本文通过改进的残差网络, 学习有雨图像和无雨图像之间的映射关系来实现图像去雨, 提出了一种基于联结残差网络的单幅图像去雨算法。首先, 利用改进的残差块简化网络模块, 减少网络参数, 提升网络训练速度; 其次, 设计的联结结构不仅实现了多特征提取, 有效减少了参数, 而且增加了特征图的输出, 有利于保留更多的图像细节信息; 最后, 利用单尺度卷积实现图像细节重建, 提高去雨图像的视觉效果。实验结果表明: 本文算法在合成雨天图像数据集上, 其结构相似度和峰值信噪比的平均值分别高于0.95和33 dB, 而真实雨天图像数据集的盲图像质量评价值较低。本文算法不仅能有效去除图像中的雨, 雨纹残留较少, 而且能更多地保留图像的纹理和边缘细节, 视觉效果清晰自然。

随着人口老龄化的到来, 为了避免发生意外事故, 对老人日常活动行为进行识别和监测的安全监护系统的需求不断增长。传统的基于摄像头拍摄或者穿戴式传感器的活动状态监测系统存在着隐私保护和使用不方便等不足。为此, 本文设计一种基于红外阵列传感器的人体行为识别系统。该系统通过检测环境中的温度分布和变化情况识别人体行为, 不需要在老人身上佩戴任何设备, 尺寸小易于安装, 在黑暗环境中可正常工作, 且由于采集到的是低分辨率信息, 不会造成隐私泄露, 对比传统方案具有明显优势。从采集到的温度分布信息中提取特征并采用 K最近邻( K-Nearest Neighbor, KNN)算法实现了“走”、“坐”和“跌倒” 3种状态的识别。实验结果表明平均准确率可达到 95%, 其中跌倒准确率为 97.5%, 行走准确率高达 100%, 坐下准确率为 92.5%。

研究表明跌倒是我国老年人伤害的主要原因，而且超过一半的跌倒发生在家中。如果我们能及时发现老人跌倒并进行有效处理，就会降低跌倒对老人的伤害。因此为了检测老年人室内跌倒行为，本文从低分辨率的红外图像中，提取出4 种对跌倒敏感的特征，同时使用K 近邻算法进行分类来判断是否发生跌倒。另外，本文还设计了一套基于该算法的老年人跌倒检测系统，它具有保护隐私、准确度高、安装方便的优点。最后通过实验测试表明该跌倒检测算法的准确率高达91.25%。

直接利用雷达高分辨一维距离像或是提取一维像单一特征进行目标识别难以取得理想效果。为了更好地反映雷达目标本身的物理特性，提高雷达目标识别率，对雷达目标高分辨一维距离像的频谱幅度、能量聚集区长度、散射中心数目和中心矩特征进行提取并构成多特征向量，描述雷达目标高分辨一维距离像频域、能量等物理特性，采用主成分分析方法进行特征维数压缩，基于支持向量机的方法进行分类识别，从而提出一种基于多特征提取的雷达目标识别方法。实验结果表明，采用该多特征提取方法进行雷达目标识别有助于提高识别率和减少分类时间。