改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。     

一种改进的基于暗通道先验去雾算法

在雾霾天气下图像质量受大气散射的作用,使得图像质量较差。针对以上问题,提出一种改进的暗通道图像去雾算法。由于带雾图像中局部区域暗通道分量不趋近于0,对大气光值的估计是通过局部像素点R、G、B三通道像素值的方差来判断其波动幅度。若波动较大,则选出三通道中的较小值为当前像素点的暗通道像素值;若波动较小,则通过其周围像素点中最小通道的均值来确定当前点的暗通道值,从而得到精准的暗通道图和大气光值。将采样的方式加快求取透射率图的速度,最后转变为HSI颜色空间可以对图像进行更好的复原。实验结果表明,该算法可以针对色彩失真的状况得到有效的改善,同时在得到去雾图像速度上提高50%以上。     

基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。     

基于UKF航迹滤波的干扰目标智能识别算法研究

针对雷达导引头末制导阶段抗干扰技术,建立了典型的距离-速度拖引干扰模型,采用无迹卡尔曼滤波(UKF),研究了基于速度、加速度、过载等指标的干扰目标智能识别技术。首先建立距离-速度拖引干扰模型,通过引入弹目相对距离、径向速度、高低角与方位角建立了系统跟踪模型。其次,给出了基于UKF实现目标跟踪与识别的滤波框架。在此基础上,以径向速度、径向加速度、角加速度与过载为评价指标,建立了目标智能识别指标体系。最后,通过典型的目标运动模型(目标跃升),对目标施加的四次距离-速度拖引干扰(两次前拖、两次后拖)进行目标识别。仿真结果表明,利用UKF滤波信息能够有效实现对距离-速度拖引干扰下的干扰和目标智能识别,仿真结果验证了该识别方法的可行性与有效性。     

便携极低速对流层散射通信系统优化设计

针对便携极低速对流层散射通信系统的远距离应用,在分析散射信道快衰落特性的基础上,提出便携极低速通信系统分集接收方案,并给出不同分集重数情况下的误码性能理论曲线,在此基础上提出采用失真自适应接收的抗多径波形以获取最大隐分集增益,设计并实现高效低时延LDPC编码和窄带滤波器。仿真结果表明,纠错编码可获得5 d B编码增益,窄带滤波解决了极低速远距离通信存在的多普勒效应问题。在系统测试平台上对便携极低速散射通信系统性能进行实测,测试结果表明,该优化设计方案可有效提升系统能力。