基于国产FPGA 的多源视频信号拼接系统设计

针对目前视频拼接技术存在动态视频数据速度慢、分辨率较低的问题,设计了一种能够将两路摄像头和两路高清晰 度多媒体接口(high definition multimedia interface,HDMI)输入的动态视频数据进行拼接处理的系统。系统以紫光同创公司 Pango logos系列现场可编程门阵列(field programmable gate array,FPGA)器件为核心,由时钟控制、寄存器配置、数据采集、 先进先出(first in first out,FIFO)数据存储控制、第3代双倍速率同步动态随机存储(double-data-rate 3 synchronous dynamic RAM,DDR3 SDRAM)等逻辑功能模块组成。设计实现了DDR3IP 核的读写控制、图像缩放及视频拼接算法,使用Inserter 和 Debugger 对主要功能模块进行了仿真测试,并进行了视频采集实验,结果表明,系统能够完成4路动态视频的拼接显示,分 辨率达到1920×1080,刷新速率为60 fps,占用的查找表(look up table,LUT)资源为18%。支持多种动态数据输入方式,具 有便携性好、帧率分辨率高、片上资源占用率低等特点,可用于动态视频拼接的应用场景。     

对象随型粗糙面近红外单目视觉测量与基准图像自愈

针对复杂应用环境中近红外单目视觉位姿测量系统偏离预置合作目标对象后,无法完成位姿测量的特殊情况,提出一种以合作目标周边随型粗糙面图像为测量对象的单目视觉测量方法,以及图像受损后的动态自愈方法。通过将实时获取的随型粗糙面图像特征与预存基准图像特征进行匹配计算,完成特殊情况下的应急测量。同时,为减少随型粗糙面图像污染或受损后对位姿测量精度的影响,实时计算污染或受损程度并动态自愈基准图像特征。实验结果表明,以随型粗糙面为对象的位姿测量精度稍低于合作目标对象,但能够满足特殊情况下的应急使用需求,提高了测量系统的鲁棒性;当随型粗糙面图像污染或受损达到70%时,采用自愈处理与未做自愈处理相比,方位角测量误差减少72%以上,验证了基准图像自愈方法的有效性。     

指针式仪表示值识别系统研究

指针式仪表识别系统采用机器视觉技术和数字图像处理算法,实现了对指针式仪表示值的自动识别.使用图像差影法、自适应阈值分割算法和最小二乘法进行圆心拟合;提出区域分割方法及中心投影法,对表盘图像进行分块处理,提取表盘刻度,快速识别出表盘指针所处位置.实验表明,采用该系统的识别值与目测值的最大偏差为0.16μm,最小偏差为0.10 μm,检定时间缩短为原来的1/1000,提高了检定效率、检定精度和检定结果的准确性.     

超高层综合楼消防自控设计探析

讨论了超高层综合楼消防自控设计的必要性、可能性和具体的设计方法.     

双摄像机光笔式三维坐标测量系统研究

基于双目立体视觉传感器三维测量模型和空间坐标变换原理,采用最小二乘冗余算法,讨论了双摄像机测量空间三维点坐标的基本原理,建立了视觉测量系统的非线性测量方程.通过实验验证了双摄像机光笔式三维坐标视觉测量系统建立的可行性.     

仿生眼的研究现状与发展趋势

首先,在分析人眼眼球运动的特点和形式的基础上,详细介绍了国内外仿生眼研究对扫视性眼球运动、平滑性眼球运动、异向眼球运动、前庭动眼反射、视动反射等的模仿,最后总结了仿生眼研究的特点和发展趋势．     

IVS201SH视野检查系统控制软件实现

VS201SH视野检查系统的软件控制基于Windows平台和VC6．0开发环境,使用了对象建模方法和消息、多线程机制。系统通过人性化的操作界面,实NT高可靠性,强扩展性的医疗视野控制检查功能。该系统实NT盲点、青光眼、黄斑、低视力、区域、阈值等视野检查功能。     

基于掩模金字塔的高精度全局运动估计算法

在视频序列的全局运动估计中,前景运动对象的存在常常会大幅度地降低估计的精度,为此提出一种对前景对象自适应的高精度全局运动估计算法.该算法以像素块为单位,利用块内外点的比重判定前景区域,同时引入马尔可夫聚类方法进行后处理,有效地提高了运动对象的定位精度;通过对目标函数引入权重系数增强对残差的鲁棒性,以进一步提高算法的估计精度.此外,基于像素掩模的3层金字塔构建序列图像,并将改进的梯度方法引入到优化过程中,提高了算法的实时性.对不同运动类型的标准视频序列的实验结果表明,该算法有效地提高了全局运动估计的精度和速度.     

厦门广电集团6信道高清转播车改造方案

介绍了厦门广电集团6信道高清转播车改造背景,从实用性、经济性的角度出发,介绍了详细的车体改造方案、系统方案和视音频方案等.     

Development of Deep-Learning-Based Single-Molecule Localization Image Analysis

Recent developments in super-resolution fluorescence microscopic techniques (SRM) have allowed for nanoscale imaging that greatly facilitates our understanding of nanostructures. However, the performance of single-molecule localization microscopy (SMLM) is significantly restricted by the image analysis method, as the final super-resolution image is reconstructed from identified localizations through computational analysis. With recent advancements in deep learning, many researchers have employed deep learning-based algorithms to analyze SMLM image data. This review discusses recent developments in deep-learning-based SMLM image analysis, including the limitations of existing fitting algorithms and how the quality of SMLM images can be improved through deep learning. Finally, we address possible future applications of deep learning methods for SMLM imaging.