随着智能交通系统中的应用，航空图像车辆检测已成为一项关键工程技术，具有学术研究意义。 提出了一种基于YOLO深度学习算法的航空图像车辆检测方法。 该方法通过处理三个公共航空图像数据集来整合适合YOLO训练的航空图像数据集。 实验表明，该训练模型在未知的航拍图像上具有良好的性能，特别是对于小物体，旋转物体以及紧凑而密集的物体，同时满足实时性要求。

目前，传统的Web安全检测方法作用于程序输入输出端，不能防范经变形混淆后绕过检测进入程序内部执行的恶意代码，难以满足当前Web应用安全防护新需求。本方法基于对传统数据流监控方法风险的深入分析，结合RASP技术特性，提出了基于RASP的Web安全检测方法，在Web应用程序内部的权限判别函数参数、系统命令执行函数参数、数据库操作函数参数处埋下 RASP 探针，在代码解释器层面实时检测数据流的变化。本方法基于Java语言进行了实现，在实验室证明该方法在准确率和检测时间上优于传统的Web安全检测方法，并在最后分析提出了本方法的部署和应用场景。

基于简单代数运算的变化检测方法总结 基于代数运算的变化检测技术的优点是相对简单、直接，其关键是确定阈值。由于现在还没有一种可靠的阈值选取方法，因此常常采用交互的方法确定变化阈值，这类方法中还一个重要的环节是选择合适的波段或者波段组合。这类方法的不足是难以确定变化的类别和不能对变化信息进行描述。

针对功率单元串联式无功发生器对单相无功电流的检测需要,依据无功功率理论及电流在两相静止坐标系与旋转坐标系中的变换关系,提出了新的单相无功电流检测方法,相对传统的ip-iq法,此方法减少了计算量,提高了检测方法的实时性,且适用于单相和三相四线制电路。并在Matlab/Simulink环境下对提出的单相电路无功电流检测方法进行了建模,通过仿真验证了本控制方案的有效性。

基于matlab的公路裂纹检测方法 裂缝检测

行人检测是实现智能交通与客流监控的关键技术，深度学习方法训练模型已经在行人检测领域取得了良好的效果。但是当训练样本质量不佳时，训练的模型往往不能得到令人满意的效果。为了提高雾霾天气与曝光较强环境下的行人检测效果，提出了将暗通道去雾算法应用于深度学习的样本预处理中，并使用快速深度卷积神经网络训练行人检测模型。在实验中，首先对10000张样本图片采用暗通道去雾算法进行预处理，之后分别使用有无暗通道去雾算法预处理的样本图片训练模型，最后比较这两种模型在不同场景下的模型检测准确率。实验结果表明，使用暗通道去雾预处理后的样本训练得到的深度模型具有更好的检测效果，在多种场景下的检测率都得到提升。

本文针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题，提出了一种基于MTCNN-PFLD-LSTM深度学习的司机疲劳驾驶检测方法。该方法利用深度学习技术对驾驶员的面部特征进行提取和分析，通过LSTM模型对驾驶员的疲劳状态进行判断和预测。实验结果表明，该方法具有较高的检测准确率和效率，能够有效地检测司机的疲劳驾驶状态，具有一定的实用性和推广价值。

最近两周由于忙于个人项目，一直未发言了，实在是太荒凉了。。。。，上周由于项目，见到Python的应用极为广泛，用起来也特别顺手，于是小编也开始着手学习Python,…下面我就汇报下今天的学习成果吧 小编运行环境unbuntu 14.0.4 首先我们先安装一下Python呗，我用的2.7，其实特别简单，一行指令就ＯＫ sudo apt-get install python-dev 一般安装系统的时候其实python已经自带了，这步基本可以不用做，ＯＫ，我们继续往下走吧，安装python-opencv ,稍后我们需要用到opencv的库，一行指令即可，这也是小编特别喜欢linux的原因： sudo

针对突发信号检测中能量检测方法检测概率低、循环平稳检测方法计算复杂等问题，为提高检测性能和处理实时性，提出了 一种适用于多信道突发信号的低复杂度联合检测方法。该方法依据初始能量检测的判决结果，对可能存在突发信号的频谱集合采用了一种频域简化的循环平稳检测方法，并依据判决流程给出了与传统方法在检测正确率和运算量上的对比函数。理论分析和仿真结果表明，该联合检测方法可有效提高突发信号的检测概率并降低计算复杂度。

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题，提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域，并对原图相应的目标位置进行标记和归一化处理，提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别，将提取的候选区域送入改进的AlexNet进行特征提取和预测，得到最终检测结果。分水岭方法可大大减少候选区域检测时间，以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据，并对其平移缩放形成的数据集进行仿真实验。结果表明，标记分水岭与深度CNN的结合，可有效识别船只目标，所提方法具有良好的性能，能够更加快速准确地识别红外船只目标。