深度学习在无人驾驶汽车领域应用的研究进展

首先阐述了汽车界对无人驾驶的定义,然后详细分析了国内外无人驾驶汽车的发展历史以及各车企和互联网公司的研究现状。通过详细分析无人驾驶汽车工作原理、体系架构设计以及具体实现方法,简单说明了目前无人驾驶汽车遇到的关键问题和难题,同时重点描述了目前深度学习在图像处理方面的突破性进展以及在无人驾驶汽车领域的应用实践,最后对无人驾驶的未来发展做了展望。     

非接触指纹图像识别算法研究

非接触指纹识别具有接受程度高、防伪性高、卫生性高等优点,是目前生物特征识别领域的研究热点,但是非接触指纹图像的背景区域比接触式的相对复杂,指纹图像会出现旋转和平移现象,且脊、谷线的对比度较低,这些因素严重影响了非接触指纹的识别性能.采用接触式指纹图像处理方法很难达到良好的处理效果.本文根据非接触指纹图像的特点提出了相应的非接触指纹图像的预处理方法.首先采用图像YCbCr模型中的Cb分量和Otsu法相结合的方法进行手指区域的提取.其次采用高频强调滤波和迭代自适应直方图均衡化相结合的图像增强算法进行图像增强处理,再用简化的Gabor函数模板进行二次增强,然后提出了一种手指指纹ROI区域提取的方法.最后本文采用基于AR-LBP算法进行特征提取,利用最近邻分类器进行特征匹配.实验结果表明,本文提出的非接触指纹算法能够达到很好的图像识别效果.     

基于MB-CSLBP的手指静脉加密算法研究

为解决在传统的生物特征加密技术的安全性上的不足,对手指静脉特征加密方法进行了探讨和研究。提出了基于MB-CSLBP编码的手指静脉加密方案。首先对LBP算子以及改进的CSLBP、MB-CSLBP算子进行了研究,提取了手指静脉的MB-CSLBP二进制特征编码。然后研究了传统的模糊承诺加密方案,在此基础上将提取的手指静脉MB-CSLBP二进制特征编码作为加密特征,对加密信息进行BCH编码后与加密特征以异或的方式结合完成加密,同时使用SHA-1散列算法对加密信息进行哈希变换,保留得到的哈希值以用于解密。实验结果表明,当密钥长度为400 b时,FAR达到了0.47%,文中提出的基于MB-CSLBP编码的手指静脉加密方案具有很高的鲁棒性和安全性。     

基于ARM11 MPCore的多核间通信机制研究

嵌入式应用中采用SMP(对称多处理)系统所面临的主要难题是多处理器内核之间的通信.对 ARM11 MPCore 处理器的多核间通信机制进行研究,并结合 Linux-2.6.19 对这一通信机制的具体实现作深入分析,并在 RealView Emulation Baseboard 上面进行相应的验证.实验结果表明,多核间通信机制可以使多线程之间的交互时间减小为原来的16.7%,从而提升并行计算系统的性能.     

基于嵌入式Linux系统的电源管理软件

针对嵌入式系统的低功耗要求,提出高效的电源管理方案。在高级电源管理技术的基础上,增加启动加载程序对电源管理的支持,修改Linux内核代码以对S3C2440处理器和系统外设进行电源管理,建立用户空间电源管理守护进程。在YLP2440开发板上进行实验,实验结果表明,当系统处于空闲状态时,在2种典型的系统工作频率下,该电源管理软件系统可将系统功耗降低至未进行电源管理时的11.67%和12.96%。     

加权CCA多信息融合的步态表征方法

为了解决步态识别中步态表征不完备的问题,提出了一种新的步态表征方法。该方法是在步态流图的基础上,将能够表征时序信息的步宽特征编码到颜色空间,得到三通道的彩色类能量图,采用典型相关分析将多通道信息融合成单通道,同时去除了特征间的冗余信息,得到了更丰富的有益识别的步态特征。实验结果表明,提出的新方法能够有效提取步态特征,步态识别率得到显著提高。     

多视角步态识别综述

步态识别作为生物特征识别中的一种，具有远距离、非接触和难以模仿等优点.其中视角或行走方向的变化使提取的人体轮廓产生巨大差异，是影响步态识别系统性能的最主要因素之一.本文首先介绍了现有的多角度步态数据库，然后根据特征提取方式的不同，将当前已提出的方法分为三维模型法、视角不变性特征法、映射投影法和深度神经网络法四类，并详细阐述了每一类的原理、特点以及优缺点.最后，结合实际应用指出当前研究的局限性与发展趋势.     

基于纠错码的指静脉加密算法

对指静脉加密算法进行整体介绍,并加入纠错机制,设计了带纠错功能的指静脉加密算法。利用二进制序列发生器随机生成一个多项式系数形式的密钥,将指静脉特征点加密,在密钥恢复阶段用拉格朗日插值来恢复多项式,并利用循环冗余校验码进行校验,该方法可以找到最精确的密钥来保证多项式的准确度。实验结果表明:利用带有纠错码的模糊金库算法很好地实现了指静脉模板的加密和解密,从而达到了保护生物信息安全的要求;通过密钥长度增长可以提高系统的安全性能。