基于图像处理的激光远场光斑仿真方法

提出了一种基于图像处理的激光远场光斑仿真方法，通过对已有特定条件下的远场光斑图像进行处理，仿真出在各种条件下类似的光斑图像，并对这种方法进行了实现。然后分析指出了该方法不尽完善之处，并提出了解决的办法。     

强噪声背景下确定性谐波信号的模糊滤波

文章提出了一种在强背景噪声环境下对被淹没的谐波信号进行模糊滤波，从而恢复微弱目标信号的方法。在MATLAB环境下，先利用相干平均法，除去被测信号中的随机白噪声，对于有色噪声运用自适应神经模糊推理系统（ANFIS）的方法，对被测信号进行模糊滤波，在较低信噪比下，能较好的恢复出原始微弱信号。     

基于视频增强的昏暗背景下目标检测方法

昏暗背景下视频图像对比度低，通常的检测算法很难实现对运动目标的检测。提出了一种基于视频增强的昏暗背景下目标检测方法，首先通过直方图均衡与时空混合高斯滤波相结合的方法进行视频增强，然后对增强后的视频用传统检测方法进行目标检测。实验表明该方法在昏暗背景下能较好地检测出运动目标，具有较强的鲁棒性。     

基于小波包的图像拼接算法

针对噪声环境下的图像拼接方法，本文给出了一种基于小波包变换与数学形态学的方法。首先是对拼接图像进行小波降噪，然后利用形态学寻找主要特征物进行定位和对比，再通过样条函数构造的小波包对图像在不同尺度下的小波包分量进行拼接。实验表明，该方法可以较好地消除拼缝的影响，得到很好的拼接图。     

一种基于图像的激光远距离传输光斑仿真方法

提出了一种基于图像的光斑仿真方法，通过对已有的特定条件下的光斑图像进行处理仿真出在各种条件下类似的光斑图像，并对这种方法进行了实现。然后分析指出了该方法的不完善的地方，并提出了解决的办法。     

基于预测滤波的航天器GPS定位实时性处理方法

对于航天器高动态定位，针对接收机处理耗时带来的非实时性现象，利用Kalman最优预测方法进行处理。首先建立了系统状态方程和量测方程，且在满足精度条件下对系统模型进行简化。仿真结果表明，该方法能有效减小高动态环境下定位非实时性带来的误差。     

基于多渠道融合的智能故障预测技术

近年来，随着大数据和人工智能技术的不断发展，基于日志数据的智能故障预测方法逐渐受到关注。传统的基于日志数据的故障预测方法仅关注单一的需求属性，难以面向多维度预测需求进行适配调整。针对该问题，提出一种多渠道融合的智能故障预测模型Multi-Det，该模型采用机器学习和深度学习相融合的调度方式。通过特征提取和数据融合，面向用户不同属性需求进行系统模型适配，优化特定场景下的故障预测准确性和可靠性。为了验证Multi-Det的有效性，在公开数据集下对多个场景下的需求参数进行了实验对比，结果表明该方法能够有效适配不同故障预测需求，在特定场景下智能调整预测策略，为专业领域设备的维护和管理提供有力支持。     

变频状态下利用多普勒信息的超分辨波达方向估计方法

讨论了在变频状态下利用信号多普勒信息的波达方向估计问题，提出了在此状态下的时－空域联合处理方法和时－空域级联处理方法，并与在变频状态下的常代域处理方法进行了比较。分析及仿真结果表明，利用了多普勒信息的方法比常规方法的性能大大提高。     

一种基于Canny算子的船舶目标检测算法

提出了一种从红外图像中检测船舶目标的方法，该方法首先对两帧图像进行差分处理，然后进行图像分割，再用Canny算子对目标边进行检测，结合图像分割的结果，最终确认目标。实验表明该方法在复杂背景下，可以较好的进行目标检测。     

指数分布环境因子的Bayes算法

对不同环境下指数分布环境因子的计算方法进行了讨论，并给出了检验指数分布有效性的统计方法。基于信仰推断的理论，得出环境因子的先验分布，进而对环境因子进行Dayes估计。最后运用仿真实例验证了该方法的有效性。     

基于自组织稀疏RAM的N-tuple神经网络的人脸识别

本文提出了一种首先采用自组织映射(SOM)神经网络对稀疏RAM的N-tuple神经网络(SN-tuple)的稀疏分布存储器(SDM)的地址矢量根据训练样本进行优化,然后再对SN-tuple进行学习训练的人脸识别方法,在此称为自组织稀疏RAM的N-tuple神经网络。通过大量人脸识别的实验证明,该方法有效的解决了SN-tuple受随机SDM地址矢量影响较大的问题,具有识别率高且稳定的特点。     

基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别

本文提出了一种基于稀疏RAM的逼近型神经网络(SN-tuple)与统计模式识别相结合的人脸识别方法,采用首先直接将原始图像数据输入稀疏RAM的逼近型神经网络中进行粗分类,再由统计模式识别方法中的PCA、LDA来进行最终细分类的方法,通过大量的实验证明了该方法的有效性。     

基于Gabor小波和神经网的人脸检测

论文提出了一种基于Gabor滤波特征和的正面人脸检测方法。算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并送入神经网路进行训练。实验结果证明该方法行是十分有效的。     

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于Gabor小波变换和PCA的人脸识别方法

基于Gabor小波在图像表征方面的优越性,阐述了将Gabor小波和主分量分析(PCA)相结合用于人脸识别的方案。对人脸图像进行Gabor小波变换,通过PCA(主分量分析)降维后,计算特征点之间的距离,最后进行人脸识别。     

基于Gabor多通道加权优化与稀疏表征的人脸识别方法

稀疏表征理论在模式识别中的应用引起广泛的关注。在用稀疏表征方法研究人脸识别问题中,为了使得表征系数矢量具有更为显著的稀疏性,该文提出一种Gabor稀疏表征分类(Gabor Sparse Representation Classification, GSRC)算法,该算法利用Gabor局部特征构造字典,增强算法对外界环境变化的鲁棒性。GSRC算法对所有的Gabor特征等同对待,通过进一步考虑不同Gabor特征对识别的不同贡献,该文提出了一种加权多通道Gabor稀疏表征分类(WMC-GSRC)算法,该算法通过引入Gabor多通道模型,提取不同通道的Gabor特征分别构造字典和稀疏表征分类器,在决策级执行分类器的加权融合得到识别结果。通过在ORL, AR和FERET人脸库上的实验结果验证了该文算法的有效性。     

基于Gabor调制的深度多层子空间人脸识别算法

人脸识别的关键在于特征提取,过去主要从完美的低维特征子空间来刻画高维图像,但是近年来深度学习模型为特征提取提供新方向。本文提出在Gabor特征描述子调制下的深度子空间模型,在深度子空间这一新型深度学习框架基础上,使用Gabor滤波器组处理图像,并构建深度特征提取多层网络,得到Gabor调制下的深层抽象特征。首先将传统的8个方向5个尺度的40个Gabor滤波器在尺度上进行压缩得到8个基本Gabor滤波器组;然后将经过Gabor滤波的描述特征分别送入深度化改造的子空间模型,得到图像的深层特征表示;其次将这些特征进行哈希编码,直方图分块,作为描述特征。本文在FERET、ORL、CMU_PIE等数据库上讨论加入Gabor滤波器调制后的深度多层子空间特征提取模型在人脸识别问题上性能的提升,实验结果表明,该算法可以取得较好的识别率,并对光照、表情、姿态等有很好的鲁棒性,能够弥补浅层网络易受训练图像影响的缺点。      

基于Gabor变换的人眼定位

眼睛是人脸图像中最重要的特征点,有效地提取人眼特征在人脸识别中有重要的意义。鉴于2D Gabor函数与高等动物视觉皮层接受场的一致性,本文采用人眼的Gabor变换系数作为其特征模板,并用高斯多分辩搜索的方法,快速的定位人眼。实验结果表明,这种方法对于轻度旋转 、倾斜、面部表情的变化等有效好的鲁棒性。     

稀疏特征重用的人脸特征提取网络

为了提高人脸特征提取网络的性能,进而提高人脸识别算法的准确率,本文对基于卷积神经网络的人脸特征提取网络进行研究,提出了SFRNet (Sparse Feature Reuse Network)。首先,基于稀疏特征重用、混合特征融合、中心-高斯池化三个创新点,给出了SFRNet的网络结构。然后,在图像分类数据集ImageNet和人脸识别数据集LFW (Labeled Faces in the Wild)、MegaFace上进行实验,分别验证了SFRNet在一般场景和人脸识别这一特定场景下的特征提取能力。实验表明本文所设计的SFRNet不仅计算量和参数量小,还能有效提取到人脸特征并且在一般场景中也有较强的泛化能力。