针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5_DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5_DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark^*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。

基于麦克风阵列的波达方向估计在野外传感网络的理论研究和工程实践领域有着重要的战略意义，多通道麦克风阵列在进行声源定向时往往因为各个通道存在幅度和相位的不一致而产生定向误差。针对这一问题，提出了一种自适应的麦克风阵列通道不一致校正方法。该方法基于子空间分解原理构造了信号谱空间的目标代价函数，结合模拟退火算法模型，通过对代价函数最小化的方法，求得阵列的校正矩阵。通过计算机使用上述方法对8元麦克风阵列进行仿真模拟，并采用4元麦克风阵列进行实际测试，仿真及实际测试结果验证了该校正方法的可行性。

闭环检测算法可消除视觉同时定位与建图(VSLAM)系统的累计误差,并对构建全局一致性地图有重要作用。针对现有传统闭环检测算法在视角与场景外观变化下准确率与稳健性降低,及部分基于深度学习方法特征提取与闭环识别实时性不佳的问题,设计了一种融合Gist特征与卷积自编码的闭环检测算法,将Gist特征作为卷积自编码网络重构目标,可增强模型在外观变化下的场景特征表达能力;同时通过透视变换构造视角变化训练图像对,以提升模型在视角变化下闭环检测的准确率与稳健性。所设计的模型较精简,可实现实时关键帧特征提取与闭环检测。在Gardens Point与Nordland数据集的实验结果表明,相较于传统视觉词袋模型(BoVW)、Gist算法及现有部分深度学习方法,本文算法可以达到更高的准确率和稳健性。

由于传统分布式跟踪方法在先验噪声协方差与其实际值不相匹配时跟踪误差较大, 提出了一种采用自适应一致性无迹卡尔曼滤波的分布式目标跟踪方法, 该方法首先执行分布式UKF算法得到对当前移动目标状态的估计值, 然后通过一个系统错误检测机制, 确定是否需要对噪声协方差值进行更新。如需要, 则根据当前获得的测量信息去估计当前噪声协方差, 并联合该估计值和先前的噪声协方差值获得一个新的先验噪声协方差值。最后根据新获得的噪声协方差值对获得的目标状态估计值进行修正。实验结果表明该方法具有较好的准确性和鲁棒性: 在噪声未知环境下, 基于ACUKF的分布式跟踪方法相比于基于容积信息滤波和基于分布式无迹卡尔曼滤波的跟踪方法, 最大跟踪误差值分别减少了49.93%和 51.46%; 在目标过程噪声发生动态变化的情况下, 提出的方法相比于上述两种传统跟踪方法, 跟踪误差值分别减少了40.67%和40.06%。

针对现有的卷积神经网络方法所生成的视差图中细节损失严重的问题,提出了在结构上改进的新方法。将原有网络中特征提取部分的4层卷积结构提升到7层,最大化提高了精度;在网络中引入了双金字塔结构,将多尺度降采样信息和特征信息进行了融合,保持了输入图像中的原始细节信息。实验结果表明,改进后网络的错误率从3.029%降到了2.795%,生成的视差图具有更好的连通性。

随着计算机和网络技术的飞速发展,数字图像、音频和视频产品越来越需要一种有效的版权保护方法,所谓数字水印就是一种嵌入到图像、视频或音频数据中的不可见标志,可以用于多媒体数据的版权保护、认证和标注等.本文提出了一个有效的静止图像的自适应盲水印算法,在水印检测过程中不需要原始图像.原始图像经小波变换后,选择内嵌水印所需要的子带,水印根据邻居特征平均值法和奇偶判决法内嵌到频域中所选择的子带上.实验结论和攻击测试表明,本文所提议的算法具有较好的透明性,对如JPEG有损压缩、中值滤波、附加噪声、伸缩、裁剪等各种图像处理的攻击有较强的顽健性.