基于深度学习的图像拼接篡改检测

传统图像拼接检测算法通过研究人员手动构造拼接特征，随着科技的进步以及图像处理技术的不断发展，手动构造特征的局限性逐渐体现出来，鲁棒性较弱，位置不易确定等。为了解决这些问题，构建了一种卷积神经网络（CNN），将卷积核前置并固定，自主学习相关特征从而检测拼接篡改的图像区域。经过一系列研究，发现拼接篡改图像的拼接篡改区域特征可以被CNN模型学习。在CNN模型之前，卷积核使用高通滤波器，激活函数采用指数线性单元（ELU），使得CNN模型具有识别拼接篡改图像边缘痕迹等特征的能力。检测结果表明:在IEEE IFS-TC图像拼接取证竞赛训练集上对拼接篡改图像拼接篡改区域定位的准确率为84.3%，对拼接篡改区域判定的真负类率为96.18%。      

基于功耗残差的航天器CMG退化特征提取方法

为实现航天器控制力矩陀螺（CMG）性能退化状态评估，提出了一种基于卷积神经网络（CNN）与功耗残差的CMG退化特征提取方法。由于CMG控制系统对高速转子运动状态的高精准控制，CMG退化特征难以从转子运动状态数据中直接提取。针对该问题，从转子系统的能量损耗角度出发，通过分析CMG工作机理确定了影响单位时间内转子电机功耗的变量，并通过CNN建立了CMG运行状态参数与电机功耗之间的映射。将退化状态下电机实际功耗与模型输出的残差作为退化特征对CMG退化状态进行评价。通过某型号CMG的加速寿命实验数据进行验证，结果表明:构建的退化特征能够表征CMG转子轴承的性能退化情况，从而为CMG状态监测和故障预警提供参考。      

基于HMM的雷达状态转移估计方法

针对传统识别模型存在的参数规律描述不全面的问题,提出一种适用于多功能雷达(MFR)的层级模型,该模型通过任务、状态、参数3个层级反映了MFR系统的运行机制,并依据不同的参数变化规律,设定多种函数进行描述,能够反映信号的联合变化和统计信息,较统计和脉冲样本图模型具备更好的识别效果。在层级模型基础上,针对MFR状态转移估计方法存在的鲁棒性、估计准确率不佳的问题,引入目标运动状态信息,构建双链隐马尔可夫模型(HMM),进而利用D-S(Dempster-Shafer)证据理论优化估计结果,提出一种基于HMM的雷达状态转移估计方法,实验结果表明,提出的方法较改进前具备更优异的鲁棒性和估计准确率。     

笔式草图的增量识别

针对笔式三维建模技术中手势交互的特点,提出了一种二维草图的增量识别方法:从原始笔划的在线识别与线元转换,到约束关系的自动捕捉与施加,到二维组合图元的识别与规整,到特征手势的识别,到最后的三维特征建模.整个识别过程依据了三维特征建模思想和基于上下文感知的智能推理技术,通过分层识别的方法从紊乱、非精确的二维草图中有效提取三维建模的特征信息,有效降低了草图识别过程的复杂度和积累误差.将特征手势遵循隐式映射机制映射到三维空间后,实时完成三维建模,实现了二维手绘草图与三维精确建模的有效集成.该方法已经在自主开发的原型系统PenSketch3D中得以验证,并取得良好效果.      

基于MSST及HOG特征提取的雷达辐射源信号识别

针对传统雷达信号识别算法在低信噪比下识别准确率低的问题,提出了基于多重同步压缩（MSST）时频变换及方向梯度直方图（HOG）特征提取的雷达辐射源信号识别算法。所提算法在雷达时域信号短时傅里叶变换（STFT）基础上进行多重同步压缩处理获得信号时频分布图,通过HOG算子对信号时频分布图进行HOG特征提取,将提取的HOG特征通过主成分分析法（PCA）进行降维,将降维后的特征参数送入支持向量机（SVM）对雷达信号进行分类与识别。实验结果表明：所提算法具有较低的复杂度,当信噪比为-8 dB时,仿真实验与半实物仿真实验针对9种典型雷达信号的识别准确率达到90%以上。     

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。     

基于连续数据流的动态手势识别算法

为识别用户做出的动态手势序列,基于数据手套采集的连续数据流,运用奇异值分解消除数据噪点,提取手势的特征信息,并利用关节弯曲的生理学特性与用户解耦合,将各种动作片段抽象成用户无关的手势模板,从而唯一定义手势特征并屏蔽不同用户的手势差异,再基于Hill Climbing思想把连续数据流分割成有序的动作序列,并按时序对所有片段在预先构造的层次树上实时搜索,根据欧式距离度量序列与手势模板的相似性.该算法对手势序列的分割准确,对多用户具有良好的适应性,其有效性在使用5DT数据手套搭建的两组动态手势识别的实验中得以验证.     

有源可调微波吸收体分析与优化

为解决无源雷达吸波材料带宽有限的问题,基于传输线理论设计了一种有源可调微波吸收体.该吸收体是在Salisbury屏的拓扑结构基础上,用基于PIN二极管可控的有源频率选择表面(FSS)代替传统的电阻层.反射率测量结果表明,通过改变二极管的偏置电流可以动态调节吸收体的最佳吸波频率;当偏置电流在0~0.5mA之间变化时,吸收体的最佳吸波频率在7~12.5GHz频率范围内动态调整.基于遗传算法,优化设计了一种具有双极化吸波特性的十字型可调微波吸收体,仿真结果表明该吸收体在5.6~17.6GHz范围内实现了最佳吸波频率的可控迁移.      

基于区域划分与标准时间的手部异常行为检测

通过监控视频自动检测操作任务中手部异常行为,能够预防人因差错,提高人因可靠性。针对手部操作任务运动特征不明显、常用异常检测和手势识别方法不适用的问题,提出基于区域划分与标准时间的手部异常行为检测技术。使用基于椭圆模型的肤色检测方法,检测视频中手部形心位置;提出工作区域划分方法,根据手部形心在操作过程中所处区域的不同,将连续操作分割为单元任务,获得各段单元任务的起止时间和持续时长;以正常工作时间为标准,对超出标准时间范围的单元任务提出异常警告。实验表明:所提方法的单元任务分割正确率高于93%,异常行为检测率高于86%,能够有效检测手部异常行为,为人为差错的监测与预警提供技术支持。      

一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的LeNet-5卷积神经网络（CNN）自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。      

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题,提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题,分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型,最终实现对卫星云图的分类,提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试,消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的,且所提框架模型对各个灾害天气类别的分类精度都有显著提升。      

基于多假设跟踪的散射点关联和三维重构方法

针对雷达目标在未知视角下一维散射中心关联存在的问题,提出了一种基于散射强度信息辅助的多假设跟踪(MHT)散射点关联方法,采用散射点幅度信息辅助实现对目标散射点的有效关联,对关联后的数据采用序贯因式分解的方法实现了目标的三维重构。仿真实验表明,该方法简单、成像效果稳定,通过对关联过程中的假设更新和管理可有效剔除目标运动过程中产生的虚假散射点,适用于目标在多个姿态下多个散射点的关联和三维重构,具有较高的鲁棒性。