纳米计算机断层扫描(nano-CT)对于推动科技发展和生产技术进步具有极其重要的意义,在生物医学前沿研究及新材料特性研究中的作用尤为突出。概述了纳米CT成像的基本原理、分类,以及纳米CT系统的实现方式和优缺点。在具体技术细节上,重点分析实现纳米CT成像的光学元件的原理、性能、加工制造的瓶颈和应用现状。在此基础上,提出纳米CT成像系统和应用方面存在的问题,并对未来纳米CT成像的发展进行了展望。

针对印制电路板关键轮廓特征提取难的问题,提出了一种将折边线转化为边界线,再进行关键轮廓线特征点提取的算法。该算法首先利用k维树对印制电路板原始点云数据建立拓扑结构,从而实现对k邻域点的快速查找,采用直通滤波算法完成对印制电路板点云的整体预处理;其次通过随机采样一致性算法将印制电路板中面积最大的平面特征单独提取出来,使关键轮廓特征实现了在空间上的分离;再采用基于法向量夹角限制条件的欧氏聚类完成折边特征的点聚类,从而实现将折边线转化为边界线的思想;最后根据k邻域点之间向量的夹角与设定阈值之间的大小关系,来判定查询点是否属于边界轮廓特征点。实验结果表明,该算法能够较为完整地提取出印制电路板点云的关键轮廓线特征信息。

为提升不同颜色水下图像的增强效果,提出一种基于条件生成对抗网络的水下图像增强方法。该网络在生成模型中加入残差密集块中的残差模块,其密集级联和残差连接可以提取图像的特征信息,改善梯度消失现象;在目标函数中增加两种新的损失函数建立网络模型,使得增强后的图像与输入图像的内容和结构保持一致。实验结果表明,所提方法对不同颜色水下图像的增强效果优于现有算法,具有更好的视觉效果。

YOLOv3作为开源的目标检测网络与同时期目标检测网络相比,在速度和精度上有着明显的优势。由于YOLOv3采用了新型的全卷积网络(FCN)、特征金字塔网络(FPN)和残差网络(ResNet),因此对硬件配置要求较高,导致开发成本过高,不利于工业上的应用普及。在嵌入式平台上普遍使用YOLOv3tiny进行检测,虽然计算量较小,但是检测效果远不如YOLOv3。为了解决在嵌入式平台上YOLOv3检测速度低的问题,提出一种基于YOLOv3的简化版网络,与YOLOv3不同的是,在保留了对特征提取有较大帮助的FCN、FPN以及ResNet的同时,尽可能减少每层的参数量和残差层数,并尝试加入了密集连接网络空间金字塔池化。实验结果表明,该网络的参数量和检测速度大幅优于YOLOv3,且平均精度比YOLOv3tiny在PASCAL VOC2007、2012数据集上有明显的提升。

为了提升多光谱图像语义分割的精度,提出了一种基于局部二值模式(LBP)特征增强的语义分割神经网络模型。该模型通过两个大小分别为3×3和5×5的LBP特征提取算子,对原始红外图像进行边缘信息提取,获得了边缘特征图。将原始RGB图像、红外图像和获得的LBP特征图输入到一个包含34层残差网络的模型中进行语义分割。实验结果表明,本文提出的基于LBP特征增强的神经网络模型,在RGB-Thermal数据集上取得了60.7%的平均准确率和51.9%的平均交并比,明显优于其他对比模型。同时在可视化结果上,本文模型的结果也更加清晰准确。

为了进一步提高表情识别准确率,提出一种结合局部二值模式(LBP)和梯度特征的双通道卷积神经网络表情识别算法。首先对采集得到的图像进行预处理,生成对应的梯度图像和LBP图像。针对单一特征对人脸信息表征不全面的问题,将特征提取网络分为两个通道,通道一输入梯度图像,提取人脸结构特征,从而更好地对人脸的全局信息进行描述,且对光照变化具有良好的鲁棒性;通道二输入LBP图像,提取人脸纹理特征以保留对五官边缘、亮点等微小特征的敏感性,两个特征相互补充,能够更加全面高效地对人脸特征进行表征,进而提高表情识别的准确率。最后通过加权特征融合网络对两种特征进行融合并利用Softmax对表情进行分类。在CK+、FER2013和Oulu-CASIA数据集上进行实验,分别取得了96.1%、75%和90.1%的平均识别率。结果表明,本文方法能够以较高的准确率识别6种基本面部表情,与单通道表情识别算法相比,取得了更高的识别准确率;相比于其他双通道卷积神经网络,能够以较简单的网络结构取得较好的识别效果。

色域映射是实现彩色图像在不同设备中传输和再现的关键技术,也是现代颜色管理系统的核心环节。但关于色域映射图像的质量评价研究较少,因此,提出了一种基于自然场景统计的无参考色域映射图像质量评价算法。首先将色域映射图像转换到Spatial-CIELAB颜色空间并提取颜色三属性,即亮度、彩度和色调。对亮度分量进行Log-Gabor滤波,在频域上提取统计特征表征图像的结构失真和对比度失真;对彩度和色调两个分量,在空间域上提取统计特征来表征图像的颜色失真。然后结合主观分数和提取的特征,利用后向传播神经网络训练图像质量评价模型。最后用模型评价图像质量,实验结果表明,该算法优于现有的无参考质量评价算法。

针对非局部均值(NLM)算法度量邻域块相似度不够准确的缺点,提出了一种基于差异哈希算法与汉明距离的改进NLM算法。传统算法通过欧氏距离度量邻域块之间的相似度,保持边缘和细节的能力较弱,易导致滤波后的图像模糊失真。因此引入了包含梯度信息的差异哈希算法对欧氏距离进行改进,由邻域块生成差异哈希图像,并用其汉明距离衡量邻域块的相似度。实验结果表明,对于低噪图像,本方法在去噪的同时能较好地保持细节边缘,且相较其他算法,运行速度有很大提升,具有一定的应用价值。

为解决现有去雾算法中存在的透射率过估计、天空区域颜色失真、实时性差等问题,提出了一种基于金字塔模型的快速高效实时视频去雾算法。采用金字塔向下采样获取缩小后的图像,引入伪去雾图像与暗原色置信度作为修正因子,获取缩小图像的粗透射率;然后将缩小图像还原至初始尺寸,利用联合双边滤波对纹理进行细化;最后结合大气光散射模型及帧间视频去雾理论复原降质视频。实验结果表明,该算法的去雾效果彻底,可对多种场景进行有效去雾。相比其他算法,本算法的峰值信噪比和平均结构相似性分别提高了20.153%和14.056%,且处理快速、运行稳定,可用于实时视频去雾。

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。

针对水下图像颜色失真与模糊问题,提出了基于背景光估计与透射率优化的水下图像复原算法。该算法将透射率定义为直接分量透射率和后向散射分量透射率,有效提升成像模型的完整性。先对红色衰减分量进行补偿并重置直方图分布范围实现色彩均衡;基于亮度、梯度判别及色调判断选出最佳背景光点;再通过红色暗通道先验得到后向散射分量透射率,利用无退化像素点求得直接分量透射率;最后将两个透射率及所求背景光代入成像模型中以获得复原图像。实验结果表明,所提算法能够有效平衡图像的色度、饱和度及清晰度,视觉效果接近自然场景下的图像。

针对目前人物图像生成模型普遍存在糊化和纹理缺失等问题,提出一种融合特征反馈机制的姿态引导人物图像生成模型,该模型采用生成式对抗神经网络进行训练,在姿势集成和图像细化阶段生成模型的基础上提出一种特征信息反馈机制,使得生成模型的每个阶段都会受到特征比对调节。受到迁移学习的启发,将在ImageNet数据集上预训练的权重作为模型特征层的初始权重,并在训练过程中进行相应微调,旨在增强图像生成模型的稳健性和鲁棒性,提高生成图像的质量。实验结果表明,所提模型能够获取较为真实细腻,符合人类视觉感知的人物图像。

针对现有基于过分割的手写体数字字符串识别算法的复杂度较高,以及基于无分割算法无法识别4位及以上长度字符串和准确率较低的问题,提出了基于掩模区域神经网络(Mask-RCNN)的无分割手写数字字符串的识别算法。由于Mask-RCNN增加了并行的全卷积分割子网,能够同时实现对粘连手写数字串中单个数字的掩模分割和数字类别的分类任务。测试集的结果表明,在NIST SD19数据集的1~6位数字串图像及自建掩模数据集的训练下,该网络对长度分别为3位,4位和5位字符串的识别准确率比目前最新算法分别提高了1.2、0.6、0.4个百分点,该算法对非限制位数的手写体数字串的识别具有显著优势,应用前景广阔。

针对轨枕挡肩裂纹图像精细化分类问题,提出了改进双线性卷积神经网络(B-CNN)模型。该模型先通过全局平均池化链接图像特征中的全局信息以捕捉细微裂纹宽度特征;再通过不同层次特征融合增强特征表达能力,获得有效宽度特征以实现细粒度分类。实验结果表明:该模型与B-CNN模型相比,分类准确率提升了2个百分点,在假阴性率方面,正常类别降低了2.3个百分点,明显裂纹类别降低了4.55个百分点;与基线VGG-D(Visual Geometry Group Network-D)模型相比,分类准确率提升6.11个百分点,在假阴性率方面,正常类别降低了7.39个百分点,明显裂纹类别降低了8.39个百分点,且参数量仅为原参数量的18.51%,特征提取速度提升了45.31%,说明该模型能够满足快速、准确对双块式轨枕挡肩裂纹图像分类的工程需求。

为了解决特征融合目标跟踪(Staple)算法在复杂场景中固定权重融合方式的局限性,在其基础上进行改进并引入通道置信度,提出了一种自适应特征融合与通道加权的抗遮挡相关滤波跟踪算法。先引入多维特征描述,根据每个通道上滤波模板的响应峰值,计算通道权重;再根据特征模型的响应结果,计算模型的可靠性,确定模型的融合权重,从响应结果的角度完成特征融合;最后根据历史帧的平均峰值相关能量,以及当前帧图像与前一帧图像的均方误差,来判断目标的遮挡情况,并进行模型更新。在OTB-2013和OTB-100数据集上进行实验,与Staple算法相比,所提算法的成功率和精确度均有所提高,并在多项具有挑战的属性上表现较佳。

为了提高低照度遥感图像的可视性,提出一种基于条件生成对抗网络的低照度遥感图像增强方法。首先,为克服样本数据不足,利用正常清晰光照的图像合成低照度图像作为训练样本;然后,将原始低照度遥感图像由RGB色彩空间转换到HSI色彩空间,进行通道拆分,有效分离H、S、I分量,在保持色调分量H不变的前提下,利用条件生成对抗网络和改进的对数变换方法分别处理亮度分量I和饱和度分量S;最后,执行通道合并将处理后的图像从HSI色彩空间转换到RGB色彩空间。在损失函数中引入焦点损失函数,解决样本比例高度不平衡的问题。实验结果表明:所提方法有效地提升了低照度遥感图像的亮度和对比度,为低照度遥感图像增强方法的研究提供了新的思路。

提出一种结合群体交互信息和个体运动信息的生成对抗网络GI-GAN。首先,利用编码层中的双向长短期记忆网络BiLSTM提取观测时段内所有行人自身的运动行为隐藏特征;其次,基于双注意力模块,计算与轨迹生成关联度较高的个体运动信息和群体交互信息;最后,利用生成对抗网络进行全局联合训练,获得反向传播误差和各层的合理网络参数,解码器利用已获取的上下文信息生成多条合理预测轨迹。实验表明,与S-GAN模型相比,GI-GAN模型的平均位移误差和绝对位移误差分别降低了8.8%和9.2%,并且预测轨迹具有更高的精度和合理多样性。

采用高光谱成像技术对香梨的表面损伤缺陷进行准确高效的无损检测。选用80个库尔勒香梨为研究对象,采集400~1000 nm波段内完好样本和损伤样本的高光谱图像;利用统计分析的方法,选择863 nm处的高光谱图像建立掩模图像;运用主成分分析方法降低香梨高光谱数据的维度,选择损伤区域与背景区域光谱差异最为明显的第二主成分图像,将其和第四主成分图像进行比值处理,进一步增强损伤区域与背景区域的差异;最后经自适应阈值分割、形态学运算,提取香梨表面损伤区域。结果表明,该方法能够有效识别出香梨的表面损伤,准确度、精度和召回率分别为93.75%、87.50%和100%。

提出基于卷积神经网络的驾驶行为分析算法,该算法在人脸定位的基础上实现了驾驶员的疲劳检测和行为检测。针对疲劳检测任务,探究了卷积神经网络的不同感受野对疲劳检测精度的影响,并得到了疲劳检测模型的最佳结构。针对行为检测任务,考虑到不同行为对应作用域的大小不同,提出了一种基于多尺度特征的多支路注意力网络模型,该模型通过提取多尺度特征实现了多尺度分类,并且使用注意力机制来强化判别特征。实验结果证明,该方法能够与多种主流卷积神经网络模型相结合并有效提升驾驶行为分析的准确率。

针对现有方法在脑肿瘤图像分割上的不足,提出一种基于改进的卷积神经网络的脑肿瘤图像分割算法。将DenseNet和U-net网络结构相融合,以提高对图像特征的提取能力。为了扩大卷积核的感受野,采用了空洞卷积。将分割结果通过完全连接的条件随机场循环神经网络进行精细分割输出,从而得到精确的脑肿瘤分割区域。实验结果表明,与传统的深度学习方法相比,平均Dice可以达到91.64%,算法在准确率上有较好的提升。

针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。

提出融合梯度幅值(GM)和梯度发生率(GO)的新方法,构建了两种具有高分辨能力的新描述符。抑制归一化描述符通过对GM进行分段归一化,抑制较小的GM以构建新描述符;GM-GO融合描述符是通过抑制部分GO(其对应的GM较小)、再将GM和GO进行融合的新描述符,可提高描述符的可分辨性。实验结果表明,在噪声和光照等环境的影响下,提出的两种方法都具有更高的匹配精度。

为了进一步提高乳腺肿瘤分割的精确度,提出了一种基于简单线性迭代聚类(SLIC)和梯度矢量流(GVF)Snake算法相结合的乳腺肿瘤分割模型。该模型首先对图像进行预处理以减少冗余信息提高后续的分割效率;其次结合图像的纹理特征提出了一种自适应K值方法,并对图像利用SLIC算法进行粗分割,描绘出乳腺肿块的初始轮廓;最后,利用GVF Snake算法加大对轮廓边缘信息的捕捉范围,进行细分割得到分割结果图。实验验证表明,该分割模型可以有效地提高分割效率和准确度,在一定程度上优于传统的分割算法,得到了较为理想的分割结果。

针对现存的低照度图像视觉效果差和图像质量低的问题,提出了一种基于级联残差生成对抗网络的低照度图像增强算法,该算法将构建的级联残差卷积神经网络作为生成器网络和改进的PatchGAN作为判别器网络。首先根据Retinex理论,通过正常照度图像合成训练样本,再将低照度图像从RGB空间转换到HSV颜色空间,保持色调分量和饱和度分量不变,利用级联残差生成器网络对亮度分量增强。通过判别器网络监督生成器网络不断增强低照度图像,二者相互博弈,最终使生成器网络具备较好的低照度图像增强的能力。实验结果表明,本文增强算法在合成的低照度图像和自然的低照度图像上,获得了更为良好的视觉效果和对比度,特别在合成的低照度图像上,其峰值信噪比和结构相似度明显优于其他对比算法。

以点云数据为研究对象,提出了一种结合K维(KD)树空间切分思想的类八叉树混合点云索引结构,实现了对海量点云的高效管理。对于点云所在空间,首先利用KD树思想进行初步分割,再对所得的子空间利用八叉树做进一步切分,建立类八叉树索引结构。并对传统线性八叉树编码进行改进,利用优化后的编码方式对空间进行编码,以实现更好地空间管理和邻域搜索。最后,以5组数量级递增的点云集为测试数据,通过实验结果和对比分析可知,类八叉树能够使数据组织的整体结构趋于合理,有效地提高了存取效率,降低了内存空间的占用;提升了传统KD树构造索引的速度,也改善了传统八叉树对空间占用过大、邻域搜索耗时过长的问题,实现了对海量点云空间的合理管理。

人脸表情会受到姿势、物体遮挡、光照变化以及人种性别年龄等因素的影响,需要卷积神经网络更有效准确地学习特征。AlexNet在表情识别中准确率不高,对输入图像尺寸有限制,针对这些问题,提出了改进AlexNet网络的人脸表情识别算法。在AlexNet网络中引入多尺度卷积更加适用于小尺寸的表情图像,提取出不同尺度的特征信息,并在把多个低层次特征信息在向下传递的同时与高层次特征信息进行跨连接特征融合,从而可以更加完整准确地反映图像信息,构造出更准确的分类器。跨连接会产生参数爆炸,导致网络训练困难,影响识别效果,因此利用全局平均池化对低层次特征信息进行降维,可减少跨连接产生的参数和过拟合现象。本文算法在CK+、JAFFE数据库上的准确率分别为94.25%和93.02%。

雨雾天气严重影响了户外拍摄图像质量,针对图像去雾存在的边缘伪影问题,提出了一种基于流形粒子滤波的去雾新方法,通过优化大气透射率,获得精确的透射率,解决了景深边缘伪影问题;针对去雨雾存在雨痕和不清晰问题,提出了一种优化注意生成对抗网络的去雨雾方法,通过将高斯模型与生成对抗网络相结合,去除背景干扰,提高了背景层与雨线分离的准确性,同时在生成对抗网络中加入流形粒子滤波去雾模块,恢复出清晰无雨雾图。采用自然场景雨雾天图像进行测试,并进行定性定量分析比较。实验结果表明,与现存去雨算法相比,所提算法能较好地去除图像中的雨线,且细节特征更加丰富,同时去雾模块的加入显著提高了图像清晰度,客观指标也得到了提升。

瓶装矿泉水在出厂前需要检测里面是否存在悬浮物颗粒,目前主要是靠人工观察,这种方法费时费力,而且依赖人工的主观感觉,检测效果不好。针对这一问题,基于机器视觉技术,建立了一种瓶装矿泉水中悬浮物颗粒自动检测方法,包括图像采集、悬浮物颗粒目标识别、数量统计及尺寸参数检测等图像分析处理流程。在此基础上,设计了瓶装矿泉水中悬浮物颗粒自动检测装置,阐述了该装置的结构及工作原理,进行了瓶装矿泉水中悬浮物颗粒检测实验。检测实验结果表明,本文提出的方法可从定性和定量两个方面对瓶装矿泉水中是否存在悬浮物颗粒进行检测,悬浮物颗粒数量统计准确,悬浮物颗粒的尺寸检测的最大误差为0.28 mm,相对误差小于6.8%,具有较高的精确度。将上述装置及方法用于瓶装矿泉水出厂前检测,具有检测准确、节约人力、工作效率高、操作简单的特点。

针对多特征决策融合的合成孔径雷达(SAR)的问题,提出基于稀疏表示系数相关性的特征选取方法。采用稀疏表示分类(SRC)分别对各单一特征进行系数矢量的求解并定义两个系数矢量之间的相关性。以此为基础,通过构造互相关矩阵,求解非线性相关信息熵,获得最佳的特征组合。最后,采用联合稀疏表示考察选取的多特征之间的稳定内在关联。根据重构误差的大小判定测试样本的目标类别。基于MSTAR数据集在标准操作条件、型号差异和俯仰角差异的三种实验场景下对方法进行了测试,本文方法的平均识别率分别达到99.23%、96.86%、97.46%(30°俯仰角)和74.64%(45°俯仰角)。通过与现有的3类SAR目标识别方法进行对比,进一步验证了本文方法的有效性和稳健性。

针对全卷积神经网络在图像分割中信息遗失、依赖固定权重导致分割精度低的问题,对U-Net结构进行改进并用于脑肿瘤磁共振(MR)图像的分割。在U-Net收缩路径上用注意力模块,将权重分布到不同尺寸的卷积层,有助于图像空间信息和上下文信息的利用;用残差紧密模块代替原有卷积层,能够提取更多的特征并促进网络收敛。基于BraTS(The Brain Tumor Image Segmentation Challenge)提供的脑肿瘤MR图像数据库,对提出的新模型进行验证,用Dice分数评估分割效果,获得肿瘤整体区域0.9056分、肿瘤核心区域0.7982分和肿瘤增强区域0.7861分的精度。由此表明本文提出的U-Net结构可提高MR图像分割的精度和效率。

由于混凝土路面光照强度不均匀、背景复杂、噪声干扰大,传统的裂缝检测算法难以准确提取其裂缝特征。为了在提高裂缝检测准确性的同时减少计算冗余,提出了一种将低秩核和组卷积结合的交错低秩组卷积混合深度网络的路面裂缝检测算法。首先利用重叠滑动窗口裁剪方法建立裂缝图像数据集,在训练集上生成一个具有较好鲁棒性的分类器,对裂缝及非裂缝图像进行分类,然后采用自适应阈值法得到边缘轮廓清晰的裂缝二值化图像,最后采用中轴线法求取裂缝最大宽度。在测试集上验证模型的性能,实验结果表明测试精度为0.9726,效果优于经典的裂缝检测算法,而且相对于卷积神经网络及其变体大幅减少了模型参数,处理图像的速度达到了每秒14张,并且在三个公开数据集上都达到了较好的检测效果。在2.5 mm以上的裂缝宽度上,计算相对误差小于0.02,较好地达到了工程实际要求。

利用正交匹配追踪算法对高光谱图像进行压缩感知重构,是通过寻找最优原子对原始信号进行线性表示,使残差不断减小以获取重构信号。在处理基于冗余字典的重构问题时,其耗时主要存在于原子匹配过程和残差更新过程,导致算法的计算复杂度较高、难以实现实时处理。针对此缺陷,提出一种用于高光谱图像的埃尔米特压缩感知重构算法,主要思想是:利用埃尔米特求逆引理,对正交匹配追踪算法残差更新的迭代过程进行优化;进一步地,采用人工鱼群算法寻找最优原子,对匹配过程进行加速,以提高执行效率。利用所提算法对高光谱图像进行压缩感知重构处理,合理设置算法参数,在保证重构精度的条件下,与正交匹配追踪算法相比,所提算法能将计算速度提高10倍左右。

了解偏振光在浑浊介质中运动传输时光学特性的变化规律是对浑浊介质中目标进行偏振成像研究的基础。为此,首先测量了实验所用偏振光的偏振度,并计算了其与理想偏振光偏振度之间的误差,随后利用马尔文粒度仪测量了脂肪乳颗粒的粒径大小及分布情况,在此基础上分析了光子与脂肪乳颗粒的散射类型,最后分别研究了线偏振光和圆偏振光通过不同浓度浑浊介质后产生的前向散射光和后向散射光的退偏情况。结果显示,在相同浓度脂肪乳溶液中产生的前向散射光偏振度比后向散射光偏振度高;前向散射光和后向散射光的偏振度均随脂肪乳溶液浓度的增加不断下降最后趋于稳定。

为了提高点云的配准精度,解决单一特征导致迭代最近点(ICP)算法在噪声干扰和数据缺失的情况下鲁棒性差的问题,提出一种基于邻域表面形变信息加权的点云配准方法。先为简化点的邻域信息提出以邻近点数量为约束的邻域构建方法,考虑邻近点对采样点的影响并引入加权方法提高内部形态描述子(ISS)特征点提取算法的提取效率;计算邻域的法向量内积均值对点云进行第二次特征点提取;再利用快速点特征直方图(FPFH)进行特征描述,并运用双重约束条件确定匹配点对关系;最后在配准阶段,采用双向k维树ICP(DTICP)算法来实现精确配准。实验结果表明,与经典ICP算法相比,所提方法能够在噪声环境下有效配准缺失点云,具有较好的鲁棒性和抗干扰性。

针对传统机器学习中人工提取特征复杂度高,以及单卷积网络提取特征不充分导致识别率不高的问题,提出了一种基于集成卷积神经网络的面部表情识别新方法。该方法是将VGGNet-19改进后的VGGNet-19GP模型和ResNet-18模型进行集成,构建了集成网络(EnsembleNet)模型。该模型首先在训练集上对单模型进行训练,使单模型达到实验最优,然后在测试集上进行集成测试。在FER2013和CK+数据集上分别获得了73.854%和97.611%的平均准确率。与VGGNet-19GP和ResNet-18模型以及现有方法进行对比,结果表明,基于集成的面部表情分类方法具有分类更加准确和泛化能力更强的优点。

提出了一种双频曲线拟合的亚像素中心提取方法。首先采用二次阈值法自动分割光条区域,利用灰度重心法获取光条纹中心初始位置,然后用移动直线拟合初始位置得到光条曲线的局部法线,最后在法线方向上进行双频曲线拟合,得到光条纹中心的亚像素坐标。实验结果表明,该方法能消除部分高频噪声的影响。相比Steger法,该方法提取的条纹中心均方根误差小于0.1 pixel,速度约是其26倍,可适用于多种材质表面光条纹中心的提取,为工业应用中的激光条纹中心提取提供参考。

针对YOLOv3网络模型在交通场景中的目标检测指标优化问题,通过在网络训练过程中结合多种策略和技巧对模型指标进一步优化,同时提出了一种基于Cutout改进的抗遮挡策略。优化工作不涉及YOLOv3网络结构改动,并且优化后的模型不影响帧率指标。选用PASCAL VOC数据集和KITTI 2D数据集进行对比实验,结果表明,所采用的策略和技巧能够显著提升YOLOv3网络模型性能指标。实验完整代码已公布在以下链接,请点击查看或下载:https://github.com/LiweiDai/YOLOv3-training-optimization-with-applying-ACDC。

直接使用原始微表情序列对微表情进行识别的效果一般,且已有的算法往往利用单一的特征图而没有对多种特征图进行融合来识别微表情。针对这些问题,提出一种新的微表情识别算法,该算法对多种运动特征图进行特征提取之后再进行融合,以获得更准确的识别结果。所提算法利用卷积神经网络(CNN)和长短期记忆(LSTM)网络结合的深度学习框架。在CASMEII微表情数据库上对不同算法进行测试。实验结果表明,与其他识别算法相比,所提算法取得了更加优良的效果。

快速、高效地区分并剔除火龙果地块间的杂草是提高火龙果单株提取精度的关键所在。通过四旋翼无人机平台获取高空间分辨率可见光波段的影像,分析火龙果植株和杂草R、G、B通道的光谱特征,根据其影像像元亮度值(DN值)构建相近颜色差异植被指数(CCVI),通过最大类方差(OTSU)阈值分割、Majority/Minority分析和聚类空洞填补,并与VDVI、EXG、NGRDI等可见光波段指数作对比研究。结果表明:1) 对于杂草覆盖度较高甚至杂草全覆盖火龙果的地块,CCVI提取效果较好,而其余3种指数在杂草与植株共生的地块中分类精度较低;2) 3个研究感兴趣区域(ROI)内样本的提取总体精度为94.60%,Kappa系数为0.9417,测试样本的提取总体精度和Kappa系数分别为94.33%、0.9328,经验证,对于不同区域内生活环境相似的植株的提取精度趋近一致。结果证实: CCVI能从杂草中辨别火龙果植株并提取单株,提取效果较好,该方法可与VDVI、EXG、NGRDI等指数互补应用。

针对传统光谱偏振成像需要动态调制、光通量低和光谱分辨率有限等问题,提出了基于计算光谱成像和像素级偏振探测的成像新方法,以双通道形式单次成像获取目标高分辨率的空间、光谱和偏振信息。搭建了编码孔径光谱偏振成像通道和偏振成像通道的双路实验装置,得到了450~650 nm范围内25个波段在4种偏振态下的光谱数据立方体,以及每个波段的偏振度和偏振角。所提方法的光谱分辨率优于10 nm,光谱重构精度约为86.3%,相对单路成像方法,光谱重构精度提升了10.5个百分点。