本发明公开了一种人民币冠字码识别方法，属于模式识别技术·702·领域，可用于多种应用背景下印刷体字符识别。本发明包括：首先获取人民币图像的倾斜角和朝向、版本、角点位置等信息，剔除背面图像；其次在校正归一化人民币图像的同时进行冠字码区域的初定位，三个过程同时完成，节约了时间和空间成本，剔除大量冗余信息；然后使用基于穿越度特征算法对初定位的冠字码进行精确定位，并采用基于滑动窗口评价函数法将字符串分割为单个字

成果完成年份：2010年7月 成果简介：本项目面向交通管理行业，基于公共视频监控数据源，快速感知移动（运动）目标并在此基础上对车辆的异常行为进行识别（逆行、压线、违法掉头、违停、违法占道行驶等多种交通违法行为），同时能够记录移动轨迹，具体场景参照附件所提供的一组照片。该成果经过完善和产品（产业化）后，可以直接为城市交通管理提供技术支持。 项目来源：自行开发 技术领域：信息技术 应用范围：城市交通管理 现状特点：国内领先

电信诈骗是指犯罪分子通过电话、网络方式，编造虚假信息，设置骗局，对受害人实施远程、非接触式诈骗，诱使受害人给犯罪分子打款或转账的犯罪行为。本项目针对广义电信诈骗提出解决方案，即针对通话语音、网络语音等形式进行金融诈骗。诈骗受害方包括个人客户及银行、保险、网贷公司和潜在的网络银行等企业客户。

本发明公开了一种飞行器地面运动目标红外图像识别装置，所述装置包括红外图像非均匀性校正模块、图像旋转模块、图像配准模块、多级滤波模块、连通域标记模块、目标检测与特征识别模块、流程控制模块以及 FPGA 实现的互联模块。本发明采用图像处理和目标识别专用 ASIC/SoC 芯片、通用 DSP 处理器和 FPGA 处理器，完成不同层次的图像处理和目标识别算法，提高系统并行度、实时性，实时地实现了飞行器地面运动目标红外图像识别

成果简介视觉识别设计（VI） 是企业形象识别系统（CI） 的可视化识别,它透过一切可见的视觉符号对个传达企业的经营理念及情报信息。 在企业形象识别系统（CI） 中， 视觉识别设计（VI） 是最外在、 最直接、 最具有传播力和感染力的部分。 VI 设计是将企业标志的基本要素， 以强力方针及管理系统有效地展开， 形成企业固有的视觉形象， 是透过视觉符号的设计统一化来传达精神与经营理念，有效地推广企业及其产品的知名度和形象。成熟程度和所需建设条件本课

成果简介通过光度计采集不同偏光下焦炭显微图像， 采用图像处理的方法焦炭提取图像中颜色、 纹理、 分形、 区域及边界等特征， 并采用模式识别的方法， 实现焦炭光学组织的自动分类与识别。成熟程度和所需建设条件硬件平台及软件系统均已构建， 算法已得到实验验证。 作为成熟产品， 软件尚需要进一步优化， 软硬件需要联调。技术指标识别准确率： 各向同性与各向异性>95%， 片状 98%， 纤维状 99%， 镶嵌状>95%。

ASV-Subtools的设计理念在于代码高度复用的同时保持模块分化和开发自由，因此具有高效性、可读性、通用性、灵活性四大特性。使用者可以轻松上手并只需通过简单的编辑配置文件就能探索不同的网络架构，实现最优异的性能。 一、项目分类 关键核心技术突破 二、成果简介 声纹识别是指从说话人的语音信号中提取声纹特征，并通过有效的分类识别模型，对说话人的身份进行校验和鉴别。声纹识别广泛应用于刑侦、人机交互声纹口令验证、银行声纹身份验证等领域。得益于深度学习的发展，声纹识别的性能在不断提升，但落地难度也相应提高。 ASV-Subtools是厦门大学智能语音实验室（XMUSPEECH）于2020年6月推出的一套高效、易于扩展的声纹识别开源工具，该工具是基于Kaldi与Pytorch开发的，充分结合了Kaldi 在语音信号和后端处理的高效性以及PyTorch 开发和训练神经网络的便捷灵活性。自开源以来，ASV-Subtools就以卓越的性能和灵活便捷的框架受到国内外重点科研院所和研发人员的青睐。 ASV-Subtools的设计理念在于代码高度复用的同时保持模块分化和开发自由，因此具有高效性、可读性、通用性、灵活性四大特性。使用者可以轻松上手并只需通过简单的编辑配置文件就能探索不同的网络架构，实现最优异的性能。 相较于语音领域的其他开源工具，ASV-Subtools专注于声纹领域的研究，不仅先后为东方语种、CNSRC等国内外知名竞赛中提供基线系统和技术支持，同时在声纹领域公开的VoxCeleb数据集上也在不断刷新着SOTA的结果。 为了加快声纹产品的落地，厦门大学智能语音实验室（XMUSPEECH）与厦门天聪智能软件有限公司（TalentedSoft）合作，共同为ASV-Subtools的开发与更新做出贡献。目前ASV-Subtools已打通声纹识别从算法研究到产品落地的全流程，技术成熟度已达到可以量产的水平。     GitHub：https://github.com/Snowdar/asv-subtools

脑电信号（EEG）可以反馈人类情绪对应的电位变化，这为情绪识别提供了一条可行的路径。脑电信号幅值低，易受到外界噪声干扰，获取高保真度的脑电信号是实现情绪识别的基础。 一、项目分类 关键核心技术突破 二、成果简介 情绪可以有效反映人的生理和心理状态，在日常生活中起着举足轻重的作用。然而与情绪密切相关的多种疾病，具有隐蔽性，难以提前预防，对患者的生活造成很大困扰。由于脑电信号（EEG）可以反馈人类情绪对应的电位变化，这为情绪识别提供了一条可行的路径。脑电信号幅值低，易受到外界噪声干扰，获取高保真度的脑电信号是实现情绪识别的基础。目前用于脑机接口的数据采集设备通常为多通道刚性电极集成的脑电帽，其便携性和佩戴舒适性较差，易受运动伪影的影响。此外，脑电信号的非平稳性和个体间存在域转移问题，也会导致分类准确性下降。因此，在确保的脑电采集设备佩戴舒适性和便携性的同时，实现高质量信号的采集和高精度的情绪分类仍然存在重大挑战。近年来，开发高性能的柔性表皮电极成为研究热点。如何降低电极的接触阻抗，进一步提高电极在极端变形、出汗、运动、高湿度等复杂条件下，稳定采集高质量电生理信号的能力成为研究关键。

本发明公开了一种基于噪声识别的红外图像降噪方法，本方法引入了噪声识别的基本思想，分别计 算了当前像素基于截尾均值的和基于梯度的隶属度，考察当前像素受噪声干扰的程度，采用联合判据判 断当前像素是否为噪声像素，最后根据判断结果进行降噪，实现对红外图像的降噪。本发明计算量小， 易于实时实现;相对传统算法能更有效的保护图像边缘与细节;在对噪声点进行降噪的过程中也考虑了 图像的纹理梯度信息，更为准确的对原有信号进行估计。

主要功能和应用领域： 本技术可实现人粪便样本显微镜检有型成分图像的自动识别与分类，利用计算机图像处理、模式识别及人工智能的理论与技术，对显微镜下拍摄到的粪便样本图像进行研究，通过对各种有型成分形态和颜色信息等进行特征匹配与分类计数，分别标示出红细胞、白细胞、虫卵和真菌孢子等不同种类的有型成分，从而达到在线自动识别有型成分的目的，作为医院临床诊断的依据。该技术可扩展应用于医院尿液、白带、脑脊液、胸腹水、胃液、精液等常规检查，并可用于脱落细胞学的癌及癌前病变检测及分析。 特色及先进性： 1）复杂背景环境下的自动识别。采用自适应双闭值分割算法进行粗分割，提取出ROI区域中的单个细胞或细胞群作为分析目标，细胞图像的精细分割将在每个ROI区域里完成，极大地减少了数据运算量。 2）针对形态各异和边缘模糊图像的精准分割。针对有型成分的显微生物图像特点，去除边界拓扑结构复杂、细胞各组成区域内灰度不均匀以及成像易受噪声干扰等因素的影响，基于Chan一Vese模型，提出几何活动轮廓模型方法，使用几个独立的水平集进行有型成分图像的分割，与传统分割方法对比准确率提升30%。 3）针对种类繁多的神经网络集成识别。基于普通神经网络泛化能力不高的问题，提出利用有限个神经网络进行集成并将其结果进行合成，显著的提高整个分类学习器的泛化能力，提高了整个系统的识别能力。 4）采用重叠分离算法精准分类。有型成分分离、细胞个数的准确读取决定了整个系统的精准程度。通过寻找到合适的分离点并构建分离线，实现重叠区域的快速合理分离，从而将粘连、重叠的细胞分离开来，并进行准确计数。 技术指标： 有型成分 漏检率 误检率 白细胞 5% 15% 脓球 20% 30% 吞噬细胞 20% 30% 红细胞 5% 15% 孢子 15% 25% 夏科雷登结晶 10% 10% 寄生虫 5% 15% 脂肪球 10% 15% 单张图片检测时间：＜0.5 s 关键问题和实施效果 现今国内大多数医院和研究单位对生物细胞或微生物病菌等检测还是采用人工处理的方式，即将样品制成涂片，在显微镜下观察并根据大小、形状等特征进行分类计数以得到数据结果，医务人员再通过这些数据结果凭借自身的知识和经验诊断病症或得出研究数据。该技术能够实现样本显微镜检有型成分的自动识别，满足了临床开展常规及特殊检测需要，使得生物检测在自动化、无异味、无危险性的情况下进行，提高了检测效率，改善工作环境，保护工作人员，降低检测成本和检测时间，提高在国际市场的竞争力，有利于医疗检测行业的智能化发展。该技术可识别的部分生物细胞图像如下图所示。 红细胞 白细胞 霉菌 虫卵