简介：

简介：丁福保、周云清编写的《四部总录·算法编》出版于1956年，它的结构是除了自己编撰的正文之外，又将梅文鼎、刘铎等人的书挑选后列入书目中，称为“补遗”，还将一些散见的书目收集起来作为“拾补”，从而使古算书目趋于完善。它的内容的最大特点是标明了所列书的存佚状况，并将一些书目按现代分类法进行了分类。

简介：摘 要 : 针对于当今监控系统大多只起拍摄作用而无智能监控手段的问题，提出了基于目标检测算法的智能监控系统。在运用目标检测算法与人脸检测算法的基础之上，利用这些算法实现了能够检测移动目标并进行图像之中人脸的检测与提取，从而当陌生人进入时系统能够精确识别。实现了智能化监控，极大提升了监控的准确性与安全性。 关键词：目标检测、人脸检测、 智能监控 引言 智能视频监控系统无需监控人员持续地盯着屏幕，减轻了工作人员的负担，并具有主动性和实时性的优势。智能视频监控系统的主要职责是利用计算机视觉技术从视频图像中检测、跟踪、识别人脸，并对该主体的行为进行理解。 一、系统设计原理 该系统在原视频系统的监控功能基础上，还增加了以下功能： 包括固定传感器布控预警、华为云平台 Atlas200DK智能摄像头、数据处理系统、可视化一体平台。其中可视化一体平台包括人员属性检测采集系统和视频结构化回溯系统实现人脸信息采集的智能化分析及预警。 （ 1）视频监控系统具有人脸识别能力。要求系统能够自动捕捉出入监控范围的人员脸部图像与数据库信息进行比对 , 并自动识别判断是否为可疑人员上传至数据库处理系统。数据处理系统通过算法模型进行人脸识别并与云数据库中的信息比对，若信息不匹配，则智能启动无人机，无人机将进行目标追踪。 （ 2）系统会将收集到的信息上传至可视化一体平台。固定摄像头拍摄图像信息上传到数据处理系统，数据处理系统通过数据处理算法和可视化数据分析上传至可视化一体平台。无人机拍摄可疑人员后自行处理并上传至可视化一体平台呈现给用户。 二、算法分析 2.1目标检测算法（ YOLO v3） YOLO v3采用帧间差分法进行图像提取，且采用多个 scale融合的方式做预测。原来的 YOLO v2有一个层叫： passthrough layer，假设最后提取的 feature map的 size是 13*13，那么这个层的作用就是将前面一层的 26*26的 feature map和本层的 13*13的 feature map进行连接，有点像 ResNet。当时这么操作也是为了加强 YOLO算法对小目标检测的精确度。这个思想在 YOLO v3中得到了进一步加强，在 YOLO v3中采用类似 FPN的 upsample和融合做法（最后融合了 3个 scale，其他两个 scale的大小分别是 26*26和 52*52），在多个 scale的 feature map上做检测，对于小目标的检测效果提升还是比较明显的。 YOLO v3中对前面两层得到的 feature map进行上采样 2倍，将更之前得到的 feature map与经过上采样得到的 feature map进行连接，这种方法可以让我们获得上采样层的语义信息以及更之前层的细粒度信息，将合并得到的 feature map经过几个卷积层处理最终得到一个之前层两倍大小的张量。 图 1 帧间差分法算法流程图

简介：摘要：根据对现实问题的分析，提出了具有载重和体积约束的车辆路径问题的数学模型，通过对节约算法的总结分析，指出原算法的不足，然后提出一种新的改进节约算法，并用改进算法来解决具有载重和体积约束的车辆路径问题，取得了良好的效果。

简介：摘 要：本文阐述了雷达跟踪系统中滤波器模型的建立方法，介绍了卡尔曼滤波器的工作原理，通过仿真方法，用卡尔曼滤波方法对单目标航迹进行预测，即搜索目标并记录目标的位置数据，对观测到的位置数据进行处理，自动生成航迹，并预测下一时刻目标的位置。基于此方法的仿真实验获得了较为满意的结果，可以应用于雷达目标跟踪定位。

简介：摘要：针对传统的图像匹配算法存在误匹配率高，特征提取信息也比较少的问题。本文基于 BOW+SVM框架组合设计并实现了物品识别算法。对目标物体利用无监督学习的方法构造目标物体的识别模型，再与环境图像进行识别模型的特征点匹配，最后确定并且框选出目标物品。使用 SURF算法将目标物品的特征点提取出来，再结合 FLANN算法、特征点二次筛选算法与 RANSAC算法对目标物体进行识别与框选。