识别材料范文（精选9篇）
识别材料 第1篇
1 实验部分
1.1 试剂与仪器
丙烯酰胺(AA),邻苯二甲酸二甲氧乙酯(DMOP),邻苯二甲酸二甲酯(DMP),邻苯二甲酸二丁酯(DBP),偶氮二异丁腈(AIBN,使用前重结晶),三羟甲基丙烷三甲基丙烯酸酯(TRIM),上海aladdin公司;无水乙醇,冰乙酸,二氯甲烷等均为分析纯,天津市富宇精细化工有限公司。
红外光谱仪(TENSOR 27型),德国布鲁克公司;紫外可见分光光度计(UV-2450型),日本津岛公司;真空干燥箱(DZ-3BC型),天津市泰斯特仪器有限公司; 索氏提取器(SZF-06A型),上海精隆科学仪器有限公司;漩涡混合仪(XW-80A微型),上海沪西分析仪器厂有限公司;超声波清洗器(SG8200APT型),上海冠特超声仪器有限公司;集热式恒温磁力搅拌器(DF-101S型),上海梅香仪器有限公司;恒速数显控制器(JHS-2190型)、恒速数显搅拌机,杭州仪表电机有限公司;台式离心机(TGL-16C型),上海安享科学仪器厂。
1.2 实验方法
1.2.1 DMOP印迹聚合物的制备
将1mmol DMOP和 5mmol AA 溶于10mL乙腈中,放置过夜,使模板分子与功能单体充分作用。加入0.04 g AIBN引发剂和 8mmol TRIM交联剂,超声振荡10min后,置于安培瓶中,通高纯度N2 除氧10min,用保鲜膜密封。于 60℃恒温水浴中聚合反应12 h,得白色聚合物。按同样方式同时制备不加模板分子的空白聚合物(NIP)。将聚合物用试样粉碎机粉碎,用标准筛筛分出其中粒径在50～100μm之间的颗粒。所得白色粉末用丙酮浮选3 次,每次浮选时将悬混液静置30min,弃去上清液中过细粒子。将沉淀物置于索氏提取器中,分别用乙酸含量为0、 10% 、30%的甲醇和0.1 mol/L的盐酸回流提取24 h,除去模板分子。提取后的颗粒在60℃下真空干燥8 h后备用。
1.2.2 模板与单体作用的紫外光谱实验
在乙腈溶剂中,固定DMOP的浓度为0.067mmol/L,将模板分子DMOP与功能单体AA按n(DMOP):n(AA)分别为1∶1、1∶3、1∶5、1∶7、1∶9配比配置预组装液,放置过夜。在200～500nm波长范围用紫外分光光度计扫描得到紫外吸收曲线。
1.2.3 吸附动力学实验
称取一系列等量的DMOP-MIP(每份30mg)于离心管中,分别加入相同浓度(200μmol /L)的DMOP乙醇溶液5.0mL,置于恒温振荡器中室温下震荡,取下不同吸附时间的混合液,以10000 rpm离心分离10min,用紫外分光光度计测定上清液中DMOP的浓度。按照Eq.1计算DMOP-MIP对DMO的吸附量Q,平行测定3次取平均值,以吸附量Q 对时间t作图。
undefined
式(1)中,Q 为单位吸附量(μmol/g),C0为吸附前DMOP的浓度(μmol/L),C为吸附后DMOP的浓度(μmol/L),V 为所取DMOP溶液的体积(L),m为所取DMOP-MIP的质量(g)。
1.2.4 平衡吸附量的测定
称取一系列等量(每份30mg)DMOP- MIP(或NIP)于离心管中,分别加入5. 0mL 不同浓度DMOP乙醇溶液,置于恒温振荡器中于室温下震荡4 h 后,以10000r/minm离心分离10min。分别移取上层清液0.50mL于5.0mL比色管中,用乙醇定容,采用紫外分光光度法测定上清液中对应DMOP的平衡浓度,再按照Eq.1计算其吸附量。DMOP-MIP及NIP对DMOP结构类似物吸附量的测定方法同上。
1.2.5 选择性吸附实验
选用DMOP的结构类似物DMP和DBP作为竞争结合底物考察DMOP-MIP对DMOP的吸附选择性。称取一系列等量(每份30mg)DMOP-MIP(或NIP)于离心管中,根据平衡结合实验方法,用静态分配系数KD(KD = CP/CS,其中CP表示底物在聚合物上的浓度,CS表示底物在溶液中的起始浓度)、分离因子α(α= KDi/KDj,i 和j 分别表示印迹分子和竞争底物)以及相对分离因子β(β定义为MIP的分离因子与NIP的分离因子的比值)来表征[7]。
2 结果与讨论
2.1 模板分子与功能单体结合作用分析
功能单体在印迹聚合物的形成过程中,主要参与和模板分子形成复合物的预聚合过程,这个过程是实现成功印迹的关键步骤。该复合物的形成过程可通过DMOP和AA紫外吸收光谱的变化进行观察,实验结果见图1。从紫外光谱图可知,当DMOP和AA混合一段时间后,AA在218nm处的吸收波长发生了红移,并且AA的浓度越大,红移幅度越大,吸收程度越强,这可能由于AA中存在极性强的酰胺基团,酰胺基团上的氢原子很容易与DMOP酯基和甲氧基上的氧原子形成氢键[8]。AA的浓度越高,氢键作用越高,此处的吸收峰也就越强。DMOP在209nm处的吸收带随着AA浓度的增加明显减弱,出现减色效应。这表明在DMOP和AA之间产生了结合作用,形成了比较稳定的DMOP- AA主客体复合物。
2.2 印迹聚合物的形成
根据红外光谱中各吸收峰的位置、强度和形状等信息可确定被测化合物的官能团和化学键。NIP、DMOP-MIP洗脱前和洗脱后的红外光谱见图2 。
3423/cm 左右较宽的中等强度吸收峰为酰胺基团中N-H伸缩振动峰,而1641～1260 /cm间的吸收峰为其弯曲振动峰。2875、2964/cm处的吸收峰归属于加入TRIM交联聚合形成的聚合物骨架结构上的-CH2-的伸缩振动和弯曲振动峰。1722/cm左右的强峰为C=O的伸缩振动峰,说明AA参与了交联聚合反应,在聚合物中引入了可以和DMOP作用的酰胺基团。1641/cm附近的C= C伸缩振动峰很小,可以说明功能单体AA和交联剂TRIM大部分进行了交联聚合,只有很少部分残留[9]。谱线b中,1722/cm处的C=O伸缩振动峰和2964/cm附近-CH2-的伸缩振动和弯曲振动峰比谱线a中相应峰有明显增强,带有二甲酸二甲氧乙酯单元的红外特征,同时在1464/cm处出现了芳环C=C吸收峰,这些是模板分子DMOP印迹到聚合物中的特征吸收峰。2352/cm处的吸收峰则归属于未洗净的溶剂乙腈中C≡N伸缩振动峰。当MIP洗脱模板分子后(图谱c),DMOP特征峰消失,3423/cm处酰胺基团中N-H 伸缩振动峰增强,表明实验洗脱效果较好,DMOP-MIP表现出良好的脱附性,能够实现再生和循环使用。
2.3 DMOP-MIP的吸附性能
2.3.1 DMOP-MIP的吸附动力学
DMOP-MIP的吸附动力学曲线见图3 。从图3可知,DMOP-MIP 对DMOP的吸附量在前180min 内增速较快,此后吸附速度逐渐减慢,240min左右基本接近饱和。在吸附开始阶段,位于DMOP-MIP表面较浅的孔穴有利于聚合物对DMOP的快速吸附,因而吸附量增加较快。当表面的孔穴达到吸附饱和后,DMOP向聚合物内部孔穴的传质受到一定的阻力,其吸附速度下降,吸附量增加较慢,240min 后内部结合点已基本结合完全,吸附也基本达到饱和。
2.3.2 DMOP-MIP的平衡结合实验
为了评价制备的DMOP-MIP对DMOP的结合能力,以平衡吸附实验测定了在室温下DMOP-MIP和NIP对模板分子的吸附容量。结果见图4,DMOP-MIP和NIP的吸附量均随着DMOP浓度的增加而增大。DMOP- MIP的吸附量明显大于NIP的吸附量,且二者的吸附量之差随溶液浓度的增加也有所增大。当DMOP的平衡浓度达到一定值时,平衡吸附容量几乎不再发生变化,即吸附达到饱和。DMOP-MIP和NIP对DMOP最大吸附量分别为18.2μmol /g和12.7μmol /g,表明DMOP-MIP对DMOP有较好的特异性吸附。
2.3.3 洗脱剂对DMOP-MIP吸附性能的影响
实验分别选用乙酸含量为0、10%、30%的甲醇溶液和0.1 mol/L的盐酸溶液为洗液对DMOP-MIP索氏提取24h。结果表明,洗脱后的DMOP-MIP再次吸附DMOP时,乙酸含量为10%的甲醇溶液洗脱后的DMOP-MIP吸附量最大,乙酸含量为30%的甲醇溶液次之,0.1 mol/L的盐酸溶液最小。说明洗脱剂洗脱DMOP过程中,并不是H+浓度越高越好。浓度高虽然有利于破坏DMOP-MIP中氢键,使得DMOP被洗脱下来,但较多的H+又占据了DMOP-MIP表面的活性位点,进而影响了DMOP-MIP的重复使用[10]。
2.3.4 DMOP-MIP的重复使用性能
为了考察DMOP-MIP吸附材料的重复使用性能,对DMOP-MIP进行了10次吸附-脱附循环实验。结果表明,随着吸附-脱附次数的增加,DMOP-MIP对DMOP的吸附容量逐渐减小,循环5次后,吸附容量为初次吸附容量的91.6%,循环10次后还能达到初次吸附容量的87.3%,说明制备的DMOP-MIP稳定性较好,具有较高的再生性能,可循环利用。
2.4 DMOP-MIP特异性吸附
DMOP-MIP对DMOP的选择吸附实验结果见表1。由表1可知,DMOP-MIP和NIP对DMOP、DMP、DBP的吸附性能有着较大的差异。DMOP-MIP对DMOP有较为明显的选择吸附的能力,其对DMP、DBP的分离因子α分别为1.73和1.39,而NIP对DMP、DBP的分离因子α为1.21和1.05。DMOP-MIP对DMOP的亲和力和选择性大于NIP,可以推断,DMOP-MIP对于模板分子的亲和作用来源于与DMOP相匹配的结合位点,并且由于结合位点和DMOP结构的互补性,使聚合物具有立体专一的选择性,从而有效地识别DMOP。
3 结论
制备了1种DMOP的新型吸附材料-DMOP-MIP,结合动力学分析显示DMOP- MIP在4 h左右可达到吸附平衡;平衡结合实验表明DMOP-MIP对DMOP的最大吸附容量为18.2μmol/g;经过10次吸附-脱附循环使用后吸附容量为原来的87.3%,说明DMOP- MIP再生循环利用性能较好;选择性吸附实验表明DMOP-MIP对DMOP具有良好的选择性吸附能力。
摘要：以邻苯二甲酸二甲氧乙酯(DMOP)为模板分子,丙烯酰胺为功能单体,三羟甲基丙烷三甲基丙烯酸酯为交联剂,合成了邻苯二甲酸二甲氧乙酯印迹聚合物(DMOP-MIP)吸附材料。采用紫外光谱以及红外光谱对印迹聚合物制备进行表征,通过平衡吸附实验对DMOP-MIP的吸附性能进行评价。结果表明,DMOP-MIP对DMOP的最大吸附容量为18.2μmol/g,吸附在4h左右可达到平衡。DMOP-MIP对DMOP的吸附量高于其结构类似物邻苯二甲酸二甲酯和邻苯二甲酸二丁酯,表现出较高的选择性识别能力。
关键词：分子印迹聚合物,邻苯二甲酸二甲氧乙酯,吸附材料,选择性识别
参考文献
[1]叶常明.环境中的邻苯二甲酸酯[J].环境科学进展,1993,1(2):36-47.
[2]王小逸,林兴桃,客慧明,等.邻苯二甲酸酯类环境污染物健康危害研究新进展[J].环境与健康杂志,2007,24(9):736-738.
[3]Daniel F B,Cheever K L,Begley K B,et al.[J].Fundam ApplToxicol,1991,16(3):567-575.
[4]López-Nogueroles M,BenedéJ L,Chisvert A,et al.[J].AnalMethods,2013,5(2):409-415.
[5]李拥军,熊文明,陈坚文,等.固相萃取/高效液相色谱-串联质谱法测定罗非鱼中9种邻苯二甲酸酯[J].分析测试学报,2012,31(3):278-283.
[6]Tamayo F G,Turiel E,Martín-Esteban A.[J].J ChromatogrA,2007,1152(1):32-40.
[7]Ying X,Cheng G,Liu G,et al.[J].J Appl Polym Sci,2010,117(4):2331-2339.
[8]康永锋,段吴平,李艳,等.PAEs硅胶表面分子印迹微球的制备及识别特性[J].化工新型材料,2012,40(9):59-62.
[9]王婧,陈元涛,洪美花,等.和厚朴酚分子印迹聚合物微球的制备及表征[J].化学世界,2010,51(010):598-601.
全面考察识别脱贫攻坚干部文件材料 第2篇
脱贫攻坚干部是坚决打赢脱贫攻坚战的生力军，他们中不乏来自各行各业的精英，在脱贫攻坚的历练中更是开拓了视野提升了能力，要善用“望闻问切”四法，在脱贫攻坚干部中识别人才、发现人才，激励引导广大干部勇于担当、凝心聚力，坚决打赢脱贫攻坚战。
“望”就是要观其行为，通过观察脱贫攻坚干部的日常表现，来了解脱贫攻坚干部的思想境界和能力素质。要看脱贫攻坚干部是否吃苦耐劳，是否沉得下身子，能不能真正走进贫困群众之中，倾听呼声，了解需求，解决问题。脱贫攻坚干部所处的工作环境条件往往很艰苦，脱贫攻坚干部要有吃苦耐劳的精神，全
身心地投入到脱贫攻坚工作当中，能够深入了解贫困户的困难和需求，帮助找到解决困难的办法，制定适合的帮扶措施，要看看扶贫干部能不能带着问题寻找答案，有没有做出符合贫困户基本情况的帮扶措施，以便帮助贫困户尽快摆脱贫困。
“闻”就是听群众反响，听一听周围同事、广大群众和贫困户对脱贫攻坚干部的评价和反响。能够全面地了解一个脱贫攻坚干部, 最重要地是看群众怎么说，那就必须多听群众的意见。脱贫攻坚干部也是人民的公仆，代表党和政府的形象，是为广大贫困户服务的，因而,闻之要客观公正，不“一言而蔽之” ,不能仅凭一个人说的好恶就来下结论，要充分发扬民主，多方面听取意见，不妨走进村脱贫攻坚干部工作的村庄明察暗访，听听群众的声音，干不好不好，群
众说了算，群众的眼睛是雪亮的，“大家说好，才是真的好”。
“问”就是了解脱贫攻坚干部思想动态。可以通过和脱贫攻坚干部面对面谈心，通过富有成效地“问”，进一步了解脱贫攻坚干部的思想认识和个人素养。“问”要问的有的放矢，可以问一问脱贫攻坚干部对脱贫攻坚工作的认识、体会、收获以及工作的设想。“问”的过程不能变成简单的“录音机”“记录员”，把与脱贫攻坚干部谈话捕捉到的信息，结合“望”和“闻”了解到情况，进行分析、判断、概括、提炼，找出深层次和实质性的东西，全面、准确地为脱贫攻坚干部“画”好“像”。
“切”就是检验其工作成效，看脱贫攻坚干部是
否把工作做到实处。工作是否做到实处一个重要识别标准，要看脱贫攻坚干部是不是全心全意为脱贫攻坚对象服务，是不是因地制宜地为贫困户办实事,办好事。制定好了帮扶措施，不能就算成效，要看工作是不是落到实处，是不是经常“回头看”，去看看贫困户在实际发展产业的时候是否遇到了困难，需要提供什么帮助，通过不断的跟踪监测，分析研判，调整措施，切切实实让脱贫攻坚的成果否惠及群众。
识别材料 第3篇
关键词： 模式识别系统 统计模式识别 发展趋势
1.引言
通常我们所说的机器识别、计算机识别等都属于模式识别。它是通过某种方法对事物进行分析比较，根据某种判别规则识别事物。如：手写数字识别，是对0～9数字进行模式匹配，计算出相似度较高的对应值作为识别结果。模式识别研究的内容是使机器完成曾经只有人类才能完成的事，它具有分析、描述与判断事物的能力。经过多年的迅速发展，当前模式识别已经广泛应用于各个领域，如工、农、医、自然科学、社会科学等。在农业中，通过分析土壤成分及农产品的收成，决定种植何种作物、了解养料是否充足，以提高产量。在工业生产中，有语音识别、过程控制、地下探测、图像分割等。医学中主要有心电图与向量心电图分析、显微观察与生物医学数据分析、基因染色体研究、医学图像分割等。在自然科学中有地球和行星探测、卫星数据分析、遥感图像地质勘探等方面应用广泛。然而，种种应用都是随着问题的出现而出现的解决方法，至今模式识别还没有发展成统一的、有效的可以应用于所有模式识别的理论。模式识别的技术对国民经济建设和国防科技发展的重要性已得到人们的认可和广泛重视。本文将就模式识别所涉及的基本问题、研究的领域及其当前进展现状进行详细的介绍，并对模式识别的发展趋势进行展望。
2.模式识别系统
模式识别系统在工作时，只要判别被识别的对象落入哪一个区域，就能确定出它所属的类别。由噪声等导致的变异性，可通过预处理部分消除；模式本身固有的变异性可通过特征提取和选择得到控制。因此，一个典型的模式识别系统由数据获取、预处理、特征提取、分类决策及分类器设计组成。对应部分分别完成未知类别模式分类、分类器设计训练和对识别样品的分类决策。基本的模式识别方法有统计模式识别方法和结构模式识别方法。除此之外，还有模糊模式识别、神经网络模式识别和多分类器融合方法。以下对模式识别系统中五个组成部分简单介绍：
（1）数据获取
通常获取的数据类型有二维图像、一维波形、物理参量逻辑值三种。计算机使用可运算的符号研究文字、指纹、心电图、体温等对象。
（2）预处理
预处理的目的就是对原退化或干扰、冗余的数据信息进行去噪、复原，提取有用的信息。
（3）特征提取和选择
一般来说它包含将所获取的原始量测数据转换成能反映事物本质，并能将其最有效分类的特征表示，输入的是经过预处理的量测数据。通过将原始量测数据转换成有效方式表示的信息，分类器能根据这些信息决定样本的类别，对所获取的信息实现高维量测空间转换成地维特征空间。
（4）分类决策
模式识别系统工作有训练方式和分类决策两种方式。前一种是在确定的特征空间中，对测量数据进行特征选择与提取，得到样本的特征空间分布，并决定分类器参数。后一种方式是对待分类样本进行分类决策的过程。
（5）分类器设计
模式识别研究的主要目的是利用计算机进行模式分类。分类器设计的基本做法是在样品训练集的基础上来确定判别函数、改进判别函数和误差检验。我们把执行模式识别的计算机系统成为模式识别系统。
3.统计模式识别
统计模式识别（Statistic Pattern Recognition）的基本原理是，相似性高的样本在模式空间中相互接近，形成“簇”，根据模式所得的特征向量，判归所属类目。统计模式识别的方法有：
（1）贝叶斯决策方法
贝叶斯决策包含三种基本假设：首先是各类别总体的概率分布式已知的，其次是被决策的分类数是一定的，最后是被识别的事物或对象有多个特征观测值。运用统计决策理论设计的分类系统又称为分类器。分类器的判别准则有：最小错误概率贝叶斯判别准则、最小风险贝叶斯判别和聂曼·皮尔逊判别准则。
（2）判别函数法
判别函数可以是线性的，也可以使非线性的。利用已知类别的训练集，通过统计方法，求得判别函数的具体形式和参数，求出未知样本类别。由于该方法无需依赖条件分布密度等先验知识，因此，在一些场合要比基于贝叶斯公式的概率分类法简单。
（3）监督参数统计法
包括该方法分为KNN法（K最近邻法）和Fisher判别分析法。前者的基本原理是将分好类别的训练样本点映射到多维空间中，建立与待分类的未知样本对应关系，若近邻中某一类样本最多，则将该未知样本判为该类。该方法的优势在于对数据的结构没有特定要求，也无需训练，缺点在于计算量大。
（4）非监督参数统计法
有基于概率密度函数估计的直接方法和与样本空间相似性度量的间接聚类方法。
（5）聚类分析法
该方法是在没有训练集的情况在，对一批没有类别划分的样本根据相似度进行划分类属的方法。通常被称是一种无教师的非监督分类方法。
（6）近邻函数法
该方法根据距离测度，判别样本的类属，如基于最近邻规范的试探法和最大最小距离法。
4.结语
模式识别是一个快速发展的学科，其在国民经济和国防现代化建设中应用广泛。本文围绕模式识别的一些基础知识、模式识别系统和统计模式识加以介绍，着重介绍了模式识别系统中的五个组成部分和统计模式识别方法。随着模式识别理论与技术的不断发展前进，其应用领域和实际需求将会不断增长。
参考文献：
林火识别中不同环境识别算法的探讨 第4篇
关键词：森林火灾,林火监控,误报,多种林火识别算法
1 林火监控的现状
森林防火引起了多个国家的重视, 一些国家或者是公司开发出了多类林火监控的方案, 比如卫星林火监控等。我国在传统的嘹望塔、护林塔以及飞机监控的基础上, 也开发出了视频图像监控等新技术。
2 林火识别的依据
林火监控方案众多, 但就如何判断初期就产生的各类烟雾, 总的来说有以下几个论据:
(1) 火灾烟雾的色彩以及温度特征
火灾能够产生明火以及烟雾, 火焰和烟雾的色彩特征相比较来说, 火焰的色彩特征更为明显, 火焰由焰心到火焰表面温度逐步升高, 火焰的色彩也层次分明, 可以作为对火焰识别的有效特征。
(2) 火灾烟雾的纹理特征
火和烟雾的色彩特征上来说, 明火能够明显识别, 但是烟雾的色彩特征不够作为识别的特征, 有很多的物体和烟雾具有相似的色彩值。但是烟雾的色彩值的空间分布和组合有一定的差异, 这就是烟雾具有的纹理特征, 可以作为火灾前期的预测的一个重要依据。
(3) 火灾烟雾的动态特征
火灾烟雾具有蔓延的特性, 所以火灾烟雾的动态特征是作为火灾前期判断、火灾蔓延趋势的预测以及灭火决策指挥的一个重要的依据。具体来说通过计算像素点之间的位置关系来实现的, 通过计算相邻的两帧变化相似度的方法来确定火灾烟雾形体的变化特征, 这包括了火灾的具体地点, 以及面积的变化速率等。
(4) 火灾烟雾的形状特征
物体的形状是作为分辨和识别的一个重要特征, 比如说应用十分广泛的人脸识别、车牌识别等。其主要是用计算机图像处理和分析系统对目标提取形状特征的过程, 称之为形状和机构分析。
(5) 火灾烟雾的闪烁特征
烟雾边界具有闪烁特性, 闪烁的频率通常在1～3Hz, 绝大部分的非烟雾的可疑运动物体, 边界并不存在闪烁的现象, 可以区域边界闪烁频率也可以作为分辨烟雾的一个特征值。
3 林火识别算法的讨论
林火识别算法可以归为以下几类:图象帧差法、单高斯模型法以及多高斯模型法等。本文在高斯模型的基础上提出了将不同的环境运用不同的算法, 从而减少误报率。以下就白天和黑夜分别设计了算法。
3.1 白天环境下的林火识别算法设计
白天的森林环境存在大量的随机噪声以及脉冲噪声, 环境复杂, 算法主要有以下的3个大类:一类是利用连续帧图像之间灰度的差异, 应用减运算来提取目标图像去掉背景;一类是利用单高斯模型为背景建立一个单高斯背景统计模型, 对目标区域内部进行烟火面积的统计;另一类是利用多高斯模型建立一个能够实现连续变化背景的背景模型。以上几种算法都有优劣, 但是考虑到森林防火监控的对象是野外环境, 背景十分复杂, 最终决定采用最后一类林火识别算法, 即采用多高斯模型建立一个能够实现连续变化背景的背景模型。以下就对这种算法进行简要的说明, 林火识别主要有3个算法组成:
(1) 将图像灰度化。
鉴于白天前端摄像头采用的是普通的彩色模式, 所采集的图像是彩色图像, 像素彩色值由RGB组成。将图像灰度化的方法一般有以下几种:
(1) 平均值法
将每个像素的三色值平均化, 公式如下:
通过这种处理方法将扩大图像各个点的灰度值之间的距离, 从而形成亮度很高的黑白图像, 看上去十分明显, 在实际操作中还是有其特殊用途。
(2) 最大值法
把每个像素的三色值等于原来像素的R、G、B三色中最大值, 也起到将图像灰度化的效果, 其公式如下:
这种图像灰度化使得图像目标更加明显。
(3) 加权值法
而加权值算法既是将RGB颜色空间转化为YUV颜色空间, 通过求解Y向量值来将原始图像实现灰度化, 基于人眼对于RGB三色的敏感度从高到低分别是绿、红、蓝, 故而加权取值的关系应该为
经过换算得到以下公式:
将图像转化为灰度图像。
本文的图像灰度化采用的算法是第三种, 即加权值法。
(2) 运用多高斯分布建立一个能适应森林背景连续变化的连续变化背景。
常用的图像背景生成法经过多年的研究, 有以下几类:Kalman滤波器法、隐马尔可夫模型法、单高斯模型法以及多高斯分布法等。但是以上算法都有一定环境的限制, 本方案采用的是利用多高斯分布来为森林背景建立模型。
高斯分布为大家所熟知了, 多高斯模型指算法对序列图像中每个位置的像素值用多个高斯分布进行建模, 这些高斯分布分为两类:可靠分布、不可靠分布。整个背景模型有多个分布组成, 而可靠分布和不可靠分布之间的区分在于每个分布值都有一个权重值α, 并按权重值大小进行排列, 可靠分布排在不可靠分布之前, 不可靠分布可以通过新像素匹配积累从而成为可靠分配, 而可靠分布可以通过积累提高其权重值。
当新的一帧图像传到中心端后, 算法依次把像素当前灰度值和可靠分布和不可靠分布进行匹配比较, 来判断像素点的新灰度值是背景点、不可靠的目标点以及可靠目标, 然后根据当前像素点的灰度值的类型来更新背景模型中高斯模型的权重值, 或者是建立一个新的分布, 相当于更新了背景模型。如果像素当前灰度值在比较的高斯分布3倍标准差以内, 则判定两者匹配, 如果当前比较的高斯分布是可靠高斯分布则当前像素值是背景点;但是如果是不可靠高斯分布和像素值相匹配, 则当前像素值是不可靠目标点;如果没有高斯分布和像素值相匹配, 则该像素点是可靠目标点。
高斯分布背景模型的更新就涉及到权值的更新, 各分布在可靠分布和不可靠分布的更新, 新分布的建立等问题。可靠分布和不可靠分布的区分在于累计像素值的数量, 不可靠分布通过积累像素值的数量可以成为可靠分布。一个不可靠分布所需要的像素值数量I是通过比较可靠分布和不可靠分布来确定的。如果不可靠分布的均值和可靠分布的均值大小接近, 则取小的数量值I;反之, 则取大的数量值I。用如下公式来更新能够匹配的高斯分布的均值和方差:
K是该高斯分布所积累的像素数, hi+1是当前的像素的灰度值, µi+1、µi是更新后的和更新前的灰度均值, σi+1、σi是更新后的和更新前的方差。模型的各个高斯分布按照权重值的大小来排列的, 每个分布的权重值按照以下公式进行更新:
其中ϖ是更新频率, I则是根据像素当前灰度值是否和当前分布匹配而定的, 如果两者匹配则取1, 反之取0。
分布的建立。分布的建立涉及到背景点和目标点的判断。被判断为目标点有两个条件:
(1) 像素的当前灰度值不能和现有的高斯分布相匹配。
(2) 像素的当前灰度值满足如下公式:
ih是像素点的当前灰度值, µi、σi是当前比较的高斯分布的均值以及方差值。
如果像素点的灰度值满足以上条件, 则可以判定其是目标点;如果像素点满足条件 (1) 而不满足条件 (2) , 那么我们就可以为其引入一个新的分布, 而这个分布被定义为不可靠分布, 但是为了简化算法, 不可靠分布一般只限制在两个。但是如果背景模型中有两个不可靠分布, 要引入一个新的不可靠分布就要删除一个像素累计值小的不可靠分布。创建新的分布的时候, 当前像素值的灰度值则作为新分布的均值, 方差则以整个背景模型之中以像素当前灰度值为均值的可靠分布方差的平均确定。
引入了新的分布, 那就会有分布的删除。如果一个分布的最后一次跟新时刻与当前时刻之差超过了这个分布的平均更新时间, 则认为这个分布已经过时, 在引入新的分布的时候可以考虑将其删除。
多高斯分布模型在野外森林的复杂环境下能够适应细微的环境变化, 这样就避免了在森林的阳光变化以及云等环境的细微变化。
(3) 对目标区域的前景提取的算法。
在得到了当前的一帧图像, 将图像灰度化以后, 以当前的灰度值和该像素的各个高斯分布的均值和方差与如下公式进行比较, 公式如下:
ih是像素点的当前灰度值, µi、σi是当前比较的高斯分布的均值以及方差值, 如果满足这个条件, 则该点为目标点。扫描图像, 将和背景点相连的目标点提取出来作为目标区域的边界, 而目标区域边界遵循四连通原则。
可以用以下步骤来确定目标区域:
(1) 给每一个边界点增加一个标志域, 标志域的内容是“边界跟踪起点”、“未检测点”和“已检测点”。
(2) 在灰度图中, 从上到下, 从左到右搜寻一个“未检测点”, 找到以后把像素点的标志域更改为“边界跟踪起点”, 为这个新的跟踪建立一个外接矩形, 初始化其上、下、左、右4个边界, 转到 (3) , 如果没有找到“未检测点”则转到 (7) 。
(3) 从“边界跟踪起点”开始, 按照四连通的原则, 在其上下左右4个邻接点寻找“未检测点”, 不存在孤立的边界点, 找到“未检测点”后, 将其标志域改为“已检测点”, 并将其当作当前操作点。
(4) 从当前操作点开始, 按照四连通原则, 在其上下左右4个邻接点中寻找“未检测点”或“边界跟踪起点”, 如果找到就转第 (5) 步, 否则转 (6) 步。
(5) 如果找到的是“未检测点”, 则将其标志域更改为“已检测点”, 将其作为当前操作点转回第 (4) 步;如果找到的是“边界跟踪起点”, 要判断这一点和当前操作点是否互相找到对方, 如果找到对方, 仍以原来的当前操作点开始, 转回 (4) ;反之, 则将标志域“边界跟踪起点”更改为“已检测点”, 转到 (6) 。
(6) 将第 (2) 步中建立的外接矩形的4个边界值确定, 并转向 (2) 寻找新的目标区域。
(7) 整个图形的目标区域寻找完毕。
3.2 晚上环境下的林火识别算法设计
晚上的森林环境相对噪声较少, 在无可见光的条件下, 所以白天环境下的林火识别算法不适合于晚上的环境。基于本方案在夜间采用的是红外摄像头, 采用的是红外成像, 而我们对于夜间监控主要感兴趣的地方是林火的识别, 而林火所散发的热量要比背景物体即是森林背景所散发的热量多, 因此林火的平均灰度比背景的平均灰度高, 在这种效果下我们可以通过图像的进一步处理取得我们所感兴趣的地方。
夜间林火识别到的图像是红外图像, 红外图像得到的都是灰度图像, 而在自然环境中只要温度在零度以上都会辐射红外线。由于红外图像中感兴趣目标一般情况下比背景物体散发的热量多, 因此目标的平均灰度比背景的平均灰度要高。红外图像可以分为3个区域:目标区域、灰度区域以及背景区域。但是考虑到夜间森林虽然没有白天那么多的噪声, 但是仍然存在雪地以及水塘的反光辐射, 在特殊的区域还有诸如公路上小汽车、灯光或者是两者皆有。鉴于这个情况, 我们要想真正解决夜间林火识别干扰的问题在于林火具有这些干扰不具备的特征, 林火在其运动过程中会产生膨胀, 也就是目标区域呈现逐渐增多的趋势, 因此可以作为区分目标和干扰区域的主要标准。因此在白天的林火判断和分割算法的基础上, 夜间的算法应该做出一些改动, 也就是说在林火判断的时候, 在发现存在目标区域后, 不盲目的判断其为林火区域, 而是通过多帧的积累, 通过比较目标点面积比例与实践帧的关系即可得出目标点面值的变化趋势, 这里目标点面积比例为目标像素点数与总像素点数的比值。如果前景点面积是随着时间帧呈逐渐增多的趋势, 就可以判决是目标区域还是干扰。
4 结论
在运用了白天和黑夜两种林火检测算法后, 在黑夜容易出现的误报比如:对远方灯光的误报以及对汽车灯光的误报, 这些误报都明显减少。而且定位准确, 能够做到实时的林火定位报警。
参考文献
[1]章毓晋.图像工程 (上册) 图像处理和分析[M].北京:清华大学出版社, 1999
[2]刘洁, 张东来.关于自适应高斯混合背景模型的更新算法的研究[J].微计算机信息, 2006, 22 (8) :241～243
[3]Privitera C M, Stark L W.Algorithms for defining visual regions-of-interest:comparison with eye fixations[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22 (9) :970～982
[4]刘亚, 艾海舟, 徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制, 2002, 4 (31) :315～319
识别材料 第5篇
一、图像识别系统
一个图像识别系统可分为四个主要部分:被识图像、图像信息获取、图像预处理、图像特征提取、分类判决。
二、图像识别方法
图像识别的方法很多, 可概括为统计 (或决策理论) 模式识别方法、句法 (或结构) 模式识别方法、模糊模式识别方法以及神经网络识别方法。重点介绍神经网络识别方法。
2.1神经网络识别方法
2.1.1人工神经网络的组成
人工神经网络 (简称ANN) 是由大量处理单元经广泛互连而组成的人工网络, 用来模拟脑神经系统的结构和功能。而这些处理单元我们把它称作人工神经元。
2.1.2人工神经网络的输出
对于某个处理单元 (神经元) 来说, 假设来自其他处理单元 (神经元) i的信息为Xi, 它们与本处理单元的互相作用强度即连接权值为Wi, i=0, 1.....n-1处理单元的内部阈值为θ。那么本处理单元 (神经元) 的输入为而处理单元的输出为式中, Xi为第i个元素的输入, Wi为第i个处理单元与本处理单元的互联权重。f称为激发函数或作用函数, 它决定节点 (神经元) 的输出。
2.1.3人工神经网络的结构
人工神经网络中, 各神经元的不同连接方式就构成了网络的不同连接模型。常见的连接模型有:前向网络、从输入层到输出层有反馈的网络、层内有互联的网络及互联网络。
2.1.4学习算法
1) 感知器模型及其算法
算法思想:首先把连接权和阈值初始化为较小的非零随机数, 然后把有n个连接权值的输入送入网络中, 经加权运算处理后, 得到一个输出, 如果输出与所期望的有较大的差别, 就对连接权值参数按照某种算法进行自动调整, 经过多次反复, 直到所得到的输出与所期望的输出间的差别满足要求为止。
2) 反向传播模型及其算法
反向传播模型也称B-P模型, 是一种用于前向多层的反向传播学习算法。
算法思想是:B-P算法的学习目的是对网络的连接权值进行调整, 使得调整后的网络对任一输入都能得到所期望的输出。学习过程包括正向传播和反向传播。正向传播用于对前向网络进行计算, 即对某一输入信息, 经过网络计算后求出它的输出结果;反向传播用于逐层传递误差, 修改神经元之间的连接权值, 使网络最终得到的输出能够达到期望的误差要求。
B-P算法的学习过程如下:
第一步:选择一组训练样例, 每一个样例由输入信息和期望的输出结果两部分组成;第二步:从训练样例集中取出一样例, 把输入信息输入到网络中;第三步:分别计算经神经元处理后的各层节点的输出;第四步:计算网络的实际输出和期望输出的误差;第五步:从输出层反向计算到第一个隐层, 并按照某种原则 (能使误差向减小方向发展) , 调整网络中各神经元的权值;第六步:对训练样例集中的每一个样例重复一到五的步骤, 直到误差达到要求时为止。
3) Hopfield模型及其学习算法
它是一种反馈型的神经网络, 在反馈网络中, 网络的输出要反复地作为输入再送入网络中, 使得网络具有了动态性, 因此网络的状态在不断的改变之中。
算法思想是:
(a) 设置互连权值
其中xis是s类样例的第i个分量, 它可以为1或0, 样例类别数为m, 节点数为n。
(b) 未知类别样本初始化。Yi (0) =Xi 0≤i≤n-1
其中Yi (t) 为节点I在t时刻的输出, 当t=0时, Yi (0) 就是节点I的初始值, Xi为输入样本的第I个分量。
(c) 迭代直到收n-1敛
f为阈值型激发函数。该过程一直迭代到不再改变节点的输出为止。这时各节点的输出与输入样例达到最佳匹配。
总结:每一种识别方法都有自己的优缺点, 我们在今后的工作中需要把人工神经元网络与各种已有技术以及人工智能中的专家系统、不确定推理方法结合起来, 深入掌握各种工具的效能和应用的可能性, 互相取长补短, 开创模式识别应用的新局面。
摘要：图像识别技术的方法主要分为统计模式识别方法、句法模式识别方法、模糊模式识别方法以及神经网络识别方法, 本文在概述图像识别基本概念及基本技术的基础上, 着重对图像识别中神经网络识别方法进行分析。
识别材料 第6篇
生物特征识别与传统的身份证件识别和密码指令识别相比较有其稳定性、方便性和唯一性, 正所谓“人人拥有、人各不同、长期不变”。掌纹识别作为生物特征识别技术的一种, 近年来被更多的研究者所重视。掌纹是指手腕至手掌之间区域内的手掌表面的各种纹线, 主要由脊线、屈肌线和褶皱线三种。如图1.1所示:
掌纹识别与其它生物特征识别技术相比较具有以下优点:
⑴不涉及隐私, 人们比较容易接受
⑵不需要特殊光线照射
⑶不接触人体敏感部位
⑷采样简单, 对设备要求不高
⑸采样区域比指纹大, 不易仿造
⑹有唯一性和基本稳定性
掌纹识别系统主要包括注册阶段和识别阶段。在注册阶段, 主要是对掌纹图像进行提取并进行预处理, 最后放入样本库中用来在识别阶段进行比对。识别阶段就是同样的对用户的掌纹图像进行提取和预处理, 不同的是不再将图像存入样本库, 而是通过与样本库中的标准进行对比来进行鉴别身份。如图1.2所示:
掌纹识别的第一步就是掌纹图像的获取。现今应用比较广泛的就是基于CCD方式对掌纹进行采集。CCD方式采集掌纹图像具有获取图像速度快, 图像质量高等优点。其缺点是设备较大。
掌纹图像的预处理是为了更加便利、准确的进行掌纹特征的提取。掌纹图像的预处理可以将掌纹图像进行对准和归一化。掌纹图像预处理的算法总体可分为两大类:基于正方形分割和基于圆形分割。
掌纹图像的特征提取是整个掌纹识别系统的核心部分。如何提取特征和提取何种特征都是非常重要的, 掌纹特征的信息很丰富, 如果不分主次的将所有掌纹特征都罗列出来, 不仅会影响系统的响应时间, 还会影响识别的准确程度[2]。针对掌纹图像的特点, 比较有代表性的掌纹识别算法有以下几种:
⑴基于Fourier变换的识别
⑵基于2D Gabor变换的识别
⑶基于小波变换的识别
⑷双向匹配的掌纹识别新方法
像中国的四大发明一样, 指纹也是我们使用最早但发展最慢的一项技术。当20世纪, 西方国家已经成熟建立了指纹识别系统并成功应用时, 中国才于80年代初开始指纹识别技术和系统的研究。但是近年来经过中国科学家们的不断努力, 我国在世界掌纹识别研究领域还是取得了辉煌的成绩。我国科学家历时10年首创完成的高精度、高可靠性的生物特征识别技术“自动掌纹识别技术与系统研究”, 通过了由教育部组织, 中科院院士及来自中、美、德等国教授组成的专家委员会的鉴定。专家认为, 该项研究提出了与掌纹识别相关的图像处理、模式识别等领域具有国际影响的理论、模型和算法, 丰富了生物特征识别理论, 具有重要的理论价值[3]。
掌纹识别是技术是生物识别技术的重要补充, 有着极其广泛的应用前景, 值得深入研究探索。掌纹识别技术会让身份识别和社会安全迈上一个新的高度。
摘要：掌纹识别作为生物特征识别技术中的一种新兴技术, 目前正处于各种新方法的尝试阶段。掌纹识别系统的研究也处在不断的开发和被完善中。本文分别从掌纹的获取过程和掌纹图像的三种算法进行简单的研究, 使读者对掌纹识别系统能有更加进一步的了解。
关键词：掌纹识别,生物特征,预处理,特征提取
参考文献
[1]RFID世界网.指纹识别在不同国家的发展状况.http://tech.rfidworld.com.cn/2006220232854667.htm.
[2]阮秋琦.数字图像处理学.北京.电子工业出版社, 2001.
识别材料 第7篇
大宗原燃料质量检测一直是困扰各钢铁企业的难题, 质检样本的可靠、客观和公正直接关系到原燃料质量安全、企业生产成本和产品质量。目前, 大多采样设备或系统无法实现自动识别燃料运输车辆的位置和大小, 为了保证采样设备能安全、可靠地从运输车辆中采集质检样品, 设备操作人员须给采样控制系统手动输入车辆位置和大小, 这就造成取样作业中存在人为干扰因素, 对质检样品客观性和公正性产生影响。因此, 实现采样设备对运输车辆车框的自动识别与定位是保证质检样品可靠的关键［1-2］。
笔者通过对图像识别技术的研究, 在自主开发的智能远程取样控制系统中实现了对运输车辆单、双车框的自动识别与定位, 生成随机采样点并远程控制采样设备自动采样, 实现了整个质检采样环节无人化、自动化、智能化的目标。
1系统组成
智能远程取样控制系统由消息转发服务器、采样机PLC、现场采样机、网络摄像头和取样监视终端等设备组成, 系统组成如图1 所示。系统通过网络摄像头获取车辆俯视实时图像, 由消息转发服务器转发至取样监视终端。取样监视终端使用图像处理和识别技术实现运输车辆的定位与识别, 产生随机采样坐标回发给消息转发服务器, 传送至现场采样机控制系统, 采样机控制系统控制设备实现自动采样作业。其中基于图像的运输车辆的定位与识别是系统实现的关键技术。
2功能及实现
基于图像的运输车辆定位与识别方法原理是: 首先, 通过取样监视终端设备安装的终端软件获取现场车辆俯视实时图像, 并使用等效球面矫正算法得到现场准确的实时图像; 然后, 对间隔一定时间相邻的两帧图像做差分运算得到差分图片并判断车框数量; 同时, 通过对处理过的差分图片行和列两个方向的灰度值进行统计分析, 并依据车框数量判断结果, 分析得到车框边界和图像像素坐标位置, 再使用图像- 大地坐标对应关系得到车辆的实际位置和尺寸, 实现车辆的识别与定位。运输车辆识别与定位流程图如图2 所示。
为了保证图像识别的高效和稳定, 识别与定位方法使用Visual C ++ 2010 语言实现, 与实时图像显示相关的程序被封装成控件和动态链接库。智能远程取样控制系统的终端程序通过调用这些控件和动态链接库实现运输车辆的图像显示、定位与识别。
2. 1图像获取和矫正
现场使用网络广角摄像头获取运输车辆的图像, 网络广角摄像头直接安装在车辆正上方顶棚上, 安装高度在10 ~ 15 m之间。由于运输车辆最长达15 m, 为了保证摄像头能完全俯视车辆, 摄像头采用了广角镜头, 但这造成拍摄图像产生严重桶形畸变, 因此, 在图像识别前需要对图像进行实时畸变矫正。我们采用改进的等效球面矫正算法进行矫正。改进算法中, 畸变矫正前后的图像像素坐标对应关系如下:
上述式中, x , y和x' , y' 分别为原图像和矫正后图像对应的像素点坐标; W和H分别为图像宽度和高度像素; β 为畸变因子, 通过棋盘测试得到;γ 为放大倍数, 通过调整该参数使车辆区域大小适中; h为成像面到镜头成像单元中心的距离。
由于矫正后的图像尺寸不变, 因此可以通过矫正后每个像素的坐标值反推出该像素在原图像中的坐标。通过这种方法实时获取运输车辆的准确图像, 避免了采用常规直接推算新坐标矫正后还需插值运算的环节, 从而减少了算法实现的运算量, 提高了矫正后实时图像的每秒帧数和流畅度。
利用程序通过摄像机厂家提供的SDK开发包播放插件实现对摄像头的登录和图像获取, 在图形渲染开发软件Shazzam中使用HLSL语言实现算法, 将播放插件和Shazzam生成的算法代码直接封装成控件, 利用封装控件通过DirectX技术直接使用计算机图形处理单元实现畸变矫正运算, 保证了图像矫正后视频的实时性。
2. 2获取差分图片
差分法是一种通过对视频图像序列中相邻两帧图像进行差分运算来捕捉到运动物体轮廓的方法［3］。获得现场车辆实时准确的俯视图像后, 识别程序首先依据设置的0. 05 s的内部定时器定时从视频截取图片, 并对相邻两张抓取图片进行差分运算, 获得差分图片, 为了提高识别程序运行效率, 程序运行一个单独线程来获取差分图片, 线程从上次采样作业结束开始执行, 作业结束信号由采样机PLC发出。然后, 将获得的差分图片的平均灰度作为阈值对图片进行二值化处理, 并计算差分图片二值化后的平均灰度T, 依据T所表示的定时器周期内现场图像的变化信息, 可以判断在定时器周期内图像区域是否有车辆动态行驶。判断过程如下: 将现场最小体积运输车辆以最大减速速度行驶时在定时抓图周期内的差分图片的二值化平均灰度值设定为判断值S, 将现场最大体积运输车辆以最小减速速度行驶时在定时抓图周期内的差分图片的二值化平均灰度值设定为判断值D, 如果S≤T≤D, 说明出现行驶车辆, 则保存差分图片并继续截图求取下一个差分图片; 如果T < S, 说明现场没有车辆行驶或者已停止行驶, 这时查询程序是否已获得了差分图片, 如果已获得则结束线程并确认车辆为停稳状态, 将最后一次获得的差分图片作为结果用于差分图像处理, 否则, 继续抓图求取差分图片; 如果T > D, 说明抓图时间间隔过大, 为了能及时捕捉移动车辆, 需缩短定时器时间0. 005 s, 并继续截图求取差分图片。通过不断循环抓取图片、求取差分图片、分析判断图像信息并及时修正定时器时间, 最终得到车辆停止前最后两张抓取图片的差分图片。
获取差分图片的流程图如图3 所示。
2. 3车框数量判断
获取多个差分图片并判断车辆停稳后, 程序截取现场车辆停止后的俯视车辆图片。由于车辆运输的货物是原燃料, 与背景地面存在一定色差, 所以, 根据图片的平均灰度对图像进行二值化处理后就可以得到车辆车框阴影图, 如图4 所示。
根据图4 中阴影可以判断车框数量。其中单个阴影块面积大于现场实际最小体积运输车辆单个车框在该图像上投影面积的75% 时, 判定为有一个车框; 为了防止误判, 对两个阴影块之间垂直方向全部像素点阈值为0 的连续列列数进行计算, 如果连续列列数大于判断值10, 则确定两块阴影代表两个车框, 反之, 则确定两块阴影代表同一车框, 由此可以判定出运输车辆的车框个数, 解决了识别过程中单、双车框容易混淆的问题。
2. 4差分图像处理
由于现场实际环境复杂, 获取的差分图片存在光照影响、信号噪点、现场临时出现杂物等干扰, 因此, 需要对已获得的差分图片进行二值化、滤波和形态学等图像处理, 以消除无用信息, 突出车框信息, 处理过程如图5 所示。
首先, 我们采用类间方差法 ( OSTU) 对图像进行二值化处理, 其基本原理是用最佳阈值将图像的灰度直方图分割成两部分, 使这两部分的类间方差取最大值, 即分离值最大［4］。由于其最佳阈值是根据图像本身的灰度特性计算得到的, 因此, 二值化差分图片时可以将运输车辆的背景环境光线和光照阴影因素考虑进去, 比较采用其他二值化方法处理后的差分图片, 采用OSTU二值化后的差分图片所包含的车框信息更为全面、准确。对如图5 ( a) 所示的差分图片使用OSTU算法进行二值化处理后得到的结果如图5 ( b) 所示。
然后, 为了消除摄像机噪点和远程信号传输造成的噪点, 减弱现场意外杂物干扰, 便于以后对差分图片中的数据进行分析, 提高识别率, 在图像分析前我们对二值化处理后的差分图片进行高斯滤波处理, 得到如图5 ( c) 所示的图片。
最后, 我们对高斯滤波后的图片进行形态学处理, 主要进行先膨胀后腐蚀的闭运算处理, 目的是填充物体内细小空洞、连接邻近物体、平滑边界, 但不明显改变其面积［5］。形态学处理后, 可以将图片中车框内的区域连接成片, 并给予突出与锐化。用闭运算进行形态学处理后的结果如图5 ( d) 所示。
2. 5车辆位置与尺寸确定
对经过上述处理的差分图片进行边缘检测与定位, 就可以得到车框大小和坐标, 确定车辆的位置和尺寸, 方法如下。
在处理后差分图片的X轴方向上, 对每列所有像素点灰度值求和, 并求出所有列像素点灰度值和的平均值Cav, 计算第i列所有像素点灰度值和Ci与Cav的比值Ri。在X轴方向上分别以图片两侧为开端向另一侧遍历: 从图片中车尾侧开始遍历的方向上, Ri≥J ( J为固定倍数, 是依据现场总体环境设置的经验值) 的首列视为车辆车框尾部边界列; 从图片中车头侧开始遍历方向上, Ri≥J的首列视为车辆头部边界列, 继续遍历N列像素 ( N为经验值, 是常见车辆车头部分长度在图像中所占像素列数的2 倍) , 直到找到这个范围内满足Ri≥J的最后一列, 视该列为车辆车框前边界列。然后, 根据2. 3 节车框判断数量结果, 如果车辆为双车框, 则从两个方向上分别跨过M列像素 ( M为经验值, 是常见双车框车辆的单个车框长度在图片中所占像素列数的0. 5 倍) 继续遍历, 找到满足Ri≥J的第1 列, 分别为车辆后车框前边界列和前车框后边界列, 结束遍历, 保存结果; 如果2. 3 节车框判断数量结果为单车框, 则结束X轴方向上遍历, 保存结果。同理, 可以得出沿Y轴方向的车框两侧边界坐标。得到车辆车框在图片中的像素坐标后, 通过图像- 大地坐标对应关系就可以得到车辆的实际位置和尺寸, 最终实现车辆的识别和定位。
单车框运输车辆在X, Y轴方向上的灰度和投影如图6 所示, 图中白色区域为车框边界在坐标轴上的投影, 可以看出沿坐标轴方向上车框边界投影有明显突变, 这就是车辆边框判断的依据。由图6 ( a) 可以看出, 由于存在车辆头部轮廓图像的原因, 因此图片右侧区域投影有明显突变, 在车辆识别和定位时, 通过设置合理的N值可以消除车辆头部轮廓对车辆识别的干扰。
在车辆连续采样过程中, 把每次检测得到的该车辆车框大小数据存入采样系统车辆信息数据库。每次车辆识别与定位之后, 将获得的新数据与数据库中的最近5 组该车辆检测数据进行对比分析, 验证本次车辆识别的准确性。如不准确, 用前几次的数据校正本次数据, 从而进一步提高车辆识别率和数据准确性。
3应用效果
单、双车框识别效果如图7 所示。智能远程取样控制系统于2013 年初投入安钢集团公司的质检采样现场使用, 车辆定位和识别准确率达到98% 以上。系统上线后, 从源头上杜绝了质检采样作弊, 质检效率得到提高, 平均每车采样时间从9 min缩短为3 min, 采样人员无需在现场作业, 工作强度和工作环境得到改善。
本文介绍的图像识别技术不但可应用于智能远程取样控制系统, 还可广泛应用于钢材点支、定重切割、成品材质量判定、工业现场实时监控和报警等诸多领域。
参考文献
[1]段俊勇.图像处理技术在电厂煤质检测中的应用[J].青岛科技大学学报, 2005, 26 (3) :69-71.
[2]杨庆祥, 张勇.汽车煤随机采样系统的车厢定位[J].工业控制计算机, 2007 (8) :41-42.
[3]王郑耀.数字图像的边缘检测[M].西安:西安交通大学出版社, 2003.
[4]程培英.一种新颖的OSTU图像阈值分割方法[J].计算机应用与软件, 2009 (5) :227-232.
识别材料 第8篇
关键词：精神分裂症,情绪辨别障碍,微表情,微表情训练工具
0 引言
精神分裂症患者的面部情绪认知能力的受损导致其人际交流技能和社会功能严重受损 (Kohler&Martin, 2006) , 然而过去几十年的研究表明, 通过现有药物治疗精神分裂症并不能改善患者的社会功能 (Bellack et al., 2004) , 而2011年全球各大制药公司由于精神病治疗药物的研发周期长、成功率低等宣布退出精神疾病药物的研发 (Cressey, 2011) , 这使得未来更难有希望出现治疗或改善精神分裂症患者社会功能的新药, 因此需要寻求促进精神分裂症患者社会功能康复的非药物治疗和干预的途径。
研究者们探索通过心理治疗来改善精神分裂症患者的社会功能, 比如通过对精神分裂症患者进行基本认知能力 (注意、记忆、执行控制能力) 训练来促进其社会功能康复, 这取得了一定的效果, 但并不理想, 认知训练只能解释结果中10%-40%的变异 (Horan et al., 2009;Wykes, Huddy, Cellard, Mc Gurk&Czobor, 2011) 。
准确的识别与表达情绪对人们进行社会交往十分重要 (Shen, Wu, &Fu, 2012) , 而精神分裂症患者的情绪知觉能力受到严重损害, 影响其社会功能, 导致其人际交流、家庭关系、社会关系、工作等受到严重影响 (Kee, Green, Mintz, &Brekke, 2003) 。因此, 需要通过提高精神分裂症患者的情绪知觉能力来促进其社会功能康复 (Roberts&Velligan, 2012) 。
在情绪知觉能力的训练中, 微表情训练工具 (micro-expressions training tool, METT) 是较为成熟的 (Marsh, Luckett, Russell, Coltheart, &Green, 2012) , 已被较多研究情绪知觉训练研究所采用, Shen (2012) 等人采用该范式考察了健康大学生对六种基本情绪表情的知觉能力。所谓微表情, 是指一种无法抑制, 快速出现的反映人们真实情绪体验的表情, 对如此快速而精细的表情的识别, 可以促进人们的表情识别能力 (Matsumoto&Hwang, 2011) 。国外有学者采用微表情训练工具在精神分裂症患者的社会功能康复上做了一些工作, 发现微表情训练可以改善精神分裂症患者的社会功能 (Russell, Green, Simpson&Coltheart, 2008) 。下面对精神分裂症患者面部表情识别的特点以及使用微表情识别训练工具改善精神分裂症患者表情识别能力相关研究进展进行概述。
1 精神分裂症患者情绪识别障碍能及情感表达障碍
精神分裂症患者的情绪识别障碍:
精神分裂症患者对面部表情的识别存在障碍, 与正常人相比, 他们不能很好的理解他人面部表情所反应出来的情绪, 理解他人表情中的正确意义。Sachs (2004) 的究表明, 精神分裂症患者对所有类型的情绪知觉都明显低于正常对照组, 并且精神分裂症患者对于正性情绪, 中性情绪及负性情绪的识别能力有所不同。
同时一些研究 (Martin等, 2005) 也表明, 精神分裂症患者在识别负性情绪表情时存在一定的障碍, 不容易感知与识别到他人负性情绪表情, 如愤怒。但精神分裂症患者对正性情绪表情的知觉加工却没有损伤, 在识别正性情绪表情时接近正常人的水平 (这被称为负性情绪表情识别特异性损伤) 。另外精神分裂症患者有把一些负性情绪表情理解为正性情绪表情的倾向。Bediou等 (2005) 的研究发现, 精神分裂症患者在正性情绪表情识别任务中的得分与正常被试没有太大差异, 但是在负性情绪识别任务尤其是负性情绪较强烈时精神分裂症患者的得分显著低于正常被试, 而对于中性情绪表情的识别, 精神分裂症患者总是错误的将中性情绪判断为正性或负性情绪, 对于中性情绪难以做出正确的判断。Lappanen等 (2006) 对缓解期的精神分裂症患者的研究重复了上述发现。
但Danlei等 (2008) 的研究却得出了不同的结论。他们应用信号检测论来确定表情识别的能力和反应判断标准, 结果显示精神分裂症患者对于恐惧, 悲伤等负性情绪的识别能力高于正常被试, 而对于正性情绪, 如高兴, 其识别能力比正常被试低。另外, 精神分裂症患者对负性情绪的判断标准低于正常被试, 对于正性情绪的识别判断标准高于正常被试, 精神分裂症患者对正性情绪有特异性的损伤, 不容易识别出他人的正性情绪, 而更容易把他人的面部情绪更多地理解为负性情绪。这与Bediou等 (2005) 与Lappanen等 (2006) 的研究结论不一致。因此, 并不是所有的精神分裂症患者都表现出负性情绪表情识别的特异性损伤。然而, 大量的研究还是表明精神分裂症患者在面部情绪识别能力普遍的低于正常人 (Russell等, 2008) 。
精神分裂症患者的康复不仅仅在于精神病性症状的消除。改善精神分裂症患者的情绪识别功能, 促进其社会功能的恢复也是精神分裂症治疗中重要的一个部分。近期有研究开始通过微表情识别训练工具来训练提高精神分裂症患者的表情识别能力, 改善精神分裂症患者情绪识别障碍, 促进精神分裂症患者社会功能的康复。
2 微表情及微表情识别训练工具
2.1 微表情简介
微表情是一种持续时间非常短暂, 通常在1/25秒至1/5秒之间的快速表情。微表情最早由Haggard及Iaaacs于1966年发现。1969年, Ekman与Friesen也发现了这种持续时间极短的表情, 他们将其称之为微表情 (吴奇, 申寻兵, 傅小兰, 2010) 。早期的微表情识别研究侧重微表情的识别能力的测量, 考察微表情识别与谎言识别的关系, 并制作了微表情的识别训练计算机程序。
2.2 微表情识别训练工具
微表情训练工具 (Micro Expression Training Tool, METT) 分为5个部分, 即前测、训练、练习、复习和后测。前测用来测量使用METT前被试的基线微表情识别能力, 后测测量使用METT训练后被试的微表情识别能力。通过前测和后测的识别能力的对比来检验经过训练后微表情识别能力的提高程度。Ekman的研究表明 (参考吴奇, 等2010) , METT提供训练程序能在1.5小时的短期训练后提高人识别微表情的能力, 后测的成绩能较前测平均提高30%~40%!
鉴于METT可以迅速的提高表情识别能力, Russel等人 (2008) , Swart等人 (2009) 开始将微表情训练工具应用于临床精神分裂症患者的情绪识别能力训练, 探索METT对精神分裂症患者的社会功能康复的作用。
3 使用微表情识别训练工具改善精神分裂症患者的情绪表情识别能力
2006年, Russell等人率先使用微表情识别训练工具对精神分裂症患者进行情感识别训练 (Emotion Recognition Training) , 希望发现使用微表情识别训练工具对精神分裂症患者进行训练后面部情绪认知障碍能否得到缓解 (Russell等, 2006) 。他们的实验将20个精神分裂症患者作为实验组, 另外20名健康被试作为控制组, 同时给这四十名被试实施微表情识别训练, 对比接受微表情识别训练工具训练前后面部表情识别成绩, 通过比较这两个成绩来判断被试的面部表情识别能力是否有所提高。为了使训练前后测成绩的对比更加有说服力, 这四十名被试不仅接受了微表情识别训练工具中的前测和后测, 在训练前和训练后还分别接受了情感匹配测试EMT (Emotion-Matching Task) 作为另一效标, 通过EMT的成绩变化和METT中的成绩变化同时来检测METT的训练效果。METT成绩结果和EMT成绩结果同时表明, 微表情训练工具确实是有效的, 不管是控制组还是实验组, 在接受微表情识别训练工具的训练之后面部情绪识别能力都有所提高, 特别是实验组的精神分裂症患者在接受微表情训练之后, 他们的面部表情识别能力得分与控制组的被试的前测成绩达到了相同的水平, 也就是说在接受微表情识别训练工具的训练之后, 精神分裂症患者的面部表情识别能力达到了健康人未训练时的水平。在使用微表情识别训练工具进行训练后, 精神分裂症组的被试面部情绪识别能力即可提高到一个引人注目的程度, 这提示使用微表情训练工具对精神分裂症患者进行表情识别训练可能是一种非常有价值的治疗手段。
随后, Russell (2008) 等人对使用微表情识别训练工具改善精神分裂症患者的情绪识别能力受损进行了进一步的研究, 他们采用眼动技术来研究是否眼动轨迹的变化与精神分裂症患者的面部表情识别能力的提高有关。他们选出了40名精神分裂症患者来进行研究, 选取26名患者在积极训练组, 接受微表情识别训练工具的训练, 另外14名精神分裂症患者在反复暴露组 (无训练, 只看相应情绪图片) , 未接受微表情识别训练工具的训练。研究者让这所有的40名被试进行情绪识别任务并且记录其在情绪识别过程中的眼动轨迹。在接受微表情识别训练工具训练之后, 研究者发现积极训练组的26名精神分裂症患者的情绪识别能力有所提高, 并且微表情训练工具带来的表情识别成绩提高效果在训练后维持了一个星期的时间。紧接着在接受微表情识别训练之后, 这些精神分裂症患者的眼动轨迹较反复暴露组的14名被试发生了显著的变化, 在识别面部表情时, 他们更多地注意到了情绪面孔的特征性区域, 如眼睛、鼻子、嘴巴等表达情绪相对比较丰富的部位。面部情绪识别时眼动轨迹在情感表达的特征性区域的注视数目与情绪识别的准确程度呈正比, 精神分裂症患者经过微表情识别训练后的眼动轨迹在情感表达的特征性区域的注视数目增多, 这种变化使得精神分裂症患者的面部情绪识别能力得到提高。一周之后, 在METT训练组和反复暴露组之间的在面部表情识别过程中眼动轨迹中注视面部表情特征性区域的次数差异呈现出减小的趋势, 即微表情识别训练效果一周后开始下降。然而经过微表情识别训练后使精神分裂症患者在面部的特征区域停留的时间增加这一效果一直持续到一周之后。这一实验结果表明, 微表情训练工具使精神分裂症患者的面部表情识别能力得到了提高, 其原因是改变了精神分裂症患者在面部表情识别过程中的眼动特征, 使眼动轨迹更多、更长时间的停留在情绪面孔的一些特征性区域, 从而使表情的识别能力更加准确。
Pamela等人 (2010) 更加深入的研究了使用微表情训练工具对精神分裂症患者进行表情识别训练的问题。他们希望了解三个方面的内容:即第一, 使用微表情识别训练工具进行训练后的效果是否能被精神分裂症患者应用到新的情绪面孔识别当中去;第二, 训练后的效果能否持续到一个月之后;第三, 患者的面部表情识别基线能力是否对训练的效果产生影响, 即患者残存的表情识别基线水平是否能预测表情识别训练的效果水平。他们挑选出36名患有精神分裂症的受试者, 收集这些受试者情绪识别能力和社会功能基线水平, 再给受试者实施微表情识别训练, 在训练结束后给这些受试者进行面部表情识别任务, 任务中使用的面孔有一部分是METT中的面孔, 有一部分面孔未在METT中使用过, 以此来测量这些患者能否把在METT训练中得到的表情识别能力迁移到对新的表情面孔的识别中去。其中有10名患者接受了一个月后的随访。研究结果表明, 微表情识别训练工具对精神分裂症患者的表情识别训练不仅改善了其对METT中面孔的情绪识别能力, 也改善了患者对新的情绪表情面孔的情绪识别能力。接受训练后的患者对于新的情绪表情面孔的情绪识别能力一直持续到一个月之后。另外, 患者残存的情绪识别基线水平对METT训练的效果有影响。结果表明在微表情识别训练工具对精神分裂症患者情绪识别能力的改善效果受到了患者本身的情绪识别能力基线的影响, 而对新的情绪表情面孔较好的情绪识别能力可以持续到一个月以后。
4 结语
精神分裂症患者的社会功能恢复是精神分裂症康复过程中很重要的一个环节, 目前采用微表情训练工具提高精神分裂症患者的表情识别能力进而促进其社会功能康复的研究才刚刚起步, 有待更多更深入的研究。
当前的研究结果均表明提升微表情识别能力可以促进精神分裂症患者的面部表情识别, 精神分裂症患者经过微表情识别训练后其面部表情识别能力得到了提高, 可以达到正常人未受训练前的状态。这为精神分裂症患者社会功能康复提供了另一种可行的手段。
单兵识别 第9篇
1.目前美军正研制普通单兵间识别用的“徒步式单兵作战识别系统” (CIDDS) 、数字化单兵作战用的“陆地武士作战识别系统” (LW-CIDS) 。而目标识别目前有目标特征识别、目标成像识别、无源探测识别、激光雷达识别、毫米波识别、多传感器数据融合识别等多种有效途径。现役的协作式目标敌我识别器, 易被敌方截获或侦测, 而非协作式目标敌我识别器则需要大量的数据库用于存放各种国家单兵设备的有关信息, 还得数据处理。显然, 这必将加重士兵的负重, 不利于士兵的展开其他活动。激光雷达作为协作式目标敌我识别器最具发展潜力, 各国都积极开发此技术。激光雷达分辨率高、信号稳定, 可迅速产生出三维立体图像, 能将其用于目标的识别与精确跟踪, 且不易被敌方探测到, 既安全也可靠。其缺点是目前还无法在恶劣的气象条件下使用, 探测距离还不及微波雷达远;但随着技术的不断进步, 这些缺点肯定能被克服的。现代战争, 情况瞬息万变, 敌我界限模糊, 敌我双方部队交错活动, 我中有敌, 敌中有我, 这使实时的敌我识别显得尤为重要, 有衣服等可用肉眼辨别的识别标志无疑是最为迅速识别敌我双方的方式, 但起缺点也非常明显, 易为敌方所破解, 以致能为敌利用, 造成严重的后果, 而用现代技术装备的, 其人与装备可唯一匹配, 这就能基本解决利用装备来骗取我方信任。
2.未来战场上的单兵系统将是可以独立执行任务的独特作战平台。这种研究思路不仅考虑每一项技术如何发挥良好的作用, 而且更多考虑的是系统中的各功能部件如何相互关联地被综合成一个整体, 使系统的总体效能倍增, 又不增加士兵的负担。这是一个有关系统工程设计的问题。目前, 该思维方法已经被应用到正在开发的几种士兵系统中。其中最知名的是美国的“地面勇士”系统, 其第一个研究计划即将完成。其他几个士兵系统研究计划如“骑兵勇士”和“空中勇士”, 也都在遵循这一指导思想进行研究。如法国的FELIN (装备与通信一体化步兵) 系统配用的通信系统可以进行话音、数据和视频传输, 传输数字化的目标视频图像。系统的数据和视频传输既可自动报告, 也可根据需要报告。它还能将步兵排的所有士兵都连接入网, 步兵班通过该装置组成子网。每台无线电都具备定位能力, 使士兵能够精确地确定其位置, 使上级对战场态势能精确了解和控制, 并且通过上级识别敌我双方的士兵, 即间接的识别, 但此方法效率明显依赖于第三方, 所以只能作为辅助地辨别敌我的手段。
3.美国的地面勇士系统拥有综合导航能力, 以便在全球定位系统不能使用时可随时为士兵提供精确的地理位置数据;以及战场识别能力, 以便能够可靠地识别友方的士兵, 其中包括配备和未配备“地面勇士”系统的士兵。美军“徒步式单兵作战识别系统”的装备是提供给未装备“陆地勇士”系统的徒步单兵用的, 包括武器系统和头盔系统。头盔系统包括4个激光探测器、1个射频发射机和4副平面阵列天线。武器系统包括1个激光询问器和1个射频接收机。它装在枪管上, 与武器的瞄准线同轴, 启动开关装在左边, 不会影响士兵射击。战斗中, “徒步式单兵作战识别系统”发出激光询问信号, 被询问方头盔接收激光询问信号后, 发出应答信号。如果双方信号达成一致, 询问开关便自动关闭, 停止发送询问信号, 同时指示灯闪烁, 询问开关振动, 将询问结果通知给士兵。从而减少了误伤。
美国陆军于9月在本宁堡举行步兵识别技术演示, 对单兵间友军识别技术进行测试。
03年7月, 美陆军宣布它将实地检验100部能够为指挥官和士兵提供战场图像的手持设备, 这种设备在伊拉克战争中被安装在车辆上并获得成功。这种手持的设备能够接入陆军“21世纪旅及旅以下部队指挥控制” (FBCB2) 系统, 显示指挥官需要进行机动的地区的地图或航空照片。该系统通过卫星与指挥所联系, 能够提供整个指挥部都能共享的定位信息, 通信能力以及路线测绘。
4.一般二次雷达IFF系统的密码有效期长, 应答器是全向性广播式工作, 易被侦破干扰, 系统内部存在着混扰等自身干扰, 虽然随着询问器和应答器数量增加而更加严重, 但据统计, 一对一识别概率为98%, 1对5为72%;故IFF系统用于单兵间识别是可以的, 但其仪器设备体积重量过大, 不好装备在单兵上。
我们做单兵设计可以使用激光技术。有三个思路:1, 使用一个金属或其他高纯物质装备在单兵身上 (该物质应找些不为平常人所用及其他部队所装备的) , 激光打在其上, 通过三棱镜把激光反射回去, 计算发射前和接收后间的损耗, 来确定该金属, 达到识别的目的。 (激光在空气中的损耗微小, 理论上可以忽略不计, 主要损耗为激光在媒质的透射, 激光透射不同物质, 损耗也各不相同的, 这为激光辨别物质提供理论基础) 。2.可以使用光诱导离解光谱技术 (LIBS) 的元素识别方法来达到识别单兵的目的。理论依据:如果在LIBS系统探测未知样品之前, 事先对一组标准样品 (高纯度, 元素组成已知) 进行了LIBS探测分析, 获取这组标准样品的原子谱线数据, 那么这组数据中的每一条谱线对应的元素种类都是已知的;如果以这组数据作为标准和LIBS系统获取的未知样品的原子谱线数据进行对照, 那么原则上元素识别误差将变为零。激光器发出的激光脉冲经过一个会
聚透镜在样品表面形成直径小于1mm的会聚光斑, 对于典型的激光脉冲能量 (100mJ) 和脉冲宽度 (10ns) , 会聚光斑处的能量密度很容易达到GW/cm2量级, 如此高的能量密度使得会聚光斑处微量物质发生“多光子吸收”效应。等离子体
在随后的膨胀和冷却过程中, 相继辐射出强的连续谱背景和原子谱线*等离子体辐射出来的原子谱线的波长和元素的种类一一对应, 原子谱线可以看作是元素的“指纹”, 通过原子谱线的波长可以识别元素的种类。我们就寻找一种样品 (自然界不多见的却可大量使用, 其高纯度, 元素组成已知) 用于单兵识别 (把该元素物质装备士兵身上, 通过识别该元素物质来达到识别士兵的目的) 。由于LIBS系统通常由激光器、会聚收集光学系统、样品台、光谱仪 (分光系统和光谱探测系统) 、脉冲延迟器和计算机组成, 样品台可以略去, 因为我们可以由小型计算机中储备的几个频谱与检测的原子谱对照, 从而辨别物质) , 但光谱仪如何装备到单兵上, 及光谱仪分析的时候是否会有亮光出现, 为人所发现, 还须进一步调研和解决。
上面的两种方法可能会被敌人轻易破获, 所以我们采取欺骗机制, 即我方士兵亦装备询问器和应答器, 但发送毫无规律的信号, 应答方亦发送毫无规律的信号, 让敌方对我单兵识别技术的破解侧重于密码的解开, 从而使得我方单兵识别手段不被发现。
使用激光识别通信, 并对通信内容进行加密激光敌我识别系统 (协同式敌我识别系统) 工作时, 首先由询问方向待识别目标发射经过编码的激光询问脉冲, 若目标为友方, 通过接收和解码确认满足于预定的准则时, 发射应答激光脉冲, 询问方收到并能正确解码, 则确认目标为友方&若目标为敌方!则询问方发射的激光询问脉冲可能被敌方接收, 但敌方却不能发射与询问脉冲相对应的激光应答信号, 则询问方可判定此目标为敌方。
5.结论
随着现代作战武器的机动性能和杀伤力的不断提高。对于激光敌我识别的准确性和快速性的要求也越来越高。解决现代战场上的激光敌我识别问题属于一项颇富挑战性的研究工作。协同式激光敌我识别系统将是主要的发展方向, 随着战争的复杂化、一体化, 非协同式将会作为协同式的辅助手段, 也将发挥越来越大的作用。
摘要：单兵识别是现代军事重要的课题, 要求我们能迅速正确的识别敌我。本文主要介绍了各国单兵设备的研制情况, 以及激光识别技术的一些新的思路。
关键词：单兵识别,激光识别
参考文献
[1]亓洪兴, 舒嵘, 马德敏, 何志平, 吕刚《基于激光诱导离解光谱技术的元素识别方法》红外与毫米波学报, 第26卷第1期2007年2月
[2]Reed M A, Lit tle A D.A Persional Level Identifi cation Friend or FOE System Employing Free Space Optical Communications
[3]陆彦文, 陆启生。军用激光技术。北京:国防工业出版社
[4]尹福昌, 张锦风。激光敌我识别。光子学报, 1995, 24 (3) :226-229