基于云计算的数字电视前端系统的研究与实现

云计算能够给用户提供可靠的、自定义的、最大化资源利用的服务,是一种崭新的分布式计算模式。将云计算与数字电视前端技术相结合,提出了一种基于云计算的数字电视前端系统的架构,并将该架构应用于双国标地面数字电视前端系统中,证明了该架构的可行性和有效性。     

对做好业余无线电台（站）管理工作的几点思考

随着现代科学技术的不断发展．无线电通信深入影响着现代人的日常生活．业余无线电爱好者对无线电技术的研究、探索越来越广泛,业余无线电活动的开展越来越普及．业余无线电台（站）的使用数量逐年增加。因此．如何做好业余无线电台（站）的管理工作是无线电管理机构必须思考的课题。     

基于密集连接的FPN多尺度目标检测算法

图像中目标对象的多尺度问题一直以来都是目标检测领域的主要难点之一,尤其是极端尺度对象的检测。研究发现,目标检测网络模型的深层语义特征有利于对象的识别,而浅层空间特征对对象的边界框回归很有帮助。DC-FPN使用密集连接代替FPN网络模型中的横向连接,能够从多层特征层中获取目标检测所需的特征信息,其中密集连接可以融合FPN自底向上传输模块中的所有特征层的特征信息,使FPN自顶向下传输模块的预测特征层能从中获取不同尺度对象检测所需的特征信息。实验表明,DC-FPN目标检测算法能够显著地提升模型的多尺度目标检测性能,使用MS COCO数据集训练和测试,其检测准确度(AP)能达到43.1%。     

一种基于自适应阈值的H.264/AVC帧内预测模式快速选择算法

在H.264/AVC中,帧内编码采用帧内预测来提高编码效率.色度块尺寸为8×8,亮度块包括4×4和16×16两种尺寸,每种块提供多种预测模式,因此这种多模式选择极大地增加了编码复杂性.本文利用色度块和亮度块以及亮度4×4和16×16块模式选择之间的相关性,提出一种基于RDO(Rate distortion optimization)不同判决依据的快速帧内预测模式选择算法,并能够自适应调整阈值.实验结果表明与校验模型JM7.2相比在信噪比和码率变化不大的同时,能够使Ⅰ帧编码速度平均提高6倍,并可节约P帧25%的编码时间.     

基于视频并行编码的码率控制算法研究

基于并行编码的特点,现有的基于串行编码的码率控制算法有其局限性,不能直接应用于并行编码。本文提出一种新的码率控制算法,在编码前将原始帧作为参考帧计算出各帧的SAD,然后利用已计算的SAD进行帧级比特分配和动态预测并行编码帧的比特,实现了并行编码的码率控制。通过测试基于串行编码的码率控制和本文提出的码率控制方案下PSNR和VBV情况,说明本文所提算法的可行性。     

基于多结构特征的纸币字符识别算法

针对现有人民币冠字号字符识别算法对严重污染磨损的人民币冠字号字符识别率低的难题,提出了一种将模板匹配法与多种字符结构特征(字符轮廓、区域密度)相结合的人民币冠字号字符识别算法.通过定位分割、分类识别、验证纠错3个步骤完成字符的识别,实验结果表明,该算法具有较高的识别率和较强的鲁棒性.     

一种基于时空相关性的编码单元深度快速分级判决算法

新一代视频编码标准HEVC采用编码树单元(CTU) 结构进行编码,通过遍历比较所有不同深度编码 单元(CU)的率失真代价值得到最佳编码单元,在显著提升编码效率的同时,计算复杂度增 加数倍。为此,本文提出了一种基于时空相关的编码单元深度快速分级判决算法,通过量化 分析时 空相邻CTU/CU之间相关性权重,利用已编码时空相邻CTU/CU的最佳深度预测当前CTU/CU可能 的深度范围(DR)和深度值, 跳过和提前终止不必要的深度计算。仿真结果表明,在不同的编码配置条件下,本文算法在 保证编码性能的同时,平均可节省40%以上的编码时间 ,极大地降低了计算复杂度。     

一种基于时空相关性的编码单元深度快速分级判决算法

新一代视频编码标准HEVC采用编码树单元(CTU)结构进行编码,通过遍历比较所有不同深度编码单元(CU)的率失真代价值得到最佳编码单元,在显著提升编码效率的同时,计算复杂度增加数倍。为此,本文提出了一种基于时空相关的编码单元深度快速分级判决算法,通过量化分析时空相邻CTU/CU之间相关性权重,利用已编码时空相邻CTU/CU的最佳深度预测当前CTU/CU可能的深度范围(DR)和深度值,跳过和提前终止不必要的深度计算。仿真结果表明,在不同的编码配置条件下,本文算法在保证编码性能的同时,平均可节省40%以上的编码时间,极大地降低了计算复杂度。     

基于多模态特征融合的动态视频摘要算法

技术可以从冗长的原始视频中提取出关键帧或关键镜头,生成简明紧凑的视频摘要,在基本概括了视频主要内容的基础上极大地缩短用户浏览时间。针对目前视频摘要算法普遍忽略视频中的运动信息而导致摘要缺乏逻辑性和故事性的问题,提出了一种基于多模态特征融合的动态视频摘要算法(MFFSN),采用了有监督的编码器-解码器的网络框架。在编码端通过深度神经网络提取原始视频帧的多尺度空间特征和光流图像的多尺度运动特征,利用运动引导注意力模块(Motion Guided Attention,MGA)进行时空注意力建模,对空间特征和运动特征进行有机融合得到多模态特征;在解码阶段,采用自注意力机制关注数据中的显著特征,再通过回归网络得到帧重要性分数;最后根据背包算法选择关键镜头生成动态摘要。在Sum Me基准数据集上的实验结果证明提出的MFFSN摘要算法优于现有的同类视频摘要算法。