Flash制作英语电子版试卷初探

本文探讨的是利用Flash软件制作英语电子版试卷的方法。客观题由计算机评分,主观题由教师评分。发布为网页格式可以挂到网页上,也可以放在桌面上,用IE中Outlook Express发送,不需要另设服务器和数据库。实现考试无纸化、网络化、自动化。     

基于分段化结构重建的2D/3D视频转换方法

为了缓解3D片源的不足,设计了一种分段化结构重建方法为视频2D/3D转换提供深度线索.采用分层提取的方式,将视频基于内容分解为子序列,在每个子序列中建立优化准则选择出处于非退化状态的关键帧,并以此为基础提出了分段化结构重建框架,利用改进的耦合自标定算法重构出每个子序列对应的离散3D结构信息,从而获取视频的深度线索.实验结果表明,该方法通过分段化后的局部优化,不仅使结构化重建能够有效处理多场景下的连续镜头,还加快了转换的效率,能够稳定、高效地获取深度信息,适用于视频2D/3D转换.      

基于多特征图像视觉显著性的视频摘要化生成

如何高效提取视频内容即视频摘要化，一直是计算机视觉领域研究的热点。简单通过图像颜色、纹理等特征进行检测已无法有效、完整地获取视频摘要。基于视觉注意力金字塔模型，提出了一种改进的可变比例及双对比度计算的中心-环绕视频摘要化方法。首先，以超像素方法对视频图像序列进行像素块划分以加速图像计算；然后，检测不同颜色背景下的图像对比度特征差异并进行融合；最后，结合光流运动信息，合并静态图像与动态图像显著性结果提取视频关键帧，在提取关键帧时，利用感知哈希函数进行相似性判断完成视频摘要化生成。在Segtrack V2、ViSal及OVP数据集上进行仿真实验，结果表明:所提方法可以有效提取图像感兴趣区域，得到以关键帧图像序列表示的视频摘要。      

融合语义信息的视频摘要生成

视频摘要任务旨在通过生成简短的视频片段来表示原视频的主要内容，针对现有方法缺乏对语义信息探索的问题，提出了一种融合语义信息的视频摘要生成模型，学习视频特征使其包含丰富的语义信息，进而同时生成描述原始视频内容的视频摘要和文本摘要。该模型分为3个模块:帧级分数加权模块、视觉-语义嵌入模块、视频文本描述生成模块。帧级分数加权模块结合卷积网络与全连接层以获取帧级重要性分数；视觉-语义嵌入模块将视觉特征与文本特征映射到同一空间，以使2种特征相互靠近；视频文本描述生成模块最小化视频摘要的生成描述与文本标注真值之间的距离，以生成带有语义信息的视频摘要。测试时，在获取视频摘要的同时，该模型获得简短的文本摘要作为副产品，可以帮助人们更直观地理解视频内容。在SumMe和TVSum数据集上的实验表明:该模型通过融合语义信息，比现有先进方法取得了更好的性能，在这2个数据集上F-score指标分别提高了0.5%和1.6%。      

基于步行周期聚类的视频行人重识别关键帧提取算法

视频行人重识别旨在不同摄像头拍摄的视频中检索特定行人。但是,它面临着数据量庞大和视频数据存在时间冗余的问题,即视频数据耗费大量的存储空间且不同帧之间存在极强的相关性。因此,使用所有的帧进行识别会带来查询效率的下降,而且视频中大量的干扰和噪声也会给准确率带来不利影响。本文提出了基于步行周期聚类的视频行人重识别关键帧提取算法,首先利用行人步行时双脚距离变化的周期性规律提取候选步行周期,然后利用聚类的方法从候选步行周期中选出关键步行周期作为关键帧。最后,将该算法应用在视频行人重识别中,仅使用关键帧的信息进行识别以减少时间冗余的影响,从而提高准确率,并且在查询前对视频进行处理,减少视频数据量以提高查询效率。在视频行人重识别数据集MARS和DukeMTMC-VideoReID上的实验表明,本文算法能够减少59%~82%的视频数据量,并且累积匹配曲线Rank-1提高了1.1%~1.4%,平均精度均值提高了0.2%~5%。     

基于深度视觉语义嵌入的视频缩略图推荐

视频缩略图作为视频内容最直观的表现形式,在视频共享网站中发挥很重要的作用,是吸引用户是否会点击观看该视频的关键要素之一。一句与视频内容相关的描述性语句,再搭配一幅与语句内容相关的视频缩略图,往往对用户更有吸引力,因此提出一种深度视觉语义嵌入模型来构建完整的视频缩略图推荐框架。该模型首先使用卷积神经网络（CNN）来提取视频关键帧的视觉特征,并使用循环神经网络（RNN）来提取描述语句的语义特征,再将视觉特征与语义特征嵌入到维度相同的视觉语义潜在空间;然后通过比较视觉特征与语义特征之间的相关性来推荐与特定的描述语句内容密切相关的视频关键帧作为视频缩略图推荐结果。在不同类型的网络视频数据上的实验表明,所提方法能够有效地从网络视频中推荐出与给定描述性语句内容较相关的视频缩略图序列,提升视频的用户浏览体验。      

基于低秩与稀疏分解的VideoSAR散射关键帧提取

视频合成孔径雷达(video synthetic aperture radar, VideoSAR)的超长相干孔径观测使得区域动态信息的快速浏览极其困难。为以机器视觉方式自动捕捉地物散射消失-瞬态持续-消失-瞬态持续-消失的关键帧变化全过程，提出了一种子孔径能量梯度(subaperture energy gradient, SEG)和低秩与稀疏分解(low-rank plus sparse decomposition, LRSD)相结合的VideoSAR关键帧提取器。提取器为系列性通用架构，适用于任何SEG和LRSD系列方法相结合的形式。所提技术首要针对同时单通道、单波段、单航迹等有限信息条件的解决途径，有助于打破应急响应场景中难以采集多通道、多波段、多航迹或多传感器数据的应用局限性。基于实测数据处理和多种先进LRSD算法进行了对比验证，其代表性散射信息的充分提取可促进未来快速地理解并浓缩区域动态。     

基于改进关键帧选择的ORB-SLAM2算法

针对同时定位与建图（SLAM）算法精度不高且跟踪易失败的问题，提出了一种改进关键帧选择的ORB-SLAM2算法。通过ORB-SLAM2算法计算帧间相对位姿；在原有算法的基础上，增加旋转与平移量作为判定依据，决定是否创建新关键帧；针对移动机器人所安装的相机与机器人产生相对运动引发误拍摄，导致劣质关键帧生成的问题，设计了劣质关键帧剔除算法；基于RGB-D数据集与自主研发的移动机器人进行了实验验证。实验结果表明:改进的关键帧选择算法能够准确及时地选择关键帧，最优情况下定位误差约为原误差的51.9%，有效消除了相机与机器人之间相对运动产生的影响，直线误差仅为原误差的82.1%。改进算法能够有效提高定位精度，减少跟踪失败。