电路基础课程教学改革的探索与实践

介绍了在电路基础教学实践中逐步形成的一系列关于教学内容、教学方法及实验内容改革等方面的体会和做法。     

基于多核学习的表情识别方法

传统的表情识别方法大多采用一种特征提取方法如Gabor特征、LBP特征等进行表情识别,其中每种特征提取方法对人脸表情特征的描述各有优缺点,单纯利用一种表情特征进行表情识别,识别率往往不高.提出一种基于多核学习的多种特征有效结合的表情识别方法,以兼顾不同特征对表情识别的作用.利用日本表情数据库JAFFE进行方法的仿真实验,结果表明:基于多核学习的表情识别方法识别率高于传统的基于单核方法.     

基于线检测器的红外弱小目标检测

复杂背景下低信噪比弱小目标的检测仍然是当今的一个难题,尤其是在复杂背景的抑制方面,针对红外小目标的特点,以及红外小目标实时性检测的要求,提出了一种检测低信噪比的复杂背景情况下的红外图像点目标的新的算法.首先,用一个线检测器,对红外图像进行处理,经过其处理后的图像,不仅可以大幅度抑制背景,而且还能增强目标,极大程度的提高了图像的信噪比;其次,对处理后的图像用二维的Otsu自动阈值分割法进行分割,检测出点目标.通过对红外图像的实验,证明该算法的有效性.     

基于改进JSEG算法的高分辨率遥感图像分割方法

JSEG算法是一种有效的彩色图像分割方法,但该方法直接用于遥感图像分割时,往往会出现因遥感图像区域边界较模糊而导致区域边界分割不准确,或因区域阴影而导致的过分割现象。为了解决上述问题,提出基于改进JSEG算法的遥感图像分割方法,该方法利用能更好描述区域内颜色的同质性的局部同质矩阵来校正传统JSEG算法中的局部J值,以实现对区域边界的准确反映,提高区域边界分割的准确性;利用图像的LBP/C纹理特征,合并具有相似纹理信息的颜色类,以减弱传统JSEG算法的过分割现象。仿真实验验证了上述方法的有效性。     

AOI检测系统光照不均的校正方法研究

针对电子组装业自动光学检测(automatic optical inspection,AOI)系统光照不均情况,分析了背景去除法、传统同态滤波法2种校正方法,并将一种改进的基于小波变换的同态滤波方法应用于该领域。该方法对目标图像进行多层小波分解,对各层高低频系数滤波处理,减弱低频系数,增强高频系数,然后进行小波重构,从而达到光照不均校正的目的。然后取PCBA(printed circuit board assembly)图像进行了3种方法的实验对比,结果证明了改进的基于小波变换的同态滤波方法在AOI系统中具有很强的实用性。     

具有自动误差补偿功能的智能磁航向系统

研制了一种具有三种误差补偿方法的智能磁航向系统(智能电子磁罗盘)。传统的给定基准法具有满意的补偿效果,但试验复杂。对水平情况,椭圆假设法把误差的形成过程假设为从圆到椭圆的变化过程;而对任意姿态的情况,椭球面假设则把该过程假设为从圆球面到椭球面的变化过程。其逆过程就是误差补偿过程。后两种方法试验非常方便,不需要高准确度的设备。试验结果表明,这两种方法可实现自动误差补偿和自动校准,补偿效果满意,成本低。还设计了一个包含上述三种方法的虚拟仪表用于计算误差补偿系数。用EEPROM永久保存这些系数,消除了类似电位计的可动部件。该系统体积小、成本低、可靠性高,可用于小型飞机、车辆、船舰等运载工具。     

图象边缘增强的多分辨率侧抑制网络方法

侧抑制网络具有“突出边框,增强反差”的功能,但其增强反差的同时也增强了噪声,抗噪性差;小波变换具有平滑噪声的性能,但在平滑过程中会引起边缘模糊。将两者有机结合构造多分辨率侧抑制网络,利用小波变换平滑噪声,而利用侧抑制网络增强边框,从而准确、有效地增强图象的边缘。理论和实验结果表明：该方法能有效地增强具有低对比度、低信噪比、边缘模糊的红外图象的边缘。     

对傅立叶变换时域积分性质的探讨

本文从一个题例入手,对傅立叶变换时域积分性质进行一定的探讨,得到关于该性质应用的一个有用的推论,证明其正确性。     

基于注意力机制的多模态人体行为识别算法

提出了基于注意力机制的多模态人体行为识别算法;针对多模态特征的有效融合问题,设计基于注意力机制的双流特征融合卷积网络(TAM3DNet,two-stream attention mechanism 3D network);主干网络采用结合注意力机制的注意力3D网络(AM3DNet,attention mechanism 3D network),将特征图与注意力图进行加权后得到加权行为特征,从而使网络聚焦于肢体运动区域的特征,减弱背景和肢体静止区域的影响;将RGB-D数据的颜色和深度两种模态数据分别作为双流网络的输入,从两条分支网络得到彩色和深度行为特征,然后将融合特征进行分类得到人体行为识别结果。     

团块与Mean-Shift结合的局部遮挡目标跟踪

传统的基于Mean-Shift的目标跟踪方法利用目标的全局特征进行跟踪,在局部遮挡情况下跟踪效果不佳。提出一种基于团块建模和Mean-Shift相结合的利用目标局部特征的运动目标跟踪方法,对目标进行团块建模,利用Mean-shift算法对各团块进行跟踪,在此基础上确定目标新位置。该方法能够在目标发生局部遮挡时,自动选取未被遮挡的团块的跟踪结果来确定目标的位置。为了提高方法对背景干扰的鲁棒性,采用背景加权的Mean-Shift算法。实验结果表明：该方法在局部遮挡的情况下可较好地进行目标跟踪,跟踪效果优于报导的基于Mean-Shift的方法。