摘要：为解决传统SIFT模型在人脸匹配时存在的相似区域误匹配问题并满足实时要求,提出一种RISIFTTF(rotation invariant SIFT with texture feature)模型下的快速人脸匹配方法。将RITF(rotation invariant texture feature)与SIFT融合,形成RISIFTTF模型,通过GPU对构建高斯差分金字塔和检测定位极值点等步骤并行加速。选取来自FERET和自采集的人脸库,对比优化前后的结果,对比结果表明,对于FERET库,配准率提高了8.23%-12.76%,加速比提高了5倍-6倍;对于自采集库,配准率提高了11.53%-14.21%,加速比提高了4倍-5倍,实现了对传统模型的优化与加速。

摘要：针对接地网受雷击时地电位分布不均的问题,提出了基于果蝇算法的接地网优化设计方法。首先根据接地体的通用数学模型搭建EMTP接地体单元模型,并在此基础上搭建小型接地网模型,仿真计算其雷电暂态效应。然后再以优化地网电压为目标,通过果蝇算法来寻找地网最优压缩比。仿真表明,采用本方法可有效提高地网运行的安全水平。

摘要：为快速恢复强噪声掩盖下的弱信号,提出一种基于ACEEMD(adaptive complete ensemble empirical mode decomposition)模型的弱信号快速重构方法。结合优化的互补集合经验模态分解与GPU并行运算,快速将弱信号从强噪声背景下重构出来,使其更容易被检测。运用该方法对模拟弱信号数据与实际弱信号数据进行处理,实验结果表明,处理后的测试数据信噪比提高了2db-3db,处理速度提高了4-5倍,处理效果明显。

摘要：基于神经网络的生物特征识别通常需要大量训练样本,目标数据集不足使得神经网络难以获得实际应用。在小样本声纹识别中,为提高识别的准确率,结合卷积神经网络与迁移学习提出一种基于小样本的说话人识别方法。在卷积过程中引入快速批量归一化(fast batch normalization,FBN),提高深度神经网络收敛速度。将预训练模型中的全连接层改为RBM(restricted Boltzmann machine),用小样本声纹训练RBM和分类器,RBM能够进一步学习小样本声纹特有的高阶特征,消除在迁移过程中声纹数据集间的差异。选取包含400人的AISHELL-ASR0009-OS1语音数据库及实验室自采的20人语音库进行实验,实验结果表明,融合FBN的神经网络相比原始网络的训练时间减少了35.6%,最优方法相比其它两种方法识别率提高了9.7%-41.3%,验证了所提方法的可行性和有效性。

摘要：针对目前现有方法提取出的人脸区域准确度低的问题,提出一种最大熵轮廓提取下的脸部区域自适应提取算法。使用最大熵阈值化方法对图片进行二值化处理,将处理后得到的图像的轮廓作为水平集的初始演化曲线,减少从初始曲线演化到人脸轮廓附近这一过程的演化次数,用自适应的权重系数取代CV (Chan-Vese)模型面积项的系数,使模型能够根据图片的信息自适应演化,提高模型的自适应性。使用自采集人脸库(男女各20人,每人20张不同光照、姿态的图片)中的图片进行实验,实验结果表明,该算法比图割算法和传统的水平集算法在人脸区域提取方面具有更高的准确度。

摘要：为解决在人脸识别、表情识别等过程中,大规模姿态变化和遮挡等复杂环境下无法实现精确面部对齐的问题,提出一种深度回归网络(deep regression networks)下的人脸对齐方法。使用深度卷积神经网络对测试样本进行头部姿态估计并初始化人脸形状,降低头部姿态对人脸对齐造成的影响,在深度回归网络下进行局部回归微调,实现抗遮挡人脸精确对齐,使用图基的双权重函数作为训练深度回归网络的损失函数,减小训练过程中异常值的影响。选用300W和COFW人脸数据集进行测试,实验结果表明,该方法相比其它方法具有较强的鲁棒性,可实现大规模姿态变化和遮挡下人脸的精确对齐。

摘要：利用非平衡格林函数方法研究了石墨纳米带中三空穴错位分布对热输运性质的影响.研究结果发现:三空穴竖直并排结构对低频声子的散射较小,导致低温区域三空穴竖直并排时热导最大,而在高频区域,三空穴竖直并排结构对高频声子的散射较大,导致较高温度区域三空穴竖直并排时热导最小;三空穴的相对错位分布仅能较大幅度地调节面内声学模高频声子的透射概率,而三空穴的相对错位分布能较大幅度地调节垂直振动膜高频声子和低频声子的透射概率,导致三空穴的相对错位分布不仅能大幅调节面内声学模和垂直振动模的高温热导,也能大幅调节垂直振动模的低温热导.研究结果阐明了空穴位置不同的石墨纳米带的热导特性,为设计基于石墨纳米带的热输运量子器件提供了有效的理论依据.

摘要：为满足临床诊断的需要,对医学图像进行良好的分辨,提出一种基于曲波变换的医学图像增强算法。对医学数据进行曲波正变换,获取各个尺度、方向上的曲波系数,利用广义交叉验证准则和遗传算法自适应选取最优阈值进行阈值去噪,对处理后的数据进行频带拓宽处理,进行曲波反变换来重构数据,得到增强图像。分别选取10组医学脑部CT和胸部图像进行研究,实验结果表明,医学数据在经过该算法处理后,信噪比由原始的3dB-4dB提高到5dB-6dB,处理后图像的分辨率有明显提升,病灶点的层次划分更加清晰,有效增强了边缘细节信息,为医疗工作者诊断病症提供了更加清晰准确的依据。

摘要：为了更好更快地检测诊断新型冠状病毒肺炎(COVID-19),联合深度学习和迁移学习方法,提出了一种基于肺部X光片来诊断患者是否携带COVID-19的检测方法,并设计了SVRNet(separable VGG-ResNet)和SVDNet(separable VGG-DenseNet)模型。实验结果表明,相比于之前的网络模型,SVRNet的平均分类精度提高了3.15%,参数量下降了61.56%,SVDNet的平均分类精度提高了3.53%,参数量下降了55.31%。通过实验对比可以发现,新模型在提高精度的同时大大降低了参数量,提高了运行速度,可以准确快速地检测出含有COVID-19的X光片。