基于偏振自适应融合图像的水下物证探测方法

偏振探测技术能够在复杂的背景环境中凸显出目标,为我们提供了更为清晰和精准的目标识别能力。然而,在法庭科学领域上,利用偏振成像技术对水下物证进行探测搜寻的研究仍属空白。针对这一问题,本文通过偏振成像装置,对目标强度图像和偏振度图像进行融合。利用非下采样剪切波(non-subsampled shearlet transform,NSST)对图像进行分解后,在高频子带提出了参数自适应的简化型脉冲耦合神经网络模型,在低频子带则采用一种基于区域能量的自适应加权融合规则。在可见光下,对3类典型目标进行相关算法比对实验。实验结果表明,通过偏振成像技术可有效探测到水下物证,利用本文提出的图像融合算法有效突出了水下物证的细节特征,验证了偏振探测技术对水下物证成像的有效性,有利于突破当下法庭科学领域水下物证探测技术的空白。

关于纳米压痕技术的材料微观力学性能研究

硬度和弹性模量是工程材料重要的性能参数,不同的硬度和弹性模量决定着材料的应用领域,随着试样材料小型化的发展,传统的测试无法满足纳米尺度下材料性能研究的需要,纳米压痕技术因其灵敏度极高在材料科学的微观力学研究领域越来越受到人们的青睐。本文基于纳米压痕连续韧度测量技术获得了金刚石和熔融石英的压痕载荷-位移曲线,得到了两种材料的硬度和弹性模量。结果表明,用玻氏金刚石压头进行纳米压痕实验能够有效地测量材料的硬度和弹性模量,为材料的广泛的工程应用提供数据支撑。

基于深度可分离的多尺度Lw-YOLO轻量化人脸检测网络

针对目前神经网络模型计算复杂,在无GPU嵌入式平台的模型检测精度较低的问题,提出一种可在树莓派3B+上检测的轻量化人脸检测网络Lw-YOLO(Lightweight-YOLO)。此网络基于YOLO-LITE模型,利用深度可分离卷积替代传统卷积,有效地减少网络计算量并提升网络深度;增加多尺度预测模块,为预测层提供丰富的语义信息,提高网络精度。实验结果表明,训练得出的网络模型大小只有3.1 MB,在WiderFace人脸数据集上取得77.13%的平均精度,比原模型高23.22%,更适合无GPU的嵌入式平台。

一种自适应模板更新的CamShift跟踪算法

针对Cam Shift跟踪算法中跟踪窗口漂移和发散问题,提出加入SURF特征的改进算法。利用SURF特征尺度信息的变化约束搜索框,改善跟踪窗口在遭遇大面积背景色干扰时易发散的问题;利用SURF特征点数量、尺度和方向信息的变化选择相应的模板更新策略,使模板能更好地反映目标的特征,从而在下一帧中更准确地跟踪目标。

基于NSST与自适应SPCNN的水下偏振图像融合

提出了一种基于非下采样剪切波变换(NSST)和参数自适应简化型脉冲耦合神经网络(SPCNN)相结合的水下偏振图像融合方法。对水下目标物进行图像采集获得目标物的线偏振度图像和偏振光强图像;对两幅图像进行NSST分解获得其多尺度和多方向子带系数,通过参数自适应SPCNN模型融合两幅图像的高频方向子带系数,采用基于区域能量自适应加权的融合方法融合两幅图像的低频子带系数;对融合后的高频方向子带和低频方向子带进行逆NSST重建融合图像。实验结果表明,与其他偏振图像融合方法相比,本文方法可以探测到水下目标物的更多细节和显著特征,主观视觉感受和客观评价方面都有较大的提升。