针对现有以雷达技术和红外热成像技术为代表的 HOV（High occupancy vehiclelane）车道车辆乘员数量检测方法可靠性差、准确率低等问题，提出一种基于多光谱红外图像与改进 Faster R-CNN（Region-Convolutional Neural Networks）的车辆乘员数量检测方法。通过多光谱红外成像系统获得汽车内部空间图像，结合 Faster R-CNN深度学习算法实现乘员数量检测，通过采用全卷积网络结构、多尺度特征预测、使用 ROI-Align代替 ROI-Pooling等方式增强网络的泛化能力。通过对样据进行 K-means聚类得到目标框长宽几何比例先验分布，提高区域生成（ region proposal network，RPN）网络训练速度和位置回归准确性。测试结果表明，获得的汽车内部空间图像较为清晰，算法可以实现对乘员数量的检测。经过改进，网络的泛化能力得到增强，单乘员检测的准确率达到 88.6%，相比于改进前提高了 13.8%，能够满足行业规定大于 80%的要求。

为解决红外图像边缘模糊导致边缘提取困难的问题，提出一种基于边缘特征与 K-means结合的红外图像边缘检测方法。首先将人眼视觉特性与红外图像边缘点处的灰度分布特点结合，构造出反映其结构特征的数据集；再利用 K-means将数据集分为边缘点和非边缘点，提取出图像边缘；最后利用二步法将边缘进行细化，以便实现红外图像边缘检测。实验结果表明：该方法能够通过自适应阈值提取出红外图像的完整外部轮廓，并保留内部边缘信息，对弱边缘起到良好的提取效果，并有效抑制噪声干扰。

为了更加有效地采集物体的三维表面信息,使用结构光技术构建新的三维表面数字化检测平台。结合格雷和相移编码各自所具有的优势,提出了一种新的复合编码法,首先将图片分成一定的区域,然后在各个区域单独投影结构光条纹,之后每幅相移图依次向右移动一定像素。由于该法对投影的简化使编码周期明显缩短,减少了图像处理的数据量,从而提高了扫描速度,尤其适合于实现快速的三维模型重建。在自行研制的三维表面信息采集实验平台上进行了实验,新方法的有效性得到了证明。

由于水声声场分布复杂多变,受局部条件影响较大,同时其存储数据容量较大,使得在普通PC机上几乎无法真实全面地描述实际声场分布.文中根据图形学原理并应用IDL语言实现了基于伪彩图的三维声场切面的可视化.仿真结果真实地反映了预想声场的分布情况.

用激光喇曼光谱仪测量样品的斯托克斯和反斯托克斯散射线的相对光强之比.可以得到样品表面的局部温度.温度数值直接由导出公式计算而得,无需定标.它特别适用于表面物理和集成电路新工艺开发研究.文中还就该方法的误差进行了讨论和实验修正.