摘要：针对特殊材料能伪造手指静脉从而欺骗识别系统,以及利用卷积神经网络进行手指静脉识别计算量大的问题,设计了具有活体检测功能和轻量化卷积神经网络结构的手指静脉识别系统。采用光容积法检测手指脉搏波的变化,从而判断被采集对象是否为活体;利用剪枝及通道恢复方法改进了ResNet-18卷积神经网络,并结合L_(1)正则化增加卷积神经网络的特征选择能力,在提升算法准确率的基础上,能有效地降低计算资源的消耗。实验表明,使用改进的剪枝及通道恢复优化结构,参数量降低了75.6%,计算量降低了25.6%,在山东大学和香港理工大学手指静脉数据库上得到的等误率分别为0.025%、0.085%,远低于ResNet-18得到的等误率(0.117%、0.213%)。

摘要：视网膜血管分割对眼部疾病的自动分析和诊断具有重要意义.针对视网膜图像对比度低、血管细小导致血管分割困难的问题,本文提出一种结合注意力机制和条件生成对抗网络的视网膜血管分割方法.首先设计一个高低层(HL)特征注意力模块作用于高层和低层特征图,使模型分别加强高层和低层空间相关特征,剔除冗余信息,有助于模型更加关注血管前景信息,提高细小血管的分割精度;其次将高低层特征注意力模块与U型网络相结合,构成视网膜血管分割的生成器,并去掉生成器中的BN层,避免小批次训练生成器时批统计量不稳定对分割结果造成的影响;最后将残差网络作为判别器,与生成器一起构成条件生成对抗网络,在生成器和判别器博弈过程中增强生成器学习能力.实验结果表明,本文方法在DRIVE数据集测试的灵敏度、特异性、准确率、AUC(Area Under Curve)分别为82.88%、97.45%、95.59%和97.86%,各项指标均优于目前主流的视网膜血管分割算法.

摘要：针对受加性高斯白噪声(AWGN)与椒盐噪声(SPIN)以及随机值冲击噪声(RVIN)组成的混合噪声污染的图像进行去噪的问题,提出一种在现有加权编码算法的基础上将图像稀疏表示和非局部相似先验融合的改进算法。首先,利用基于字典的图像稀疏表示构建去噪变分模型,对模型中的数据保真项设计一个权重因子来抑制冲击噪声的干扰;其次,利用非局部平均思想对混合噪声图像进行初始去噪,在得到的图像中构建掩膜矩阵将冲击噪声点排除进而求取非局部相似先验知识;最后,将非局部相似先验与稀疏先验融合进变分模型的正则项中,求解变分模型得到最终去噪图像。实验结果表明,在不同的噪声比率下,所提算法与模糊加权非局部平均算法相比,峰值信噪比(PSNR)提高了1.7 d B,特征相似性指数(FSIM)提高了0.06;与加权编码算法相比,PSNR提高了0.64 d B,FSIM提高了0.03。该算法对于纹理较强的图像可以显著提升去噪效果,能有效地保留图像的本真信息。

摘要：针对图像去噪网络中下采样导致高频信息损失和细节保留能力差的问题,设计了一种级联离散小波多频带分解注意力图像去噪网络。其中多尺度级联离散小波变换结构将原始图像分解为多个尺度下的高低频子带来代替传统下采样,能减少高频信息损失。多频带特征增强模块使用不同尺度的卷积核并行处理高低频特征,在子网络每一级下重复使用两次,可增强全局和局部的关键特征信息。多频带分解注意力模块通过注意力评估纹理细节成分的重要性并加权不同频带的细节特征,有助于多频带特征增强模块更好地区分噪声和边缘细节。多频带选择特征融合模块融合多尺度多频带特征增强选择性特征,提高模型对于不同尺度噪声的去除能力。在SIDD和DND数据集上,所提方法的PSNR/SSIM指标分别达到了39.35 dB/0.918、39.72 dB/0.955。实验结果表明,该方法的性能优于主流去噪方法,同时具有更清晰的纹理细节和边缘等视觉效果。

摘要：在利用手指静脉信息进行个人身份识别认证的系统中,采集到的手指静脉图像质量的好坏以及图像特征提取算法的性能直接影响着系统识别的准确性。针对以上两个核心问题,提出了基于神经网络学习的手指静脉图像质量判断与特征提取技术,并将图像质量判断、特征提取与匹配集成为一个完整的识别系统。在采集手指静脉图像时,利用经过训练的轻量级的MobileNet-V2网络,判断图像质量,仅保留质量较好的图像,将其用于后续个人身份识别与验证;对特征提取网络的设计,提出了基于平滑平均准确度损失函数的ResNet模型,提高了原网络的特征提取能力。最后,利用余弦相似度进行特征匹配,获得待识别人的身份信息。实验结果表明,所提出的方法在公开的山东大学和中国香港理工大学手指静脉数据库上分别得到3.855%和3.699%的等误率值,比基于差分图像+VGG网络识别等方法至少降低了1.311%。并且,所设计的识别系统对于自建手指静脉图像数据库,达到了99.30%的识别率。

摘要：针对内镜图像去模糊过程中语义信息难以提取和细节纹理重建困难的问题,设计了一种新的抽样切分卷积,并将其应用于跨尺度特征融合过程中:通过等间隔抽样将大尺度特征无损切分成小尺度特征块,再与小尺度特征进行卷积融合。过程中大尺度特征的所有值都参与了特征融合,避免了细节信息的丢失;未对小尺度特征进行插值,避免了语义信息的模糊。为进一步实现特征互补,设计了特征交互融合模块,先用语义特征激活细节特征,再将两者融合。针对内镜图像亮通道、中间通道和暗通道的特征差异性设计了梯度重建和频域重建损失函数,提升了重建图像的锐度。在EAD和Kvasir-SEG数据集上,该算法的PSNR分别达到32.88 dB和33.01 dB,SSIM分别达到0.972和0.973。实验结果表明,该算法的性能优于主流去模糊算法,视觉上重建图像的纹理更清晰,且未产生伪影。

摘要：针对食道卢戈染色内窥镜(Lugol’s chromoendoscopy,LCE)检查图像中病变类间相似度高和类内尺度变化大等问题,提出了一种以Sparse R-CNN作为基底网络并搭载多尺度细节增强金字塔网络(multi-scale detail enhancement pyramid network,MDEPN)结构的多类食道病灶检测方法。为了改善Sparse R-CNN中的特征金字塔网络(feature pyramid network,FPN)结构在对多尺度特征进行融合时存在的信息丢失和语义差异问题,MDEPN结构首先使用Gabor调制卷积模块对不同尺度特征进行增强,利用Gabor对方向和尺度的强关注度提高了特征图中纹理信息的表达能力;其次使用方向通道池化模块提取不同尺度特征的局部特征方向相似性和局部与全局特征的相关性,减轻了不同尺度特征融合时的语义差异。在自建的多类食道LCE病灶数据集上进行测试,结果表明该方法的mAP0.50检测精度达到了65.0%,相同条件下,比基准模型Sparse R-CNN提升了2.4个百分点,并超过了对比的其余主流检测方法。所设计的MDEPN模块可作为一种独立的结构融入其他检测模型中以提升性能,具有一定的通用性。

摘要：设计了一种具有平面内3自由度全方位移动,并且能够被动自适应越过轮子半径近2.5倍垂直障碍的新型机器人。该机器人采用6个驱动轮控制。车身上采用4个Mecanum驱动轮矩形布置,使其具有平面内的全向移动功能。前、后轮采用全向轮,使其能够在原地转弯和横向移动时候与地面保持滚动状态。6个驱动轮分别安装在机体的攀登机构、爬升机构、稳定机构的高架连杆机构上,使其具有很好的爬楼梯和越障功能。给出了一般结构形式全方位移动系统的运动学模型,并得到其实现全方位运动的必要条件是逆雅可比矩阵满秩。优选出了全方位运动系统的最佳结构布局形式。对整个机器人系统在平面内的直行、横行、原地转弯以及爬楼梯等功能进行了虚拟样机系统仿真验证。

摘要：设计了一种具有平面内3自由度全方位移动,并且能够在45°陡坡范围内被动适应跨越轮子半径约4倍高度障碍的新型机器人。该机器人采用4个Mecanum驱动轮矩形布置,并分别安装在车体两侧双曲柄、弹簧耦合的越障机构上。给出了一般结构形式的Mecanum四轮系统的运动学模型,并得到其实现全方位运动的必要条件是逆雅可比矩阵满秩。优选出了四轮全方位运动系统的最佳结构布局形式。对越障机构进行了运动学建模以及结构参数的优化。最后,对整个机器人系统在平面内的直行、横行、原地转弯以及复杂地形环境下的越障等功能进行了虚拟样机系统仿真和实物样机功能测试。

摘要：针对亮度不均、位置偏移、旋转和遮挡等复杂的手指静脉图像识别问题,提出基于改进方向梯度直方图(HOG)特征和稀疏表示的识别方法。计算所有像素梯度幅值和方向,统计各单元格的HOG;利用单元格邻域内像素点的梯度幅值和方向对各单元格的HOG进行修正,提取融合邻域梯度信息的ng HOG特征;采用主成分分析法对ng HOG特征矩阵进行降维,构建稀疏表示超完备字典,并设计基于稀疏表示的分类器,得到分类结果。实验结果表明:所提方法在SDUMLA数据库上识别率达到98.64%,大小为128像素×64像素的单幅图像识别时间为122 ms,且在poly U数据库和自建数据库等不同的数据库下识别性能稳定。