基于改进YOLO v3模型的多类交通标识检测

为了提高城市真实交通场景中的交通标志、交通信号灯及停止线检测精度,提出一种基于YOLO v3的多类交通标识检测模型——T-YOLO.该模型在YOLO v3目标检测模型的基础上,采用了四种尺度特征进行检测,设计了更贴合待测交通标识的先验框,提升了模型对多类交通标识等小目标检测性能.采集13 000张城市交通场景图像并进行标注,制作成多类交通标志数据集.实验结果表明,该模型在TT100K交通标志数据集、在LaRA交通信号灯数据集均取得较好结果.同时,在自制SUTDB数据集上交通标志、交通信号灯、停止线检测精度分别为0.90、0.99、0.80.文中提出的T-YOLO模型检测实现了多类交通标识,并且检测精度高,具有一定工程实用价值.     

基于区域模板相关的图像匹配方法研究

传统的图像相关匹配方法是利用求取对应像素灰度的相关性进行图像之间的相似度量的。由于参考图和实测图之间存在着灰度差异、模糊、噪声以及局部遮挡等,这就使得仅依靠图像灰度相关进行匹配的算法性能受到影响。基于图像分割后的区域是比像素灰度更高一级的图像表述,利用势函数聚类自适应多阈值图像分割技术,提出了一种对图像的加权区域模板相关匹配的算法。这种算法建立了一种目标区域隶属度的相关度量方法。试验结果表明了该算法在多种图像变形情况下的有效性。     

基于SolidEdge API的齿轮参数化建模及开发

以三维CAD软件SolidEdge为开发平台，讨论了齿轮的参数化建模方法并且利用ActiveX Automation技术将齿轮的设计计算和三维实体造型结合在一起，利用特征操作方法生成了渐开线齿轮的三维模型。这里的开发方法给出了一个利用Vc＋＋对CAD软件进行二次开发的一个有效途径。     

基于纹理分布特征的虹膜识别算法

二维小波变换方向性差,不能从方向和频率同时描述虹膜纹理.基于此,分析了归一化虹膜纹理的分布特点,提出了基于纹理分布特征的虹膜识别算法.对原始人眼图像进行虹膜定位等预处理操作,得到归一化的虹膜纹理图像;对归一化虹膜图像进行了二维小波多尺度变换,结合虹膜纹理分布特点,选择小波分解水平通道;依据点能量贡献度,消除伪特征点并进行了点能量编码;计算了不同虹膜编码间海明距离,以其为依据进行分类.在给定距离阈值为0.25的前提下,可以达到99.91%的正确识别率.实验证明该算法是有效、可行的,并具有较高的识别率,识别速度也很快.     

纳米多孔柔性电极的热处理调控及电化学性能

为了获得具有高比电容的柔性电极材料,通过复合轧制工艺并结合脱合金化法制备了“三明治”结构的NiCuMn纳米多孔柔性电极,采用SEM、XRD和电化学性能测试分析热处理对NiCuMn纳米多孔材料微观结构和电化学性能的影响。结果表明：这种“三明治”结构的纳米多孔电极具有良好的韧性,当热处理温度为300℃时,多孔电极的孔径分布为20～30 nm,此时电极表现出良好的电化学性能,电流密度为1 A/cm³时比电容为1 988 F/cm³;循环4 000次后,电极的比电容未发生衰减,表现出良好的循环稳定性。     

基于线性投影的代数空间降维分析

主成分分析和奇异值分解都可以用于代数空间降维的线性投影分析,该文详细分析了这两种代数方法并给出了用于代数空间降维分析时二者之间的联系,并得到了在正定的实对称矩阵条件下主成分分析和奇异值分解是等价的这一结论。     

基于奇异值分解的自适应模板更新研究

研究了基于奇异值分解的图像匹配和目标跟踪问题。由于图像的奇异值特征具有良好的稳定性,可以将奇异值当作一种有效的代数特征来描述并表征图像。根据所定义的奇异值缩放不变量提出了一种基于奇异值分解的模板更新算法。在算法中,根据奇异值向量的缩放不变特征来度量当前模板内的目标信息,然后根据所定义的置信度自动计算更新后所需的模板大小,从而使更新后的模板更有效地包含目标。试验表明：提出的模板更新算法在序列图像的目标跟踪中具有较好的实用性。     

车辆牌照识别系统综述

车辆牌照自动识别是智能交通管理系统中的关键技术。本文总结了目前汽车牌照识别系统的发展现状和存在的问题,分别从车牌定位、区域分割、字符识别这几个关键步骤以不同的理论角度对近年来国内外出现的车牌识别系统方法进行了综述。最后对车辆牌照识别系统进行了总结并提出今后一些研究方向。     

赝电容器用NiO复合电极的研究进展

过渡金属氧化物用作电极材料因相比碳材料有着更高的容量、更低的价格而被高度重视。其中,NiO用作赝电容器电极因具备超高的理论比容量(2 573 F/g)被广泛关注,但它存在导电性较差、实际比容量低等缺点。因此,介绍了在NiO电极中掺杂其他过渡金属制备成多元复合电极、结构纳米化、添加导电物质等方法来解决以上问题,综述了目前NiO复合电极在赝电容器中的研究进展。     

基于连续非对称卷积结构的手写体数字识别

为了提高手写体数字识别的准确率,设计并提出了一种基于连续非对称卷积结构的手写体数字识别的深度学习算法.以连续非对称卷积结构为基础,结合极限学习机和MSRA初始化设计网络结构.在识别输入图像时,利用CUDA并行计算与Cudnn神经网络GPU加速库对手写体数字识别进行加速.在MNIST手写体数字数据库上进行实验,提出的网络结构识别准确率达到99.62%,单张图像识别速度为0.005 8 s.经实验结果对比表明,该网络结构在识别准确率和识别速度上得到有效提升.