1.6 主要创新

本章从粒计算的角度出发，提出了粒度格矩阵空间模型，用以模拟粒与粒之间的关系。该模型集粗糙集、模糊集和商空间理论为一体，重新定义了粒计算模型。它不仅能对知识和信息进行不同层次和粗细程度的粒化，还体现了粒化后粒与粒之间的关系，从而更好地挖掘内在知识。在解决问题时，可以根据具体的情况，利用粒度格矩阵空间模型中粒与粒之间的空间结构，实现不同粒和粒层之间的跳跃和往返，从而提供了一种知识发现和描述的新方法。该模型在后续的章节中充分证明了其在知识发现、聚类、图像分割、视频处理等领域得到了有效的应用。

本书的主要创新点如下。

①基于商空间理论、粗糙集方法及模糊集理论等理论基础，提出了新的粒计算模型，即粒度格矩阵空间模型。该模型不仅延承了粗糙集和商空间的“等价类”和“商集”等基于划分的概念，还吸收了模糊集处理不精确问题的方法，同样具有在模糊空间下处理问题的能力。该模型的提出架起了关系、粒、矩阵理论以及图论之间的桥梁，为模糊集、粗糙集和商空间等理论的统一提供了简单可行的算法模型。

②提出了基于新模型的完备和不完备信息系统的知识发现算法。该算法分别以完备和不完备信息系统为研究对象，将常规的知识约简转化为矩阵的数值运算过程，提供了一种有别于传统方法的新的运算规则，该运算途径有利于对复杂的对象进行处理，如聚类问题和图像分割问题。通过举例证明了该算法和现有的几种常规知识约简算法的等价性。

③提出了基于新模型的动态聚类算法。该算法针对不同性质的样本点，采用“动态粒度”的思想对其进行层次聚类。该算法是基于新模型的知识发现算法在聚类问题上的应用，它从应用的角度验证了新模型的可行性和有效性。

④提出了基于新模型的图像分割算法。该算法基于图像分割问题与粒度划分的统一性，将图像转化为具有分层结构的知识体系，构造了多个单元粒度层，通过各单元粒度层分割的粒度合成取得最终的分割效果。实验证明，该算法在边缘细化的处理上有明显的效果。

⑤提出了融合粒空间的多特征显著区域检测方法。借鉴矩形粒对比显著图有效得到显著目标的位置和边缘信息，而球形粒对比显著图有着更为完整的纹理和内容信息，以矩形粒对比显著图为基准，与球形粒相融合，检测图像的显著区域，该方法计算量小、用时短，准确率和查全率均高于现存算法。

⑥提出了一种基于多粒度特征融合的自适应双阈值镜头检测算法。通过选取HSV颜色粒度特征和LBP纹理粒度特征作为视频帧的主要特征，既描述了视频图像的全局内容，又充分利用了图像的局部细节信息，并通过权值将2个特征粒度融合为统一粒度空间来计算帧间差，运用自适应设定的阈值，更好地区别突变镜头和渐变镜头。

⑦提出了一种基于CUDA模型的粒信息熵的关键帧提取算法。利用帧粒互信息熵提取图像帧特征，并运用SUSAN算子完成帧粒特征的边缘匹配，结合CPU+GPU并行编码的方式加速计算过程，从而缩短提取关键帧所用的时间开销。

⑧提出了基于DCT与NCIE的关键帧多级提取方法。通过将视频帧从像素域转换到频率域，采用DCT算法对视频帧提取相关系数作为图像特征；再将镜头类型区分为动态镜头和静态镜头。针对静态镜头，提取中间一帧作为关键帧；针对动态镜头，采用非线性相关信息熵（NCIE）的度量方法对镜头帧进行相似性度量，并进一步细分成若干子镜头，然后从子镜头中选择最接近平均信息熵的一帧作为关键帧。

⑨提出了基于Adaboost的多阶段优化人脸检测算法。以经典Adaboost算法为基础，分别在算法学习、算法检测过程中对其进行优化，提出前后端自判断机制用以缩减误报。在分类器判断待检测窗口之前，设置前端误报缩减机制，通过边缘能量检测删除非感兴趣子窗口；在Adaboost算法检测后，通过基于粗糙粒的肤色检测和边缘蒙版过滤构成的“过滤器”，在窗口内再次筛选人脸，进一步缩减误报。

⑩针对目前的人眼跟踪方法对人眼部分遮挡、人脸尺度变化和头部旋转等情况过于敏感，经常因丢失目标而导致跟踪失败的情况，提出了一种基于Kalman滤波器和改进CamShift算法的双眼跟踪方法。运用Kalman滤波器预测当前帧图像中双眼的位置，根据双眼的颜色分布特征运用改进Camshift迭代算法在估计的邻域范围内搜索双眼目标，再根据双眼分布的对称性和旋转不变性校正搜索到的双眼窗口，并更新Kalman滤波器和人眼模板。该算法避免了遮挡和背景对双眼的影响，对人脸尺度变化、人眼部分遮挡和头部旋转都有较强的顽健性，在人眼微睁甚至完全闭合的情况下可以准确跟踪到人眼状态。

⑪提出了融合双韦伯特征的深度置信网络表情识别算法。采用双韦伯特征算子对图像进行初次特征提取，将初次特征输入深度置信网络模型，进行更高层次的特征抽象。提取结果融合了局部特征和全局特征的优势，改善了韦伯特征在提取面部表情时整体纹理结构信息不足、深度学习对图像局部纹理构建不全等弊端。将双韦伯特征作为深度置信网络的输入减少了对冗余信息的学习和计算，使深度学习的速度得到明显提高，且韦伯特征与深度置信网络的特征融合，提高了分类器表情识别的准确率。