全面综述了基于深度学习的人体姿态估计方法的研究进展。在比较分析各类单人姿态估计方法的基础上,从自上而下和自下而上两个方法角度总结了多人姿态估计算法。在自上而下方法中,着重介绍了局部区域重叠、关节点混淆、人体非典型部位关节点难以检测等问题的解决方案;在自下而上的方法中,重点关注聚类方法对关节点检测的贡献。对目前公共数据集上取得优异性能的代表性方法进行了对比和分析。这样做的目的是使研究者了解和熟悉该领域已有的研究成果,拓展研究思路和方法,并展望未来可能出现的研究方向。

基于深度学习技术的目标检测是通过人工神经网络提取和学习目标多层次特征, 并送入分类器中预测目标的类别与位置。根据模型训练方式可分为单阶段检测算法和二阶段检测算法两种类型。对各阶段类型代表性算法进行了详细的介绍, 并在PASCAL VOC数据集上进行了比较和分析。最后, 对发展趋势进行了展望。

行人再识别的主要任务是利用计算机视觉对特定行人进行跨视域匹配和检索。相比于传统算法,由数据驱动的深度学习方法所提取的特征更能表征行人之间的区分性。对行人再识别的背景及研究历史、主要面临的挑战、主要方法、数据集及评价指标进行了梳理和总结。主要从特征表达、局部特征、生成对抗网络三个方面对行人再识别的算法进行分析,列举了行人再识别9个常用数据集、3个评价标准和14种典型方法在Market1501数据集上取得的准确率,最后对行人再识别的未来研究方向进行展望。

针对尺度不变特征变换(SIFT)算法在关键点(即尺度空间稳定的极值点)特征描述向量计算复杂且维数较高, 以及多项式确定性矩阵测量数取值受限等现象, 提出一种分块多项式确定性矩阵的SIFT图像配准算法。通过压缩感知的稀疏表示方法, 将SIFT提取的高维描述子向量降维到低维的稀疏特征向量, 降低了关键点描述向量维度, 并采取欧氏距离对图像关键点特征描述向量进行相似性度量。与传统算法的针对性比对分析表明, 改进算法有效提升了配准精度, 增强了实时性。

研制了一种以上转换发光材料作为标记物的扫描检测系统，有别于传统的测量方法，可做出定量和多重分析．扫描检测系统以扫描方式逐点测量经生物反应而结合上去的UCP颗粒的含量，记录整个免疫试纸条的信息，计算出被测样品中特定生物分子的浓度．实验结果表明，该系统对兔抗鼠疫免疫球蛋白(IgG)标准样品的检测灵敏度达到百ng／mL量级，且具有变异系数小于6%的重复性，符合生物免疫测定的要求．

为实现对特定生物分子的高灵敏度快速检测与分析,采用上转换发光材料作为标记物,研制成功一台基于上转换发光技术的新型光学免疫生物传感器。该传感器利用上转换发光材料在红外光激发下发射可见磷光的特性,通过对免疫层析试纸条上经生物反应而结合上去的上转换发光材料颗粒的含量进行检测,计算出被测样品中特定生物分子的浓度。实验结果表明,该传感器具有较好的生物特异性,对兔抗鼠疫免疫球蛋白(IgG)标准样品的检测灵敏度达到ng/ml量级,并在200～6000 ng/ml浓度范围内具有良好的线性响应特性,相关系数R2≥0.95;对鼠疫耶尔森氏菌抗体的敏感性明显高于间接血凝实验,且与免疫印迹检测实验结果具有较好的一致性。该传感器具有稳定、可靠、灵敏的工作性能,符合实际检测与分析的要求。