本系统是一套基于图像处理技术的炉膛火焰和汽包水位实时监测系统，结合图像处理技术和视频监控技术，对火焰图像，水位图像信息进行数字运算和处理，以提高图像显示的质量，并将处理过的视频信号送到工业电视上，保证让运行人员在控制室内能随时醒目的看到分层的火焰图像和清晰的水位棒图，降低了运行人员的劳动强度；同时，系统还可以实时记录特征参数，用曲线，表格等方式显示，并作为历史数据长期保存。另外，还具有报警和事故存盘功能。

H.264/AVC是ISO/IEC和ITU-T共同成立的联合视频组(Joint Video Team，JVT)制定的标准，它比MPEG-2提高了大约50%的压缩率，具有优异的压缩性能。但随着计算机网络技术的发展和数字产品应用需求的多样化，对视频编码技术的研究不再仅仅局限于压缩性能的提高，而开始逐渐向网络适应性、用户交互性等方面转移。 由于空域、时域、质量、复杂度和分辨率的可扩展性，近年来，基于小波的编解码器受到越来越多的关注。它不仅特别适合于网络视频传输，而且满足视频监控中资料的存储、检索和分析等种种特殊需求。本课题正是以小波视频编码性能的提高和高度的可扩展性为目标，深入研究其中涉及的诸多关键技术，构建了一个性能优越的视频编解码器原型系统，其率失真性能超过H.264/AVC，具有高度的可扩展性，设计的视频编解码器的复杂度明显低于H.264/AVC。

由于在影视特效制作、服装布料的虚拟展示、艺术和工业设计等方面的广泛应用，纹理替换正逐渐成为计算机图形学、视觉与图像及视频处理等诸多领域的研究热点。 我校的研究首先提出了一种基于网格优化的图像纹理替换算法。进而在国际上第一次提出可行的视频纹理替换方法，首先自适应选取若干关键帧进行纹理替换，进而借助网格跟踪把关键帧效果传递到视频的剩余帧，提出了网格的时空优化方法解决替换效果的抖动问题，利用

我校该项技术，克服由于能见度仪昂贵、架设困难导致不能对团雾及其他灾害性天气进行准确的检测，提出了基于路侧摄像机的视频能见度检测办法，可以在雨、雾、雪及烟尘等天气条件下，进行对能见度距离的检测。其目前已在江苏宁常镇溧高速上应用，其精度对人眼和能见度仪的检测的误差均在+10%之内，符合国家及国际相关标准。本发明及其应用可以得出路段区域的能见分布，对低于标准的区域实行封路或减速行驶，对于能见度较高的路段采取一定得防御措施，保证交通的畅通，将极大缓解由于能见

下显视频信号源用于某型战机的态势机和综合显示器测试，具有完备的下显视频信号输出能力，包括扫描视频信号和光栅视频信号。系统按桌面台式应用设计，以高可靠的CompactPCI总线进行结构设计和板卡配置，并以虚拟仪器技术进行功能集成，针对测试项目要求提供了多达14种必检视频显示画面。系统信号输出稳定清晰，操作使用直观方便。本成果为校企联合研制，已完成熟化阶段。

项目背景：随着国家政策的引导，城市的发展，各种建 设工程规模不断扩大，如何搞好现场施工现场管理，降低事 故发生频率，杜绝各种违规操作和不文明施工现象一直是施 工企业、政府管理部门关注的焦点。利用现代科技，AI 识别 技术，优化监控手段，实现对工地现场的各类问题实现实时 的、全过程的、不间断的监管。目前在工地智慧监管方面， 已经实现了对人员安全帽、危险区域的入侵等方面的视频监 控及 AI 分析，但是在对施工周边围挡监控、施工现场地面 硬化监控、施工现场物料堆放覆盖监控、施工现场出入车辆 清洗状况监控，AI 分析系统无法到达准确及有效的分析。需 要通过建立有效的数据模型，应用 AI 分析算法，实现对以 上问题的准确分析。 所需技术需求简要描述：1.AI 人工智能机器视觉分析 “深度学习”技术，实现视频分析、视频编解码等技术。2. 采用深度学习，高效识别准确率超 99.5%，支持目标大小阈 值设定，对光线、极端天气等不同应用场景环境适应性强， 检测速度快，运算成本低。  对技术提供方的要求:1.具有成功的 AI 识别、深度学习 方面的成功案例。2.对人工智能、大数据分析具有深入的研 究。3.技术方案成熟可靠稳定有创新思维，不涉及知识产权 侵犯。 

本发明公开了一种可伸缩式竖直运动箱体导向机构，包括用于容纳箱体做竖直运动的管道，以及设置于箱体上用于对箱体在所述管道内做竖直运动进行导向的导向装置。该导向装置为可伸缩式结构，包括设置于所述箱体侧壁面的导轨、设置在所述导轨上并可沿着导轨滑动的至少一个楔形滑块、抵靠在所述楔形滑块上与楔形滑块配合形成楔形调整机构的导向球，以及设置于所述导向球外侧用以约束导向球仅沿着垂直于箱体侧壁面的方向移动的导向球约束装置。通过驱动楔形滑块沿导轨滑动，使导向球朝向远离或者靠近箱体侧壁面的方向运动，以在竖直运动时抵靠在管道内壁实现导向，或在箱体进出竖直轨道时收缩远离管道内壁，从而能够避免与管道内壁的齿条形成干涉。

细菌通过多个趋化受体来感受周围不同的化学小分子，主动游动，实现获得更好的生长环境或者实现趋利避害。但不是强的正趋小分子都是很好的可利用营养物质—好闻的不一定有营养，同样，也不是容易代谢的营养就是强的趋化因子—有营养的不一定好闻。细菌在自然界中往往面临多种不同强弱的趋化小分子，多种不同可代谢程度的营养来源的复杂浓度梯度环境中，细菌群落是如何通过趋化行为抉择它们的去向，实现最优化它们的环境适应性与生长速度？细菌在个体与群体的选择上是否有不同？这一基于细菌的生物行为的研究也许对了解复杂的高等生物的群体行为也有所帮助。 北京大学物理学院欧阳颀院士领导的“生物物理”团队的罗春雄研究组在基于微流体细菌趋化分析芯片的实验研究中发现：在反向不同引诱物浓度梯度下，细菌首先趋向聚集于强引诱物而少营养的一端， 但当细胞密度超过一个阈值时，细菌群落部分“逃逸”强引诱物浓度场，游向趋化因子相对弱但可代谢物质富集的一端。这一现象被刻画为细菌群体运动的“逃逸相变行为”。罗春雄研究组通过与美国IBM沃森研究中心的涂豫海教授（北大定量生物学中心资深访问学者）合作，对此现象涉及的趋化受体间的协作行为进行了系统细致的理论分析和实验论证，发现营养物质通过数量较少的Tap趋化受体进行了响应行为，而且在较大的一个趋化响应参数空间均会出现由细菌密度超过临界密度而产生的逃逸条带（“Escape Band”）行为，该行为可以使得细菌群落在复杂的趋化物浓度场中获得更好的生长优势。相关的定量实验与理论研究以“The escape band in Escherichia coli chemotaxis in opposing attractant and nutrient gradients”为题于2019年1月23日在线发表于Proceedings of the National Academy of Sciences of the United States of America（PNAS）杂志上。细菌群体趋化运动的“逃逸相变行为” 文章第一作者为北京大学定量生物学中心博士研究生张玄麒,通讯作者为北京大学物理学院/定量生物学中心罗春雄教授及美国IBM沃森研究中心/定量生物学中心的涂豫海教授，参与人包括欧阳颀院士，前沿交叉学科研究院博士研究生司光伟，董一名，物理学院博士研究生陈凯悦。工作得到国家自然科学基金委、物理学院介观物理重点实验室、 北京大学定量生物学中心、北大-清华生命科学联合中心的支持。 工作原文连接: https://www.pnas.org/content/early/2019/01/22/1808200116

动作捕捉技术（motion capture）在影视、体育、安防等领域具有广泛应用。传统的动作捕捉分为两大类，光学动捕系统通过在采集环境部署多个红外摄像头，再在人员的动捕服上放置光学标记球来求解出采集者的姿态信息，从而实现对人体运动的捕捉与动画映射；惯性动捕系统通过惯性测量单元（IMU）来采集肢体的运动信息，采集设备相对更轻便，但采集精度不如光学动捕系统。光学动捕系统包括Motion Analysis，Vicon，Optitrack等，惯性动捕系统有Xsens，诺亦腾等。 然而，无论是光学动捕还是惯性动捕都需要动作人穿上特定的设备，不可避免地会影响到人体运动的真实性和动捕的使用范围。同时，相应的专业动捕设备往往价格不菲，很多有需求的小型工作室也会望而却步。因此，学术界和工业界都在极力研究“无标记运动捕捉”技术，即不需要任何穿戴设备，仅由相机观测和算法分析，就实现对多人体运动的实时准确捕捉。这种技术有着更加广泛的应用场景，例如无人售货超市、VR/AR游戏、远程全息通讯、数字人创建、虚拟主播、人机交互、全天候医疗监护等。 近几年，随着深度学习技术的广泛普及，无标记动捕领域也诞生了许多革命性技术，例如实时2D多人体关键点检测技术OpenPose等。然而，多目标实时3D运动捕捉仍然是一个极具挑战性的问题，主要挑战因素包括：如何实现实时计算，如何进行高效的多视角关联，如何解决紧密交互带来的观测失真等。举个例子，当两个人拥抱在一起的时候，当前大多数检测或重建算法都会失效。而理论上，多视角的观测信号能够在一定算法设计下互相补充，尽可能解决单视角运动重建的歧义性。如何充分利用多视角的视频信号，实现复杂、紧密交互场景下的多人体运动捕捉是当前无标记运动捕捉领域的核心问题之一。 该项目研究工作提出的多视角人体运动捕捉系统包括相机采集模块，2D姿态检测模块，4D关联图求解模块，三维骨架求解模块及渲染模块。其主要算法贡献在于提出并实现了4D Association算法。 当前的多视角运动捕捉系统大多采用的是序贯地匹配策略，首先对每个视角进行独立的人体检测和连接（例如，OpenPose检测关键点和关键点相互连接的概率，从而对人体进行连接；Mask-RCNN、AlphaPose和HRNet都需要先检测每个人的BoundingBox，然后对每个人进行独立的人体检测），然后对人体进行多视角关联和姿态求解，最后进行时域跟踪。这种常规方法的缺陷在于，当单个视角检测失败以后，后续的算法难以对失败的检测结果进行修正，从而将错误的检测传递到下一个步骤，影响跟踪效果，对于紧密交互（例如前文提到的两人拥抱）的情形，单视角的往往很难给出令人满意的检测结果，因此基于序贯式的算法一般会失效。 相较而言，该研究工作的创新性在于充分利用单图连接(2D)、多视角连接(1D)、和时域连接(1D)之间的相互约束从而进行全局优化，用多视角信息和时域信息来避免单视角连接的歧义性，同时也通过单视角连接结果来优化多视角的匹配，从而使得关联结果更趋向于全局最优。具体地，该研究工作提出了一种4D Graph的图结构，将上一帧的三维人体关键点（在初始帧或者人进入动捕范围的时候可以缺失，不影响算法的运行）和当前每一视角的2D关键点建模在同一个图结构中，用单图连接、多视角连接、时域连接的概率作为边的权值，将人体多视角关联的问题看成提取有效边的过程。为了快速地求解这个问题，进一步提出了一种基于完全子图的近似求解算法，高效地完成了从4D图结构中提出正确的人体连接。 最终，该研究工作实现了紧密交互下人体的三维姿态重建，并展示了实时系统效果。其算法在多个数据集上均表现出了良好的视觉效果，在Shelf数据集上也取得了当前最好的数值结果。