中国鞋业CAD系统的发展与现状

一套完整的鞋业CAD系统，由鞋帮设计、鞋底、鞋楦2D／3D设计、鞋样级放、优化排料、数控加工等部分组成。鞋业CAD系统的研制，是一个庞大而复杂的工程。     

一种基于MSER及CNN的车牌文字定位新方法

车牌定位是车辆信息识别中的关键和基础.为解决在复杂无约束场景下存在的车牌定位精度不高,噪点和干扰因素较强等问题,提出一种基于最大稳定极值区域和卷积神经网络的车牌精准定位新方法.利用最大稳定极值区域找出车辆图像中二值化参数较为稳定的子图像区域;根据车牌的先验知识,滤掉明显不符合车牌字符特征的子图像区域;对保留下的子图像进行相应的启发式搜索和卷积神经网络识别,找出确切的多个车牌字符位置;通过滑动窗口和卷积神经网络搜索到车牌的始末位置,从而在复杂自然环境下完整获得车辆的牌照区域.实验结果表明,该算法在各类复杂场景下受到的环境影响小,鲁棒性强,定位准确率高.     

改进YOLOv3的车辆实时检测与信息识别技术

在复杂无约束自然场景下对车辆实时检测和相关信息的提取识别一直是计算机视觉领域内重要的研究内容之一。该领域问题的突破不但可以为汽车自动驾驶技术的实现和完善带来实际效果的提升,并且在停车场的自动停车调度算法和实时泊车监控系统的改进上有着重要的现实意义。针对当前实时车辆信息检测中存在的车辆检测区域不完整、精度不高以及无法对场景中较远车辆进行准确定位等相关问题,提出了一种Vehicle-YOLO的实时车辆检测分类模型。该模型在最新的YOLOv3算法基础上,通过更改图像输入参数,增强深度残差网络的特征提取能力,采用5个不同尺寸的特征图依次对潜在车辆的边界框提取等方式来提升车辆实时信息检测的精度和普适性,并通过KITTI、VOC等数据集进行性能验证和分析。实验结果表明,Vehicle-YOLO模型在KITTI数据集上达到了96%的均值平均精度,传输速度约为40 f/s,在精度提升的情况下仍能保持良好的实时检测速率。此外,Vehicle-YOLO检测模型在VOC等其余数据集上的实验结果也展现了不同程度的精度提升,故该模型在常见物体的定位检测中有较好的普适性,相较于传统的物体检测算法模型有更好的表现。