本发明公开了一种行人重识别的度量学习方法和系统，其中方法的实现包括：收集两个摄像头下行人目标的特征向量，建立正样本对特征向量集合和负样本对特征向量集合，计算正、负样本对特征向量的距离，对正样本对特征向量进行单阈值约束，对负样本对特征向量采用双阈值进行约束，在正、负样本对特征向量的距离约束条件下建立基于度量矩阵的损失函数，以损失函数值最小为目标迭代更新度量矩阵，这种方法可以有效的减轻图像背景、噪声等无关变量对矩阵

采用高性能四百万像素1/1.8英寸CMOS图像传感器，低照度效果好，图像清晰度高 内置高性能GPU模块，采用深度学习算法，极大的提升了目标的检出率。 可输出400万（2688×1520）@30fps 支持H.265编码，压缩比高，超低码流 支持走廊模式，宽动态，3D降噪，强光抑制，背光补偿，数字水印，适用不同监控环境 支持ROI，SVC，SMART H.264/H.265，帧前滤波，灵活编码，适用不同带宽和存储环境 支持四种智能资源切换：通用行为分析、人脸检测、车辆检测、人数统计 通用行为分析：支持区域入侵，绊线入侵，快速移动（三项均支持人车分类及精准检测），物品遗留，物品搬移，徘徊检测，人员聚集，停车检测，热度图 人脸检测；支持同时检测32张人脸，对运动人脸进行检测、跟踪、抓拍、优选，输出最优的人脸抓图；支持人脸增强，人脸曝光，人脸属性提取 车辆检测；支持正向/背向行驶车辆抓拍，并跟踪、优选、抓拍，上报最优的抓图；支持车牌、车牌颜色、车标、车系、车身颜色、车辆类型 人数统计：支持区域内人数统计，进入/离开人数统计，并可生成人数统计日/月/年报表，导出使用 支持多种异常检测：动态检测，视频遮挡，场景变更，音频异常侦测，无SD卡，SD卡空间不足，SD卡出错，网络断开，IP冲突，非法访问，电压检测 支持报警2进1出，音频1进1出，485，BNC，256G SD卡 支持AC24V/DC12V/POE供电方式，方便工程安装 类别 参数 参数值 外观 标准枪 传感器类型 1/1.8英寸CMOS 像素 400万 最大分辨率 2688×1520 扫描方式 逐行扫描 电子快门 1/3s~1/100000s（可手动或自动调节） 信噪比 ＞56dB 强光抑制 支持 后焦调节 支持(ABF) 通用行为分析 物品遗留；物品搬移 热度图 支持 智能 支持 深度智能 支持 周界防范 绊线入侵；区域入侵；快速移动（三项均支持人车分类及精准检测）；停车检测；徘徊检测；人员聚集 人脸抓拍 支持 人脸检测 支持人脸检测；支持跟踪；支持优选；支持抓拍；支持上报最优的人脸抓图；支持人脸增强，支持人脸曝光；支持人脸属性提取，支持7种属性8种表情：性别，年龄，眼镜，表情（高兴、惊讶、 正常、 愤怒、悲伤、厌恶、困惑 、害怕），口罩，肤色，胡子；支持人脸抠图区域可设：人脸，单寸照；支持实时抓拍；支持优选抓拍；支持质量优先三种抓拍策略；支持人脸角度过滤功能；支持优选时长可设 人数统计 支持对进入、离开以及经过的人员进行数量统计，支持区域内人员进行数量统计，并可显示及输出日、周、月、年统计报表 视频结构化 支持机动车；支持跟踪；支持优选；支持抓拍；支持上报最优的抓图 机动车属性（车牌，车辆类型，车身颜色，车牌颜色，车标，车系） 智能检索 配合Smart NVR实现事件录像的二次智能检索、分析和浓缩播放 H.265 支持

通过人脸检测模块对输入图像进行预处理，自动而准确地定位人脸所在位置并分割出相应的人脸 区域，对人脸面部图像进行特征提取，利用模式分类器进行性别识别。

（1）开发工业字符自动识别算法，有效对旋转、变形、缺失字符进行准确识别，实现自动物流跟踪；（2）支持面喷、侧喷、钢印和手写字符的识别；（3）支持自定义字库，语法，多点同步识别；（4）识别算法对喷印质量没有要求，识别准确率为：对人工能进行识别的字符整体识别正确率为 99%。

场景文字检测与识别是指将自然场景中出现的文字信息识别出来。具体来讲其包含两个部分（如图1）：文字检测和文字识别。在现实生活中，场景文字检测与识别的应用十分广泛。

一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 学号 高志豪 计算机学院/物联网工程 2017年/2021年 201731064410 林钟煇 计算机学院/物联网工程 2018年/2022年 201831064119 阳旭菻 计算机学院/计算机科学与技术 2018年/2022年 201831062525 李沛键 计算机学院/物联网工程 2018年/2022年 201831064115 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 陈雁 计算机科学学院 副教授 人工智能、复杂网络、能源与人工智能交叉领域 刘忠慧 计算机科学学院 副教授 机器学习、人工智能、形式概念分析 四、项目简介 美国海相页岩气藏的成功勘探开发，展现了页岩气的巨大潜力和发展空间，同时也极大地促进了页岩储层微观结构表征分析技术的发展，通过页岩岩心薄片观察底层形态、确定底层数据，是页岩气勘探开采中的重要一环。页岩储层的孔隙作为页岩组分的一个重要部分，其结构特征直接影响着储层剩余储量的剩余油的分布，因此，对页岩薄片孔隙的形状和类型进行研究是十分必要的。但在目前，页岩薄片只能靠人工鉴定，这种方法工作量大，效率低，且主观性强，误差较大。深度学习是近年发展起来的具有多层次特征抽象归纳与知识发现能力的机器学习算法，目前已经被广泛应用到了语音识别、计算机视觉、自然语言处理等众多领域。在地质和岩石物理领域也有了初步的应用，深度学习方法在地质数据的特征提取及预测识别方面有着广阔的应用前景，本项目组将会开发页岩薄片智能平台，通过机器学习算法来学习专家知识，自动识别孔隙类型，这样就可以大大提高效率，节省人力。

成果描述：本发明申请要解决的问题是，在偏僻的野外或者野生动物保护区，对珍稀物种检出，从而追踪它们的生活轨迹，或者在某些仓库农场对破坏储存物的害虫或者家养动物的天敌的检出是非常重要的。本专利建立一种实时的基于生物声音的只能检测方法，分析提取了动物声音的时域特征，频域特征，通过对特征的分析、分类，及时有效的检测出生物的运动痕迹。市场前景分析：生物活动轨迹的追踪有着重大的现实意义，在粮食以及动物保护方面有着非常广泛的作用。本发明着重从声音的频域、时域进行特征提取，然后选取特征组合，对特征进行有效的分类。研究实验表明，本算法的平均准确率达到89.9%。与同类成果相比的优势分析：本篇专利提出的识别系统的流程在原有的基础上增加了两个环节，即流程成为：预处理->声音提取->特征提取->特征选择->模型训练；并且还提出了新的算法，采用了许多最近提出的特征，比如MFCC[6-9]。经实验验证，本文提出的方法相比之前的方法正确率提高了20%左右，达到了89.9%。

本系统利用无线传感器网络技术（Wireless Sensor Networks, WSNs）实现对监控区域泄漏的化工气体进行实时监测和全局分析，主要涉及对有害气体的扩散边界追踪、有害气体泄漏源的推测。系统突破了相关研究中仅报告连续目标内边界（图1中节点Na到Ne组成的区域）的局限性，重点转向保证边界识别精度的前提下，根据边界特征最小化气体外边界区域中的节点个数（筛选节点N1到N8中的冗余节点），完成气体的边界识别与追踪，实现安全定位。

本发明公开了一种基于射频识别的人机交互系统及方法，人机 交互系统包括交互屏、协调器、读写器、卡套以及主机，交互屏由依 次连接的触摸屏、显示屏和射频天线层构成；协调器与天线层连接， 读写器与协调器连接；卡套包括指套以及位于指套中且携带有信息的 卡片，主机与读写器和交互屏连接，用于控制交互屏准确定位触点位 置、控制触点位置附近的天线开启、控制读写器检测卡套中卡片的信 息以及将触点和卡片信息绑定。本发明通过触摸屏感知用户触