针对车牌识别系统的实际应用, 利用车牌区域的边缘梯度特征、几何形状特征、颜色特征、灰度纹理特征定位车牌, 然后校正车牌图像的颜色及倾斜度; 基于灰度投影法, 对普通及武警车牌均提出了有效字符分割方案, 通过自适应判别去除因字符断裂粘连、特殊字符等造成的干扰; 通过基于多特征值提取的神经网络方法初识别车牌; 最后将人眼的视觉特性用于模板匹配法, 解决易混淆字符及污损车牌的问题。通过大量实验证明, 该方法对车牌颜色、拍摄角度、光照条件等限制较少, 适用范围广、识别率高, 有较强的实用性。

图像压缩是图像传输和存储中最重要的步骤之一。 大多数最先进的图像压缩技术都是基于空间的。 在此代码中，基于多级图像阈值实现了基于直方图的图像压缩技术。 图像的灰度等级分为几组清晰的概率分区。 香农熵用于衡量清晰分组的随机性。 熵函数使用流行的称为差分进化的元启发式进行最大化，以减少优化目标值的计算时间和标准偏差。 该算法在： 保罗，S。 Bandyopadhyay, B.，“一种基于使用香农熵和差分进化的多级图像阈值的图像压缩新方法”，学生技术研讨会 (TechSym)，2014 年 IEEE，第 56,61 页， 2014年2月28日-2014年3月2日doi：10.1109/TechSym.2014.6807914 如果您使用此代码，请引用这篇论文。

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

光栅常数是检验光栅质量的重要参数之一。该文介绍了一种实时检测光栅参数的方法，即利用面阵CCD采集光栅衍射图像信息，通过计算衍射士1级光斑与主极大光斑的能量比得出光栅常数。这种方法具有检测速度快、系统简单、精度高等特点，可用于生产线上光栅的实时检测。

提出一个基于服务的自适应网络应用框架—iWeb.框架建立了上下文信息模型,用以描述收集上下文信息;框架收集了数以千计的服务,并对这些服务依据其功能性进行了分组.在服务质量信息,上下文信息以及服务功能性分组的基础上,提出了一种创新的服务选择方法,该方法可以根据服务质量信息和上下文信息选择最佳的服务.框架使用具有相同功能,由统一接口封装的服务组作为基本功能模块,服务的选择,服务的调用以及服务之间的调度由框架内的服务引擎负责;框架还提供了应用编辑器,来加速应用界面和流程的开发.使用iWeb框架,可以在更短的时间里开发出具有基于网络服务的自适应性的应用.最后,通过可用性分析,验证了iWeb是一个实用,...

本实用新型涉及一种基于物联网的农业生产远程监测与智能决策系统，综合设施农业生产特点和用户的使用需求，基于传感技术、通讯技术、计算机技术、网络技术进行开发。该系统软件部分采用C/S模式开发，包括客户端和服务器端。系统包括：数据采集系统、无线网关、GPRS网络、计算机客户端、手机客户端和服务器、水泵、卷帘机。系统能自动采集设施环境的土壤温度、土壤湿度、空气温度、空气湿度、光照强度和CO2浓度信息，并存入服务器数据库中。可以实现实时数据显示，当环境状况不符合作物生长时，可发出声音报警、动态图形报警和手机短信报警功能。

绝大多数视频图像在传输过程中皆要进行混合压缩编码,这种以去掉大量空间性和时间性冗余信息为手段的编码方式将导致解码发生一系列错误,急剧影响恢复后的图像质量．针对这种情况,本文提出了一种改进的基于空域错误隐藏的图像恢复算法,该算法利用已正确接收的邻近宏块的像素值,对当前宏块边缘进行综合分析,运用方向插值算法和五点插值算法计算出宏块内边缘和平坦区域的像素值,从而对直接解码恢复出的像素值进行娇正．从实验结果来看,该算法恢复出的图像质量的PSNR值和计算复杂度皆优于传统双线性插值法和五点插值法．

存复杂的背景噪声中检测直扩信号并估计参数是信号处理研究的难点课题之一，在接收端如何降低高斯噪声等背景噪声的影响成为急需解决的问题。这里提出了一种基于盲源分离的直扩信号载频检测算法，采用独立分量分析的高阶累计量算法将直扩信号从包含高斯噪声的背景中分离出来，然后采用边带相关算法估计载波频率。该方法不需要知道混合矩阵，不需要做预白化处理。计算机仿真结果证明了算法的有效性。

行业分类-设备装置-一种基于优先级位图的AUTOSAR+NvM读写任务的管理方法

请引用这些论文： [1] S. Mukherjee和R. Guddeti，“使用加速框架在立体图像中基于深度的选择性模糊”，Springer-Verlag杂志“ 3D研究”，第1卷。 5，没有。 2014 年 3 月。 [2] S. Mukherjee 和 R. Guddeti，“基于立体视觉的稀疏视差估计的视差计算混合算法”，IEEE 第 10 届信号处理和通信国际会议 (SPCOM)，2014 年 7 月。 我的算法采用了一种快速的混合方法（基于块和区域的混合）从校正后的立体图像对进行立体视差估计。 对于来自 Middlebury 立体视觉数据集的三个标准基准图像（Tsukuba、Sawtooth 和 Venus），其错误率分别低至 7.8%、5.3% 和 4.7%，尺寸分别为 384x288、434x380 和 434x383 像素。 该算法在具有 Intel i7-2600 CPU