基于因子分解和光束法平差从航空序列图像恢复三维结构

从航空序列图像恢复目标三维结构是航空摄影测量的基本问题。针对现有算法中精度与计算量的矛盾,提出一种基于因子分解与光束法平差的新算法。作为因子分解与光束法平差的桥梁,提出基于"R T"模式共线方程的概念,详细推导了其线性化公式。仿真实验和真实图像实验表明,新算法精度高、稳定性好,可应用于航空测绘、虚拟现实、军事侦察等工程实践。     

电子稳像中运动矢量一致性的优化算法

针对电子稳像技术传统块匹配法求运动矢量的固有缺点,采取四叉树———一种变块匹配方法计算运动矢量,使求得的运动矢量有较好的一致性.与其它变块匹配方法相比,该方法克服了其它变块匹配法的不足.实验表明,使用该法求出的运动矢量有较好的一致性和准确性.     

多重网格法求解静电像管三维电场的若干问题研究

详细讨论了多重网法数值求解三维静电场的若干数学问题,诸如三维多重网格法的限制与延拓公式推导、确定静电像管三维电子光学系统中的锥面电极、圆筒电极、球面电极、圆孔膜片电极、孔电极等的空间位置及范围的方法、以及迭代计算的逻辑尺编码方法等,为像管电子光学系统设计及优化设计奠定了良好基础.     

BM弹头雷达一维像干扰初探

根据目前反导雷达使用宽带信号对目标进行一维成像,检测目标几何特征的特点,从弹道导弹(BM)弹头雷达一维像(HRRP)特征出发,参照宽带线性调频雷达成像原理,讨论了对BM弹头HRRP可采取的几种电子干扰措施,包括对BM弹头HRRP的模拟和遮盖,给出了模拟BM弹头HRRP时所需生成的各信号特征,分析了每种遮盖干扰信号的功率利用情况,最后分析了每种干扰措施的优缺点。     

基于EKF算法的弹道导弹助推段跟踪建模与仿真

围绕弹道导弹助推段跟踪问题,分析了助推段反弹道导弹的基本作战过程,建立了弹道导弹助推段动力学模型,分别就单传感器/单弹道导弹和多传感器/多弹道导弹两种情况建立了基于EKF算法的弹道导弹助推段跟踪模型,并通过算例验证了模型和算法的有效性,可为助推段反弹道导弹建模与仿真提供一定的参考。     

《美国牧歌》的神话原型解读

本文拟以神话原型理论为理论基础来解析菲利普.罗斯的著名作品《美国牧歌》。根据弗莱对原型的定义,指出该小说呈现了人物原型、主题原型、意象原型等。这些看似偶然的原型形成了普遍的结构关联,决定了作品的内在一致性。作者通过再现特定历史时期的原型,激发读者重新思考过去、现在和未来的联系。     

基于标准化信息距离的彩色图像检索方法

针对标准化信息距离（Normalized Information Distance,NID）在图像检索（Image Retrieval,IR）应用中的优势和不足,结合图像的显著图,给出了一种改进的基于NID的IR算法,并进行了仿真实验。结果表明：改进算法的检索性能有了较好的改善。     

一种新的形态中值小波图像去噪方法

图像去噪是图像预处理中一项重要环节.针对线性小波分析在图像去噪中会丢失一些细节信息这一缺点,利用数学形态学算子的非线性特征,构建了一种非线性的可用于灰度图像处理的形态中值小波,并应用于图像去噪.对比实验结果表明,该方法比线性小波去噪方法具有更好的去噪性能,图像细节信息损失更小.     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.     

初相未知信号联合检测与估计的序贯实现

在未知参数的充分统计量和再生概率密度函数的基础上,引入了联合检测与估计的序贯算法,给出了算法的实现框图,并将该算法应用于高斯噪声中初相位未知信号的联合检测与估计当中.仿真实验表明,新算法较传统算法有一定的性能改善.