排序方式: 共有153条查询结果,搜索用时 15 毫秒
91.
92.
针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。 相似文献
93.
风电场作为一种运动的大型障碍物可能对航管二次监视雷达的性能产生影响。目前航管二次监视雷达正在经历逐步由A/C模式到S模式的转变升级,研究风电场对航管二次监视雷达S模式的影响,对保障民航飞行安全具有重要意义。该文在S模式和A/C模式信号特征对比分析的基础上,分析了S模式询问信号和应答信号可能受到风电场影响的条件,并由此给出了S模式二次雷达附近可能受风电场影响的飞行范围的计算方法,同时给出了其与A/C模式影响范围的定量化比较。该文所提方法及相关结论可以为风电场附近的雷达选址(或新建风电场选址)和飞行程序的设计提供依据。 相似文献
94.
该文针对空时自适应处理(Space-Time Adaptive Processing, STAP)中目标参数估计问题,提出一种基于压缩感知(Compressed Sensing, CS)技术的估计方法,该方法根据目标信号在空时域的稀疏特性,利用CS技术实现目标信号重构从而估计出目标参数。为了解决稀疏恢复有效性与参数估计精度之间的矛盾,该文构造较小维数的基字典以确保基字典中各原子向量之间相关性尽可能小,并将此时得到的目标参数作为粗估值;接着在以粗估结果为邻域的区间内进行局部寻优,得到精确的估计结果。仿真结果证实了所提方法的有效性。 相似文献
95.
96.
97.
98.
在SDD测试脚本的录制过程中,传统的G U I测试工具无法捕捉航迹目标,因此提出了一种通过电子进程单捕捉移动航迹的方法。利用电子进程单与航迹对象一一对应的关系捕捉航迹,进一步展开测试,将该方法应用于SDD测试的脚本录制与测试脚本的编辑过程。实际测试过程能够有效捕捉航迹,验证了该方法的有效性。 相似文献
99.
何炜琨吴仁彪韩萍刘家学 《信号处理》2013,(9):1157-1162
本文研究了机场道面钢筋加固区介质层电磁特性的反演问题。机场道面下钢筋的强反射回波严重影响道面介质层电磁特性的反演,为此本文将基于曲波变换的钢筋回波抑制技术引入到道面介质层电磁特性的反演算法中,即首先基于曲波变换进行钢筋回波抑制,而后基于改进的系统辨识算法实现钢筋加固区介质层电磁特性的反演。改进的系统辨识算法是在传统算法中的基础上,考虑了雷达发射信号带宽内的频率对道面介质层介电常数虚部的影响,从而进一步实现了介质层介电常数与电导率的同时反演。仿真结果证明了本文算法的有效性。 相似文献
100.