在介质中传播的光的吸收系数、散射系数、各向异性因子和折射率可以用于介质物理与化学特性的检测，因此，这四种参数的反演方法研究非常重要，但目前缺乏能够同时识别这四种参数的算法。针对该问题，提出利用多个角度激发的漫反射光信号增加信息的丰富性，并通过残差神经网络实现浑浊介质吸收系数、散射系数、各向异性和折射率识别的方法。通过蒙特卡罗模型模拟了各种条件下的漫反射光信号，对所提方法进行了验证。在仿真过程中，考虑光纤大小和发散角，并在漫反射光强信号中加入不同等级的噪声以提高网络的泛化能力和抗噪性能。结果表明，当信噪比为40 dB时，所提方法对浑浊介质的吸收系数、散射系数、各向异性因子以及折射率的识别结果的平均相对误差分别为8.6%、4.6%、1.7%和0.9%，验证了所提方法的高精度。

为解决在行为异常检测中遇到的运动模糊问题，提出一种基于DeblurGAN改进的快速去运动模糊算法。使用3个3×3的卷积替换原生成器中的7×7的卷积，并舍弃原算法上采样时使用的转置卷积，对需要上采样的特征图进行双线性插值。将原算法生成器结构中的残差单元替换成密集残差块(RRDB)，然后将得到的残差特征缩放到0~1之间的值，避免训练不稳定。在原生成器的损失函数中添加梯度图像的L1损失，增加图像的边缘信息使重建后的图像边缘更明显，克服了DeblurGAN重建图像边缘细节不够清晰的缺陷。经实验验证，并和文献[14]、文献[18]进行比较，结果显示：优化后的模型与DeblurGAN相比，峰值信噪比提高0.94，结构相似度和速度相当，并解决了重建后图像棋盘格子的问题，细节边缘更加突出，模型性能优于相关算法。

针对Tiny YOLOv3算法在扶梯异常行为检测时存在高漏检率和低准确率的问题,提出一种改进的Tiny YOLOv3网络结构用于扶梯异常行为检测。利用K-means++算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数,使训练网络在异常行为检测方面具有一定的针对性。利用多层深度可分离卷积提取深层次的语义信息,加深特征提取的网络结构;增加一个尺度用于低层语义信息的融合,改进原有算法预测层的结构;使用GPU进行多尺度训练,得到最优的权重模型,对扶梯异常行为进行检测。实验结果表明,优化后的模型与Tiny YOLOv3相比,平均漏检率减小了22.8%,检测精度提高了3.4%,检测速度是YOLOv3的1.7倍,更好地兼顾了检测的精度和实时性。

人头检测技术是人数统计领域一项重要的研究内容,基于检测的人数统计方法常用于视频监控领域。人头检测常常受到遮挡、背景干扰、光照等因素影响。为解决上述问题,提出一种基于区域全卷积神经网络进行头部检测的方法。特征学习阶段通过残差网络和区域候选网络获得特征及感兴趣区域,并在残差网络中添加可形变卷积层。再将感兴趣区域输入池化层,进行可形变位置敏感均值池化。最后进行分类与目标位置精修,并提出将位置敏感感兴趣区域对齐并进行池化操作。为了改善网络在多尺度头部的检测效果,更新区域候选网络中锚点生成规则。利用在线难例挖掘算法提高复杂任务下头部目标的检测能力,通过软非极大值抑制减少检测边界框间的相互干扰。研究结果表明,在HollywoodHeads数据集上平均识别精度最高可达83.24%,优于目前相关文献的方法。

传统的稀疏表示跟踪算法直接利用较为简单的灰度特征进行稀疏表示系数计算，易受遮挡、形变等影响。为此，提出一种局部自适应加权算法来增加受遮挡、形变等影响的候选目标与未受遮挡、形变等影响的候选目标之间的区分度。另外，一般稀疏表示算法利用数量较少的目标模板构建过完备字典。无法获得较好的稀疏系数。提出逆稀疏表示算法，利用包含丰富目标特征和背景特征的候选目标构建过完备字典来重构目标模板，相同维度的目标模板条件下可以获得更好的稀疏系数。实验表明，该算法在目标背景差异小或严重遮挡、形变情况下，都能够较好的跟踪目标。