增强现实中基于自然特征的实时跟踪方法

在增强现实系统的复杂场景中,对目标的实时跟踪受到场景中诸多因素的制约,导致实时跟踪方法效率低且不准确,为此提出一种基于自然特征的实时跟踪方法。设计了一种螺旋分割模型,对捕获的图像进行螺旋分割,利用SURF算法在分割子块中提取特征点,并进行匹配。在对目标进行跟踪定位时,利用前一帧来预测当前帧目标出现的位置,以减少SURF算法的扫描区域,加速系统运算效率。实验中分别对场景光线强弱、视点和仿射变化以及目标被部分遮挡等不同情况进行测试,该方法均表现出较高的跟踪效率。     

基于禁忌搜索算法求解集装箱装载问题

针对具有广泛应用背景、多约束条件和求解困难的集装箱装载问题,引入具有人工智能记忆机制、基于邻域搜索而避免局部最优的禁忌搜索算法,探讨了在求解集装箱装载问题中禁忌搜索的编码、解码和邻域解生成等关键技术,给出了基于物体数量的编码过程与剩余空间处理方法相结合的解码过程和邻域解生成的实现过程,并为对空间利用率影响较大的剩余空间设计了合理的划分与合并规则.通过实例测试和比较,显示出很好的效果,表明该算法是行之有效的.     

沈阳北部动态Web的实现

随着Ｉｎｔｅｒｎｅｔ的技术日趋成熟，访问网站成为人们获取信息服务的一个重要方式，由于静态网站在信息获取和维护方面都不尽人意，因此设计制作动态Ｗｅｂ成为网站的追求目标。介绍了利用ＡＳＰ技术开发的沈阳北部动态Ｗｅｂ的技术特点和一些技术问题的实现。     

皮革去污上光用乳化蜡的研制

采用石蜡、微晶蜡为主要原料 ,经实验选出了以水为稀释剂的乳化型皮革去污上光蜡。实验优化的配方为石蜡 12 .5 g ,微晶蜡 8.0 g ,硬脂酸 8.5g ,三乙醇胺 5 .5 g ,水量 70 (涂用 )或 130 g(喷用 )。反应条件为乳化时间 4 0min ,搅拌速度 5 0 0～ 70 0r/min ,乳化温度 90℃。制得上光剂产品的去污性能可与用去污剂单独处理的效果相当 ,亮度可达 6 6 .7。     

基于PVDF压电膜的三向力触角传感头研究

阐述了基于PVDF膜三向力触觉传感头的设计思想、基本结构和计算空间三向力的公式,经过实验获得一系列数据,拟合出回归曲线,验证了该方案的可行性.     

基于鉴别稀疏保持嵌入的高光谱影像地物分类

在高光谱影像地物分类应用中时常因光谱波段数多而导致"维数灾难"问题,提出了一种鉴别稀疏保持嵌入的维数约简算法。该方法利用稀疏表示的自然鉴别力,分别构建了类内e_1图和类间e_1图;在低维嵌入空间中,保持同类数据的内在稀疏流形结构,同时分离开非同类数据,提取出鉴别特征。DSPE不仅继承了稀疏表示的优点,而且增加了非同类数据间的可分性。在PaviaU和Urban高光谱数据集上的地物分类实验结果表明,该方法的总体分类精度分别提高到87.53%和80.49%。提出的方法能自适应地揭示出数据间的内在关系,更有效地提取出鉴别特征,改善地物分类精度。     

原油破乳脱钙复合剂的研制

介绍了原油破乳脱钙复合剂的筛选方法。所用的破乳剂有PY、UD 10、2 0 40、SDX、SL、硬脂酸 三乙醇胺 ,所用的脱钙剂有KL 1、KL 2、KL 3、KL 4、YH、EA、SJ、LP。首先将一定量的破乳剂与原油混合 ,振荡、静置 ,按油水分层情况及脱水率 ,筛选出较优的破乳剂。然后 ,在已加入破乳剂的原油中加入一定量的脱钙剂水溶液 ,振荡、静置 ,用燃烧瓶法处理油样 ,用原子吸收分光光度计测其钙含量 ,并与未经处理的原油对比。根据脱钙率 ,筛选出较优的脱钙剂。经过对破乳剂和脱钙剂的种类、用量、pH值等条件的选择 ,配出了针对俄罗斯原油、布伦特原油、扎非罗原油破乳、脱钙效果最好的复合剂PY YH、PY EA ,其脱钙率大于 80 %,脱水率大于98%,可直接用于炼厂的原油破乳脱钙工艺中。     

DWG图纸中零件轮廓线提取方法的研究与实现

DWG图纸中零件轮廓线提取是计算机二维不规则自动排料的数据预处理工作，对提高排料的自动化有重要的实用意义.分析了原始轮廓线自动提取的原理，说明了实现轮廓线数据获取的步骤，并针对实际处理中存在的复杂情况给出了解决方法，包括图块和多义线的处理，轮廓线走向判定以及圆弧的折线化.所做工作充分考虑了实际应用，能够处理复杂图纸并提高了轮廓线提取工作的自动化程度，实验数据表明，该方法有较好的性能且能满足实际需要.     

一种有约束矩形排样问题的求解算法

对属于NP完全问题的有约束矩形排样问题，国内外多采用计算复杂度较小、时间较快、便于控制问题约束条件的启发式方法.分析了启发式排料算法影响优化程度的原因，提出利用回溯寻求优化零件组合的混合启发式策略，并利用排样过程中产生的小剩余区域划分与合并的方法和现有的矩形排样启发式算法相比，说明该方法可以更大地提高板材的利用率.     

基于空间和通道注意力机制的目标跟踪方法

目标跟踪是计算机视觉中重要的研究领域之一,大多跟踪算法不能有效学习适合于跟踪场景的特征限制了跟踪算法性能的提升。该文提出了一种基于空间和通道注意力机制的目标跟踪算法(CNNSCAM)。该方法包括离线训练的表观模型和自适应更新的分类器层。在离线训练时,引入空间和通道注意力机制模块对原始特征进行重新标定,分别获得空间和通道权重,通过将权重归一化后加权到对应的原始特征上,以此挑选关键特征。在线跟踪时,首先训练全连接层和分类器层的网络参数,以及边界框回归。其次根据设定的阈值采集样本,每次迭代都选择分类器得分最高的负样本来微调网络层参数。在OTB2015数据集上的实验结果表明:相比其他主流的跟踪算法,该文所提算法获得了更好的跟踪精度,重叠成功率和误差成功率分别为67.6%,91.2%。