产品详细介绍系统概述： 本系统采用最先进的图像（人脸、色彩、物体移动趋势等多种方案联动）跟踪方案，其优势部分在于其跟踪策略的组合及配置（多位优质课专家参于设计，并在数千堂实况课实时测试更新），配合其它厂家的录播主机可满足智能跟踪系统的需求，学生和教师跟踪主机可分别单独使用，同时使用可以达到最佳的无人值守的学生及教师跟踪轨迹，是目前教育市场上最佳的图像跟踪方案，此方案的跟踪策略完全由主机智能分析完成，兼容市面大部分主机厂家录播主机，不需要录播厂商或系统集成商二次开发。 教师跟踪主机（型号：WIS-ITRACE-T01）： 学生跟踪部分（型号：WIS-ITRACE-S01）：     功能简述： l         平滑的教师跟踪、清晰的板书跟踪、准确的学生跟踪; l         自带窗口化调试工具，安装调试及使用调试，有基本电脑常识的老师即可设置; l         满足教学PC的鼠标键盘移动侦测响应; l         灵活的摄像机拉近拉选，可用鼠标的滚轮来按制，像操作窗口滚动条一样拉近拉选; l         简单的云台控制，实现平滑的画面感且可设定移动速度 l         快捷的场景切换，可预置远中近和全景四个场景，由快捷按钮一键实现 l         方便配合云台的预置位，而且可以用鼠标光标直观控制，人机操作方便   系统特点： 1、  教师跟踪模式：智能图像识别，直接对录制视频图像进行分析，老师讲课时无需佩戴任何定位设备，也无需安装任何红外、超声波、射频发射器以及图像辅助定位摄像机，实现常态化教学（含板书跟踪、鼠标移动侦测）； 2、  学生机跟踪模式：由一台广角全景定位摄像机和跟踪摄像机组成，定位摄像机监控整个教室内学生起立和举手动作并控制跟踪摄像同进行追踪和定位，准确度较其它跟踪方案高，且安装简单； 3、  跟踪距离：2M～50M（视摄像机的焦距能力而定）； 4、  跟踪角度：0～355度； 5、  最小跟踪目标：≥4*4像素； 6、  抗干扰能力：采用领先的人体特征跟踪算法，完全不受光线、声音、电磁等外在的环境影响； 7、  定位与实时：自动识别目标位置，定位精确，多种跟踪策略可选，并可自定义跟踪策略； 8、  标准1U机架式设备，功耗低，稳定性强，兼容性强，标准化云台接口，支持多种云台设备； 9、  支持高清摄像机的方案；   方案的对比   智能图像跟踪系统 红外跟踪 超声波 图像流畅度 流畅 不流畅 不流畅 定位准确度 误差<2% 误差>10% 误差>20% 抗干扰性 强 太阳光，热光源都会差生干扰 有辐射，对人体有害 安装难易 简单，只装摄像机，安装调试半天 复杂，还要安装发射和接收，一般2-3天 复杂，安装接收和发射，一般2-3天 产品升级 容易，更新主机即可 困难 困难 系统组成部分 跟踪主机独立完成 需辅助设备 需辅助设备 实时跟踪，目标跟踪 350度跟踪目标，不会丢失，跟踪流畅 角度受限，有盲区 角度90度左右，有盲区   主机参数： l         通迅、管理、扩展接口：RS232 l         视频接口：CVBS l         电源：AC 5V   主机应用： l         精品录播课程 l         多媒体教学 l         校园电视台 l         手术示教 l         微格教室 l         优质课评选 l         各种会议 l         指挥调度  

本发明公开了一种基于多尺度大核卷积双残差神经网络的超分辨率图像重建方法，适用于图像处理领域，包括以下步骤：对数据集进行裁剪，将裁剪后原始低分辨率图像输入到预处理模块中，进行图像归一化和数据增强操作，生成预处理后的低分辨率图像；预处理后的低分辨率图像组成失真图像块数据集，构成训练集、验证集和测试集；根据已有的失真图像块数据集，构建一个基于多尺度大核卷积双残差神经网络的超分辨率图像重建方法；将数据集输入到构建的多尺度大核卷积双残差神经网络中分提取语义特征，并用模型的上采样模块对特征图进行放大，生成超分辨率图像。本方法引入多尺度大核卷积与双残差结构，在神经网络中使用视觉注意力机制，提取的特征更符合人类视觉感知特性，使图像超分辨率图像重建更加准确。

小试阶段/n钢板表面质量检测经历了人工目测检测、传统无损检测和基于机器视觉检测的三个发展阶段。人工目视检测表面缺陷的方法效率低、容易漏检、劳动强度大和实时性差。传统无损检测方法包括涡流检测、红外检测、漏磁检测和激光检测等, 这些方法检到的缺陷类型少, 检测实时性不强, 检测的表面缺陷分辨率也不高, 无法有效评估产品的表面质量状况。本技术涉及一种基于多流形学习的带钢表面缺陷识别方法。其方案是：对于任一副带钢表面缺陷图像向量化的向量数据点分别选择类别相同和类别不同的K 个近邻点建立对应的同类数据子图和异

成果简介：超分辨率图像重建技术是近年来发展迅速的图像处理新技术，其 目的是超越成像传感器、成像和信道的分辨极限，利用所获低分辨率图像， 实现高分辨率图像的重建。超高分辨率图像增强与显示芯片项目利用超分辨 率图像实时处理技术，实现从一幅或多幅低分辨率视频图像处理获得高分辨率图像，在图像被放大的同时增强图像更多的细节，提高图像的清晰度和分 辨率，实现摄像传感器的低分辨率与显示器高分辨率之间的匹配，解决目前 图像获取与显示分辨率不匹配的瓶颈问题，在现有图

本发明公开了一种鲁棒的图像对称轴检测定位方法，具体包括(1)图像边缘提取；(2)边缘点梯度计算；(3)边缘点对的中垂线方向及权值计算；(4)极坐标映射，寻找最优对称轴。本发明利用了对称图像边缘点梯度方向的对称性，针对边缘点集，计算任意两边缘点的中垂线，根据梯度方向计算该中垂线的映射权值，形成待选中轴线；利用了Hough 变换的映射机制，使用标准极坐标公式描述所有的待选中轴线，在对应的极坐标位置上累加映射权值，选择权值

基于事件驱动方式的仿生视觉图像传感器，用于高速场景的拍摄 一、项目分类 关键核心技术突破、显著效益成果转化 二、成果简介 随着虚拟现实（VR）、增强现实（AR）和混合虚拟增强现实（MR）技术、自动驾驶、物联网以及机器视觉等领域的飞速发展，对图像传感器的采集速度提出了更高的要求。传统基于“帧”扫描形式的CMOS 或 CCD 图像传感器较难满足高速运动物体的拍摄需求，若提高相机的图像采集帧率，则需要采用高性能且结构复杂的模数转换器，大量的图像会带来较大的数据冗余，此外，也会面临功耗高的问题。 相比于传统的光电和图像传感器，生物视网膜具有许多不可比拟的优势。视网膜中的光感受器可根据外界光强的变化自适应调节增益，能够感知超过 180dB 的光强范围。另外，视网膜基于事件驱动式的采集方式，仅输出场景中光强发生变化的信息，因而，能够滤除低频信息带来的冗余。在信号处理和传输上，采用异步通信的方式，通过神经节细胞将光强信息转换为时空脉冲信号，实现低功耗。 受到生物视网膜的启发，研究人员提出了基于事件驱动方式的仿生视觉图像传感器，用于高速场景的拍摄。该类传感器多采用对数像素电路作为光强探测单元，因其动态响应范围宽，可随机读取。然而，对数电路在弱光环境下灵敏度低，几乎没有光响应，即仍然无法模仿视网膜弱光下的高灵敏度，除此之外，其输出受到 (Fixed Pattern Noise，FPN)的影响，降低了图像质量。 我们提出了一种兼容 CMOS 工艺的光敏二极管体偏置场效应晶体管器件(PD- body biased MOSFET，简称 PD-MOS)，其结构图和等效电路如图 1所示。 利用 PD 的感光特性以及 MOSFET 的正向衬底偏置效应实现集成光强探测及信号放大于一体的光电器件。该器件可解决对数电路在弱光下灵敏度低的问题，并且提出了一种明暗传感器的方案以降低噪声。设计成像测试方案并搭建静态图像采集测试系统，实现静态显示，通过 MTALAB 进行图像恢复从而实现动态图像显示功能。   图 1 (a) PD-MOS 器件结构及其 (b) 等效电路图 经过商用 180nm CMOS 工艺流程制备后的器件概貌如图 2 所示，图 (a) 为三种不同像素设计的芯片实物图，从上至下分别为环形结构、条形结构及对数像素电路，将其中的环形结构在显微镜下放大观察可看到图 (b) 所示的形貌，图 (c) 为4个像素的显微图。   图 2 (a) PD-MOS 成像阵列芯片的实物图，(b) 环形结构芯片在显微镜下的放大图以及 (c) 环形结构像素放大图 上位机实时显示效果如图3所示，可以明显看出两根头发相交。子图 (a) 为暗态时的 100 帧平均灰度图，子图 (b) 为暗态时的曲面图，子图 (c) (e) (g) (i) 为光态下的图，子图 (d) (f) (h) (j) 为光态下的图像数据减去暗态下图像数据的降噪图，可以发现在30nw/cm2 辐照度下已经出现头发的轮廓，当辐照度继续增加，头发的轮廓越来越清晰，当辐照度达到 3mw/cm2，仍然可以看到头发的轮廓。   图 3 阵列芯片采集的图像 不同于传统计算机视觉系统的图像采集方式，生物视觉系统的成像由视野场景中发生的事件触发，且生物视网膜具有宽动态响应范围、超低功耗以及异步传输等特点，这为仿生视觉系统的研究提供了全新的思路。随着物联网、自动驾驶以及安防等领域的快速发展，它们对高速动态图像传感器的需求也日益提升。近些年，针对这些需求，研究人员提出了一种用于采集高速动态信息的类视网膜相机，成为了一大热点研究方向。类视网膜相机的工作原理模拟了生物视网膜事件驱动型的采集方式及异步型的传输模式，为动态视觉成像提供了硬件基础。综上，该类传感器的研究具有十分重要的科研意义和深远的经济价值。

本发明公开了一种可见光宽带光谱图像配准方法，包括对图像进行灰度化、去噪和降采样处理，利 用 SIFT 算法提取图像特征点并构造特征描述算子;通过 k-d 树最近邻方法对特征点进行匹配，对匹配 特征点进行坐标升采样处理;根据图像退化阈值 T，利用欧式距离对错误匹配点进行约束，获得约束后 匹配点集 ΩN;对约束后匹配点集进行 m 对匹配点空间均匀采样，获得均匀分布的匹配点集 Ωm;利用最 小二乘方法求解图像放射变换参数矩阵 Tm，利用 Tm 对待配准图像进行坐标变换和双线性插值计算;以 参考图像和配准图像的互信息 MIm 作为评价指标，锁定最大互信息 MImax 对应的配准图像，实现可见光 宽带光谱图像的配准。本发明能显著降低错误匹配点数目、提高图像配准精度。

本发明涉及一种基于交替优化和序列化正交匹配追踪的SAR图像散射中心参数估计方法，包括以下步骤：获取原始SAR图像并进行预处理，得到原始频域回波数据；根据原始频域回波数据，使用点散射中心模型和OMP算法初始化目标散射中心所在的重点区域，得到初始散射中心位置参数集合和初始散射中心能量占比；根据初始散射中心位置参数集合和初始散射中心能量占比，基于属性散射中心模型和SOMP算法进行属性参数提取，输出散射中心属性参数估计结果、散射中心系数估计结果和散射中心能量占比序列。与现有技术相比，本发明能高效的提取散射中心参数，获取有意义的目标散射部件属性信息。

本发明公开了一种基于多核处理器的高速印花机图像数据旋转处理系统，包括数据接收设备、数据解析处理设备、数据传输通道和数据输出设备。本发明还公开了一种基于多核处理器的高速印花机图像数据旋转处理方法，其通过以太网接口接收数据，利用处理器的多个核并行处理数据，由FPGA实现数据的输出。相比现有技术，本发明系统及方法能够大大提高数据的旋转效率以及吞吐量，从而实现数码印花机的高效能产出。

本发明公开了一种基于多核处理器的高速印花机图像数据旋转处理系统，包括数据接收设备、数据解析处理设备、数据传输通道和数据输出设备。本发明还公开了一种基于多核处理器的高速印花机图像数据旋转处理方法，其通过以太网接口接收数据，利用处理器的多个核并行处理数据，由FPGA实现数据的输出。相比现有技术，本发明系统及方法能够大大提高数据的旋转效率以及吞吐量，从而实现数码印花机的高效能产出。