法在离线方式下计算测试数据，利用小相关性(均值0． 5)的方法得到点对选择策略．图1 FＲEA K 采样区域Fi g． 1 S am ple patterns o f FＲEA K最终，通过计算长距离点对的梯度和，计算总体模式方向．在旋转角度后重新采样实现旋转不变性后，按照上述点对选择策略，FＲEA K 算法比较采样点对的灰度值，生成了二进制串特征描述子．二进制串特征描述子的优点是采用汉明距离来计算匹配程度，即将特征先按位异或(XOＲ)，然后统计结果中1 的个数，若其较小，表明匹配程度较高．正如文献中［9］证明的一样，这种算法在运算速度上比一般的欧式距离算法有明显优势．3姿态-特征角点数据库为了实现对三维体目标的姿态估计，必须构建体目标完整姿态-特征角点数据库．本文基于3D 模型，对体目标使用了视面图表示的方式．视面图表示是一种用多个二维投影描述三维物体的方法．在视点单位球上，以3D 模型为中心，向空间不同经纬角度平面进行重投影．图2 中，以目标坐标质心为原点，视点经纬度30°划分，构成了单位球面上的视面图集，各视面图相互连接，构成封闭的近似球体．为清晰表示，对其面积进行了一定程度的缩小．图2 视面图示意图Fi g． 2 S ketch m ap o f aspect im a g es有研究表明，在理想情况下，利用目标的全局信息，能够拥有更好的区分性．从目标边缘提取的点集，由于兼顾了全局信息和局部信息，在含有更多的姿态信息同时对遮挡也有较好鲁棒性．为此，对于提取到的视面图，先使用So bel 边缘检测算法提取目标边缘，然后结合原图像再提取FＲEA K 特征点，使角点更多分布于目标边缘位置，结果如图 3 所示．通过对该结果的观察，可以发现，在模型某些细节表现上检测出了过多的特征角点，使其过于局限于细节的描述．为此，需要对提取后的角点特征进行优化，去掉角点过分集中带来的冗余．图3 目标边缘FＲEAK 特征点Fi g． 3 FＲEA K characteristic c o rners o n tar g e t's ed g e s本文采用文献［10］中使用的方法，通过检测相邻 3 个特征角点和质心之间的空间关系，计算角点与质心之间的距离，如果距离较近，则认为角点在空间分布上具有冗余，将其删除．由ＲA NS A CＲA NS A Cl on i ，l at i ，θ l on i － 1，l at i － 1，θ''1 area ( l on ，l at )11(h)i于 F ＲEA K 描述子为二进制串，在得到形心坐标后，先计算出 其 F ＲEA K 描述子，然后用汉明距离，按照公式( 1) 计算 ζi ． 其中 d i 为第 i 个角点到形心的距离，D i ，i + 1 为第 i 个角点和第 i + 1个角点之间距离，d m a x 为角点到形心的最大距离，D m a x 为相 邻 2 个角点间的最大距离，ω1 与 ω2 为权重． 由于距形心的距 离更能体现角点分散程度，对姿态描述更具有代表性，因 此 ω1 ＞ ω2 ．到了粗略的目标姿态初值． 4． 2 序列图像目标姿态求精针对序列图像中目标姿态估计，我们采用两步 ＲAN S AC 估计 的 方 式: 第 1 步，在视频图像每一帧使用点对集合ＲAN S AC 算法( 记为 F agg ．) ． 即当目标图像与姿态-特征两图 像匹配后，使用 ＲAN S AC 估计目标图像与视面图之间的单应 矩阵，降低出格点对( o utlier ) 影响; 第 2 步 ＲAN S AC 作用于多 帧( 本文 10 帧左右) ，将各帧得到的姿态值，在帧序号-角度坐ζi = ω1| d i + 1 － d i | + | d i － d i － 1 | d m a x + ω2 D i + 1，i + D i ，i + 1D m a x( 1)标进行 ＲAN S AC 点估计( F po i ． ) ，进一步提高角度姿态精度． 图 1 中视点空间划分，是一种均匀化分视点空间的简单 方法． 有文献指出，通过结合目标特性，优化视点空间的划分 方法，可以降低由此得到的视面图集规模，更加准确的描述体 目标三维特征，提高后续数据库搜索匹配效率． 其基本思想是 根据突变理论，利用聚类思想来划分视点空间［11］．首先在视点球面上均匀且较为密集地采集三维物体的视 针对视频图像的两步 ＲAN S AC 姿态估计执行流程见图 4．图 4 视频序列两步 ＲAN S AC 流程 面图，计算每个视图的 F ＲEA K 特征点集 P i，l o n i ，l a t i 为Fi g ． 4 T w o -step ＲA N S A C f o r v ide o sequence采集该视面图 I i时视点空间球经纬度坐标，θ 为划分角度间隔． 然 后使用匹配算 法，判 断 相 邻 视 图 点 集 ( P i － 14． 2． 1 单帧姿态估计对于视频序列中首帧，通过索引，减少了姿态-特征角点 P ii + 1l on i ，l at i ，θ P l on i + 1，l at i + 1，θ ) 两两间的相似度． 根据突变理论，当达到 某个临界点，两幅图像的重要结构会发生突变而产生失配． 因 此，统计失配点数量作为角度临界点阈值，将临界点之间的部 分作为一个聚类． 最后将每一个聚类中，所有的视面图两两匹 配，统计其中 F ＲEA K 特征点的出现频率，按照由大到小进行 排序，挑选 以上的特征点，即聚类中最" 健壮" 点，构成点集 数据库搜索空间． 后续每一帧，在精度较高的空间通过匹配， 得到一一对应的点对集． 两个匹配点集可以看成是使用相同的摄像机，从不同方位角度，对 3 维模型进行投影 成 像 的 结 果． 对于任何三维场景结构的 两 幅 图 像，均满足极几何关系［12］． 即对于三维空间中一个点，设其在两个摄像机的像为 ( x' ' T T i ，y i ，1) Pk ，( x i ，y i ，1) 存在两个像平面之间投影变换关系，area ( l on ，l at ) ，作为姿态-特征角点数据库索引，用于下文提出的 姿态初值估计． 通过上述步骤，离线下得到了含有索引 的 姿 态-特征角点对应数据库．满足公式( 4) ，其中 H 是一个 3 × 3 的矩阵，称为单应矩阵，s i为尺度因子［12］． 最小化公式( 5) 定义的反投影误差函数，就可求到单应矩阵 H ．4 目标姿态估计⎡ x i ⎤⎡ xi ⎤ '⎢⎢ i ⎥⎥ ( 4)4． 1 改进 Hau s d o r ff 距离的姿态初值估计算法为了通过迭代获得较为精确的目标姿态估计值，对目标 姿态初始值进行估计是必不可少的步骤． 在提取了目标与模h x + h ⎣ 1 ⎦y + h⎣ 1 ⎦ 2h x + hy + h2{ () }板的特征点集后，实际情况下，特别是有可能产生遮挡 的 场 合，目标点集和模板点集不可能完全一致，Hausd o r ff 距离可 以实现集合间部分匹配来评价两组点集之间的相似程度，因F = ∑ ix i －31i12 x i + h 32 i13y i + h 33+ y ' － 21 h 31i 22 x i + h 32 i 23 y i + h 33( 5)此，Hausd o r ff 距离具有一定抗遮挡能力，且对图像噪声和晃动有一定的鲁棒性． 对有限点集 A = { a 1 ，a 2 ，…，a NA } 和 B = { b 1 ，b 2 ，…，b N B } ，A ，B 之间的 Hausd o r ff 距离定义为:H L K ( A ，B ) = m a x ［h L ( A ，B ) ，h K ( A ，B ) ］ ( 2) 其中 h h ( A ，B ) = m a x m in ‖a － b ‖称为 A 集合和 B 集合之间 a ∈A b ∈B的直 接 Hausd o r ff 距 离，‖ ‖ 是某种距离范数． 在 实 际 情 况下，使用改进的 Hausd o r ff 距离来进一步消除噪声影响． 将直 接距离公式由点集之间最大最小距离，变为求最小距离的累 加和，如公式( 3) 所示．为了去掉出格点对 ( o utlier ) 影 响，使 用 ＲAN S AC 算 法， 尝试使用随机选取的不同点对子集计算 H ，以内点数量 ( 一 致集) 作为评价指标，比较不同点对子集一致集大小，将最大 一致集样本作为单应矩阵 H 的估计值．得到单应矩阵 H 后，以数据库中匹配摄像机为基准，建 立坐标系，求解目标观测摄像机外参数矩阵，得到基准相机下 的相机姿态增量，由于摄像机坐标系与目标局部坐标系转换 关系，从视点单位球面就可以得到，将上述相机姿态经过坐标 变换就可确定目标姿态． 按照上述思路，目标姿态估计问题转化为摄像机外参数求解问题． 定义两次观测摄像机矩阵为 P 珘 h h ( A ，B ) = ∑ m in a ∈A ，b ∈B‖a － b ‖ ( 3)= ( I ，0) P 珘= ( H ，e ') ，e ' 为第二个成像平面极点． 设摄像机内 在处理包含目标的视频图像第一帧时，使用 F ＲEA K 算 法，得到一系列角点，构成点集集合 T P 1 ． 使用改 进 的 Haus -d o r ff 距离，遍历集合 T P 与索引集合 P k，得到最匹配角度区域 ar e a ma tch ( l o n ，l a t ) ，取其中心角度( l o n m i d ，l a t m i d ) 就得 参数为 K ，外参数矩阵为( Ｒ，t ) ． ( φc ，αc ，ψc ) 分别为视面图摄像机坐标下，沿 X ，Y ，Z 坐标旋转角度，如公式( 6) ． 由于此时 的摄像机矩 阵 是 欧 式 的，可以将观测摄像机矩阵写成 公 式 ( 7) 形式，可得到 H = s K Ｒ．⎡c o s φc c o s αcＲ( φc ，αc ，ψc ) = ⎢⎢sin φc c o s αcc o s φc sin αc sin ψc － sin φc c o s ψc sin φc sin αc sin ψc + c o s φc c o s ψcc o s φc sin αc c o s ψc + sin φc sin ψc ⎤sin φc sin αc c o s ψc － c o s φc sin ψc ⎥⎥( 6)⎣ － sin αcc o s αc sin ψc c o s αc c o s ψc⎦P 珘= s K ( Ｒ，t )( 7)ＲQ 分解是求 解 摄 像 机 内，外参数最简便方 法［11］． 对 H 做 ＲQ 分解就可得到外参数矩阵中的旋转矩阵，通过坐标变 换，确定目标姿态． 在此不作过多描述． 4． 2． 2 全局点 ＲA N S A C 姿态估计得到每帧目标姿态估计值 ( φi ，αi ，ψi) 后，每 10 帧构成描述子前 几 位，其 相 关 性 最 小，最 具 有 辨 别 力． 所 以，匹 配 F ＲEA K512 位描述子的前几位，就能剔除大量的待匹配点，达 到加速目的． 另外，大多数 C PU ，一个指令周期就能完成 16 位 的二进制操作． 本文采用描述子前 16 位，进行" 预先" 匹配运 算，在每次角点匹配时，优先处理前 16 位，如果汉明距离超过 阈值( 此处 5) ，则认为不是匹配点．ooo角 度 集 合，在 帧 序 号-角 度 坐 标 进 行 ＲA N S A C 点 估 计 ( F p o i ．i 5 实验结果及分析ＲA NS A C ) ，进一步提高姿态精度． 以前 10 帧角度集合 A ( φo ) ， i = 2，3，…，11 为例，构成测量数据点集． 在帧序号-角度坐标 平面 下，测 量 数 据 点集分布呈椭圆形 状，本 文 采 用 点 ＲAN S AC 估计提高角度精度． 随机选择观测点集中的一个点使用建模软件 C reat o r 建立了某型航空母舰三维模型，通 过本文第 3 节介绍的方法，建立的模型视面图，提取不同姿态 i i下 的角点特征如图6，通过突变理论，重新划分视点空间建立J i ，计算 A ( φo ) ，I = 2，3，…，11 点集质心，查找 A ( φo ) ，i = 2，3， …，11 中距质心最大最小值，分别作为椭圆波门长短轴参数．以样本 J i 作为椭圆圆心，位于椭圆波门内的点是样本 J i 的内 点，反之，椭圆波门外的点是样本 J i 的外点． 确定样本 J i 的内 点数量 S ( J i ) ，并称它为样本 J i 的一致集． 重复若干次，得到 样本 J 1 ，J 2 ，…，J n 和相应的一致集 S ( J 1 ) ，S ( J 2 ) ，…，S ( J n ) ， 求最大一致集的样本，作为角度最优值． 图 5 中黑 色 点 表 示 10 帧观测数据，提取第 5 帧观测数据作为椭圆圆心，一致集 大小为( 椭圆中内点数目) 7．若检测到的一致集大小数目小于一定阈值 ( 3) ，说明此 10 帧观测到的目标姿态已经有较大改变，需要重新进入索引 匹配阶段．图 5 点估计 ＲA N S A C 示意图 Fi g ． 5 S ketch m ap o f p o int ＲAN S AC4． 3 优化方法对于高速采集的序列图像，目标在不同帧间的平移，旋转 均有限，在确定姿态初值后，后续帧，可以结合目标跟踪思想，缩小 F ＲEA K 特征点搜索区域，且姿态-特征角点数据库的搜 索空间也大为降低，计算强度较低． 但是，后续帧中需要进行 ＲAN S AC 运算，对特征角点匹配的运算速度提出更高要求．而对于视频序列的首帧，由于目标在图像中的位置，大小均不 确定，需要在全图像进行 F ＲEA K 角点检测，并在姿态-特征角 点数据库的索引全空间进行匹配搜索，运算量也较大． 为此，针对姿态估计的核心问题，特征角点匹配问题，提出基于部分 描述子匹配的加速方法．F ＲEA K 描述子有 512 位二进制位，它们是按照相关性由 小到大提取采样点对计算得到的． 优先提取的点对用于计算图 6 航母 3D 模型视面图及 F ＲEA K 角点Fi g ． 6 3D m o del o f the aircra f t carrier and F ＲEA K c o rners 了姿态-特征角点数据库． 为了仿真图像干扰，实现可调节图 像质量以及目标姿态的视频源，在 V S 2010 平台下，对视景仿 真软件 V e g a Prim e 二次开发，得到航母海上航行的仿真图像 ( 分辨率 320 × 240，采集速度每秒 20 帧) ，选择其中航母姿态 变换的 1000 帧作为实验对象，航向角由前 430 帧的 9． 8 度突 变 至431 帧开始的19 ． 0 度 ． 实 验 程 序 采 用 O penCV 2 ． 4 开 发 ，图 7 不同姿态下视频图像序列及姿态估计值Fi g ． 7 V ide o sequences o f di ff erent p o ses and v alue e stim ati o n 硬件平台为 Intel Pentium E5300，2G ＲA M 的 PC ． 算法平均处 理为 50 帧 / 秒，实 验 结 果 如 图 7 所 示，为 序 列 8，40，55，70， 450，490，520，550 帧，估计出的目标姿态值在图右上角显示．从结果可以看出，对于两个不同航向角，经过约100 帧的处理，目标姿态值逐渐逼近真值．此外，图中目标全局特征均不完整，本文使用边缘点集作为特征，结合了全局与局部特征优势，仍能较好的完成目标姿态估计任务．6结论考虑算法运算速度基础上，本文针对图像序列，紧密围绕体目标姿态估计的三个核心问题:使用哪种具有尺度、光照，旋转等不变性特征，抗遮挡下，有较低的特征数据量，进而减少数据库整体规模，满足硬件平台限制;在考虑一定误差情况下，如何快速获取目标姿态粗略初值;如何利用获得的图像序列，以不同帧姿态估计值，从全局角度逐步求精．设计实现了一种先离线特征训练、后实时姿态估计的方法．仿真结果表明:本文基于FＲEAK 算法，使用汉明距离进行匹配，结合优化算法，算法简单，速度快，且由于姿态-特征角点数据库采用二进制串记录，存储空间较小，更加适用于实时性要求高，运算能力有限的嵌入式实时应用场合．Ｒefe r e n ces:［1］ Z ha oＲu-jin，Z hang Qi-heng ，X u Z hi-y o ng，et al． A metho d o f measuring attitude based o n inclin ed ang le o f the line bet w een f ea- ture po ints［J］． Acta Pho t o nica S inica，2010，39( 2): 320-324．［2］ Yu Qi-f eng，S hang Yang． Vide o metrics: principl es and research es ［M］． Beijing:S ci ence Press，2009．［3］M iko lajc zy k，s chmid．S cal e＆a ff ine inv ariant interest po int detect o rs ［J］． Internati o nal J o u rnal of C o mputer Visi o n，2004，60( 1): 63-86．［4］Ba y H，T uy telaars T，L Van G o o l．S UＲF: speed ed up r o bust f eatures ［C］． In Pr o ceeding s o f the Eur o pean C o nferen ce o n C o mputer Vi- si o n (ECCV)，2006．［5］Eth an Ｒublee，Vincent Ｒab au d，Ku rt K o no li g e，et al． Bradski: OＲB: an e ff i cient alternati v e t o S IFT o r S UＲF［C］． In Pr o ceeding s o f theIEEE Internati o n al C o nferen ce o n C o mputer Visi o n (ICCV)，2011．［6］S te f an L euten e g g er，M ar g arita Chli，Ｒo l and S i e g w art． BＲI S K: Bina-r y r o bust inv ariant scalable k e y po ints［C］． In Pr o ceeding s o f the IEEE Intern ati o nal C o n feren ce o n C o mp uter Visi o n (ICCV)，2011．［7］ Alahi A，Orti zＲ，V ander g h e y nst P． FＲEAK:f ast retina ke y po int ［C］． In IE EE C o nferen ce o n C o mputer Visi o n and Pattern Ｒec o g- niti o n (CVPＲ)，2012．［8］Ｒo sten E，Drumm o nd T．M achin e learning fo r hi g h speed c o rn er de-tecti o n［C］．In Pr o ceeding s o f the Eur o p ean C o nferen ce o n C o m- puter Visi o n (ECCV)，2006．［9］ Cal o nder M，L epetit V，S trech a C，et al． BＲIE F: bin ar y r o bust inde- pend ent elementar y f eatures［C］． In Pr o ceeding s o f the Eur o peanC o nference o n C o mputer Visi o n (ECCV)，2010．［10］ Ca o Jian，L iu Qi o ng-x in，Ga o Chun-x ia o，et al．Object rec o g niti o n w ith c o rner-based f eature［J］．T rans acti o ns o f Beijing Institute ofT echno l o g y，2011，31( 3): 306-312．［11］ Xi o ng Ying-ma，Hui M in． A pplicati o n o f S IFT f eature in 3D o bject rec o g nti o n［J］．S tudy and Appicati o n o f Ima g e and Graphics T ec h-no l o g y，2009，4( 34): 290-294．［12］ Wu Fu-z ha o．M athematical metho ds in c o mputer v isi o n［M］．Bei- jing:S ci ence Press，2008．附中文参考文献:［1］赵汝进，张启衡，徐智勇，等．一种基于特征点间线段倾角的姿态测量方法［J］．光子学报，2010，39( 2): 320-329．［2］于起峰，尚洋．摄影测量学原理与应用研究［M］．北京:科学出版社，2009．［10］曹健，刘琼昕，高春晓，等．角点特征在目标识别中的应用［J］．北京理工大学学报，2011，31( 3): 306-312．［11］熊英马，惠敏．S IFT 特征在三维物体识别中的应用［J］．图像图形技术研究与应用，2009，4( 34): 290-294．［12］吴福朝．计算机视觉中的数学方法［M］．北京:科学出版社，2008．。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910235612.1(22)申请日 2019.03.27(71)申请人 天津理工大学地址 300384 天津市西青区宾水西道391号(72)发明人 赵萌　闫静　石凡　陈胜勇　(74)专利代理机构 天津盛理知识产权代理有限公司 12209代理人 董一宁(51)Int.Cl.G01N 21/65(2006.01)G06K 9/00(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于SVM模型结合图像对肺癌组织的精确定位方法(57)摘要一种基于SVM模型结合图像对肺癌组织的精确定位方法，其步骤为：①培养两种细胞系；②将培养后的两种细胞系放在载玻片上，用共聚焦拉曼光谱仪测量细胞的拉曼光谱；③将测量后得到的细胞的拉曼光谱进行预处理；④对预处理后的细胞拉曼光谱进行提取特征，提取的特征是特征峰位置以及这些特征峰位置的强度比值；⑤对提取的特征应用多变量间相关性分析；⑥对步骤④、⑤中提取的特征，再结合SVM分类器对光谱数据进行分类识别；⑦选取剩余样本进行测试，得到了细胞的精确度、敏感性、特异性，对于分类错误的样本，进一步利用染色图像或者拉曼成像进行区分。

本发明可消除由于实验或者样品培养过程中的误差引起的识别较低率的现象。

权利要求书1页 说明书4页 附图2页CN 110208238 A 2019.09.06C N 110208238A权　利　要　求　书1/1页CN 110208238 A1.一种基于SVM模型结合图像对肺癌组织的精确定位方法，其特征在于：包括如下步骤：①培养两种细胞系；②将培养后的两种细胞系放在载玻片上，用共聚焦拉曼光谱仪测量细胞的拉曼光谱；③将测量后得到的细胞的拉曼光谱，通过Project FOUR 4.1软件对光谱进行预处理，即基线矫正和平滑处理；④对预处理后的细胞拉曼光谱进行提取特征，提取的特征是特征峰位置以及这些特征峰位置的强度比值；⑤对提取的特征应用多变量间相关性分析，消除特征之间的交叉敏感性；⑥对步骤④、⑤中提取的特征，再结合SVM分类器对光谱数据进行分类识别；⑦选取剩余样本进行测试，得到了细胞的精确度、敏感性、特异性，对于分类错误的样本，进一步利用染色图像或者拉曼成像进行区分。

《基于非监督学习的伊辛模型和Potts模型相变研究》篇一基于非监督学习的伊辛模型与Potts模型相变研究一、引言随着大数据和机器学习技术的不断发展，相变研究已成为物理、材料科学、信息科学等领域的重要研究方向。

其中，伊辛模型和Potts模型作为典型的物理模型，在相变研究领域中占有重要地位。

近年来，基于非监督学习的方法在处理复杂数据时表现出了强大的能力，因此，本文将探讨基于非监督学习的伊辛模型和Potts模型相变研究。

二、伊辛模型与Potts模型概述1. 伊辛模型伊辛模型是一种描述磁性材料中自旋相互作用的统计力学模型。

该模型中，每个自旋有两个状态（通常表示为向上或向下），自旋之间通过一定的相互作用进行耦合。

在一定的温度下，系统会经历从有序到无序的相变。

2. Potts模型Potts模型是一种描述晶格上多状态变量的统计力学模型。

在Potts模型中，每个格点上的变量有多个可能的状态，这些状态通过相互作用和相邻格点进行耦合。

在特定条件下，Potts模型同样会发生相变。

三、非监督学习方法在相变研究中的应用非监督学习是一种无标签数据的学习方法，它通过分析数据的内在结构来提取有用的信息。

在相变研究中，非监督学习方法可以用于分析伊辛模型和Potts模型的相变行为。

具体而言，非监督学习方法可以用于以下几个方面：1. 数据预处理：通过聚类、降维等技术对原始数据进行预处理，以便更好地提取相变特征。

2. 特征提取：利用无监督学习方法自动提取出与相变相关的特征，如自旋的分布、状态的变化等。

3. 分类与识别：通过自组织映射、自编码器等无监督学习方法对不同相进行分类与识别。

四、基于非监督学习的伊辛模型与Potts模型相变研究方法1. 构建数据集：根据伊辛模型和Potts模型的物理参数和条件生成相应的数据集。

2. 数据预处理：利用聚类、降维等技术对数据进行预处理，以减少数据的噪声和冗余信息。

3. 特征提取：使用无监督学习方法自动提取出与相变相关的特征，如自旋的分布、状态的变化等。

基于相位估计的视觉无靶标结构三维形变鲁棒监测基于相位估计的视觉无靶标结构三维形变鲁棒监测摘要：随着工程结构的不断发展和改进，对其结构三维形变监测的需求也越来越迫切。

而视觉无靶标结构三维形变监测技术因其无需额外的标定和标记物，受到了广泛关注。

本文提出了一种基于相位估计的视觉无靶标结构三维形变鲁棒监测方法，通过对相机投影的图像进行处理以获取物体的三维形变信息，并且通过对相位信息的估计和分析来实现鲁棒的形变监测。

关键词：相位估计；视觉无靶标；结构三维形变；鲁棒监测一、引言工程结构的三维形变监测在工程建设和日常运营中具有重要的作用。

早期的结构监测方法主要依靠有限的传感器进行点测量，这种方法需要架设大量的传感器，造成了测量成本和工作量的大量增加。

为了解决这个问题，无靶标的视觉监测技术被引入到结构形变监测中。

相比传统的点测量方法，无靶标的视觉监测技术可以更全面地获取结构的形变信息。

二、基于相位估计的视觉无靶标结构三维形变监测方法为了实现对结构形变的准确监测，本文提出了一种基于相位估计的视觉无靶标结构三维形变监测方法。

该方法主要包括以下几个步骤：1. 图像获取：通过相机对结构物体进行拍摄，获取投影在相机坐标系下的图像信息。

2. 特征提取：对获取的图像进行特征提取，包括边缘检测和角点检测等。

这些提取到的特征点将作为后续相位估计的依据。

3. 相位估计：通过对特征点进行相位估计，获取每个特征点的相位信息。

相位估计可以通过FFT算法或者其他信号处理方法实现。

4. 相位解析：对相位信息进行解析，得到物体的形变信息。

这里可以使用unwrap算法来解析相位信息。

5. 形变监测：通过对解析后的相位信息进行分析统计，得到结构物体的三维形变信息。

三、实验与结果分析为了验证提出的方法的有效性和鲁棒性，我们进行了一系列的实验。

实验中我们选择了不同形状和不同材料的结构物体，进行了多次加载和卸载的形变实验。

实验结果表明，基于相位估计的视觉无靶标结构三维形变监测方法能够准确地监测结构物体的形变，并且具有较强的鲁棒性。

《蒙特卡罗和机器学习方法对二维Ising-XY耦合模型的相变研究》篇一蒙特卡罗与机器学习方法对二维Ising-XY耦合模型的相变研究一、引言近年来，物理和计算机科学的交叉研究逐渐显现出强大的活力，其中以统计物理与机器学习方法相结合的探索尤其引人注目。

在众多复杂的物理模型中，二维Ising-XY耦合模型因其丰富的相变行为和潜在的实际应用价值，成为了研究的热点。

本文将通过蒙特卡罗模拟和机器学习方法，对二维Ising-XY耦合模型的相变行为进行深入研究。

二、二维Ising-XY耦合模型简介二维Ising-XY耦合模型是一种结合了Ising自旋变量和XY 模型连续变量的统计物理模型。

其系统的状态依赖于格点上的自旋值和这些自旋的连续性取向。

由于系统的自由能具有多个竞争的能量项，因此该模型在参数空间中表现出丰富的相变行为。

三、蒙特卡罗方法蒙特卡罗方法是一种基于概率统计的迭代算法，常用于求解复杂的数学和物理问题。

在本文中，我们使用蒙特卡罗模拟来研究二维Ising-XY耦合模型的相变行为。

通过构建模型的随机过程和动态更新机制，我们模拟出系统的微观动态，从而推断出宏观的相变规律。

四、机器学习方法机器学习是近年来快速发展的一种技术，其在处理大规模数据和复杂模式识别方面具有显著优势。

本文中，我们利用机器学习方法对蒙特卡罗模拟的结果进行学习和预测。

通过构建深度神经网络，我们可以快速识别出不同参数下系统的相变规律，进而为优化系统参数和预测系统行为提供支持。

五、研究方法与结果我们首先使用蒙特卡罗方法对二维Ising-XY耦合模型进行模拟，得到了不同参数下的系统状态和相变规律。

然后，我们利用机器学习方法对模拟结果进行学习和预测。

具体而言，我们使用深度神经网络对模拟数据进行训练，并利用训练好的模型对不同参数下的系统状态进行预测。

通过对比模拟结果和预测结果，我们发现机器学习方法能够有效地捕捉到系统的相变规律。

同时，我们还发现通过调整神经网络的参数和结构，可以进一步提高预测的准确性和效率。

专利名称：对角加边模型分解协调计算的数据中心求解方法专利类型：发明专利
发明人：杨挺,向文平,冯瑛敏,盆海波,徐明玉,游金阔,王洪涛申请号：CN201410260630.2
申请日：20140612
公开号：CN104035868A
公开日：
20140910
专利内容由知识产权出版社提供
摘要：本发明公开了一种对角加边模型分解协调计算的数据中心求解方法，在求解过程中，首先用已有的网络分块法对电力网络进行分块和设定虚拟机参数，建立能效优先的装箱模型，将对角加边模型分解协调算法计算流程中的每一个步骤设定为一个任务，通过服务器承载虚拟机，虚拟机承载任务的映射方式，用数据中心对对角加边模型分解协调算法进行求解，最后得到整个计算过程的时间和数据中心的能耗。

本发明能够缩短对角加边模型分解协调算法的计算时间和降低数据中心能耗，并且，随着电力节点网络计算规模和复杂度的增加，采用数据中心计算的优势就越明显。

申请人：天津大学
地址：300072 天津市南开区卫津路92号
国籍：CN
代理机构：天津市北洋有限责任专利代理事务所
代理人：杜文茹
更多信息请下载全文后查看。

《基于非监督学习的伊辛模型和Potts模型相变研究》篇一一、引言相变研究是物理学和统计学中的一项重要课题，对于理解物质的物理性质和行为起着至关重要的作用。

在过去的几十年里，非监督学习算法在研究复杂系统相变中扮演了关键角色。

其中，伊辛模型（Ising Model）和Potts模型作为经典模型在相变理论中占有重要地位。

本文旨在利用非监督学习算法，深入研究伊辛模型和Potts模型的相变现象，探讨其背后的物理机制和统计规律。

二、伊辛模型和Potts模型的背景及研究意义伊辛模型是一种描述自旋系统相变的统计模型，常用于研究铁磁体、合金等物质的磁性相变。

Potts模型则是一种扩展的伊辛模型，适用于具有多个状态的系统。

这两种模型在物理学、统计学和计算机科学等领域有着广泛的应用。

通过对这些模型的研究，我们可以更深入地理解相变现象的本质和规律，为实际问题的解决提供理论依据。

三、非监督学习算法在相变研究中的应用非监督学习算法在处理无标签数据时具有显著优势，能够从大量数据中提取有用的信息和规律。

在相变研究中，非监督学习算法可以用于分析伊辛模型和Potts模型的相变数据，发现隐藏的规律和模式。

例如，聚类算法可以用于识别不同相态的样本，降维算法可以用于可视化相空间的结构，自组织映射算法可以用于揭示相变过程中的动态变化等。

四、基于非监督学习的伊辛模型相变研究本文首先利用非监督学习算法对伊辛模型的相变数据进行分析。

通过聚类算法，我们将不同相态的样本进行分类，并分析了各类样本的物理性质和行为。

此外，我们还利用降维算法将高维的相空间进行可视化处理，揭示了相空间的结构和变化规律。

通过自组织映射算法，我们进一步分析了相变过程中的动态变化，探讨了不同参数对相变的影响。

五、基于非监督学习的Potts模型相变研究与伊辛模型类似，我们同样利用非监督学习算法对Potts模型的相变数据进行分析。

通过对不同状态的样本进行聚类处理，我们分析了各状态下系统的物理性质和行为。

一种应用模糊策略建立混合模型的软测量方法
付勇涛;俞金寿
【期刊名称】《世界仪表与自动化》
【年(卷),期】2002(006)008
【总页数】2页(P42-43)
【作者】付勇涛;俞金寿
【作者单位】华东理工大学自动化所;华东理工大学自动化所
【正文语种】中文
【中图分类】TP274
【相关文献】
1.基于混合粒子群优化的异类多模型软测量方法研究与应用
2.一种利用多神经网络结构建立非线性软测量模型的方法
3.一种改进的模糊PLS模型在软测量中的应用
4.建立杂交/混合元模型的一种简明列式方法及其在薄板弯曲问题中的应用
5.一种模糊模型的混合建模方法及在短期负荷预测中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。