针对自动驾驶中使用激光雷达进行目标检测时漏检被遮挡目标、远距离目标和复杂天气场景下目标的问题，提出一种基于注意力机制的毫米波-激光雷达特征融合的目标检测方法。首先，将毫米波和激光雷达各自的扫描帧数据分别聚合到它们的标注帧上，并将毫米波和激光雷达的数据点进行空间对齐；其次，对两者进行聚合和空间对齐后的数据分别进行PointPillar点云柱快速编码，转换成伪图像；最后，通过中间卷积层提取两者的传感器特征，并利用注意力机制对两者的特征图进行融合，融合后的特征图通过单阶段检测器得到检测结果。实验结果显示，该融合算法在nuScenes数据集中的平均精度均值（mAP）高于PointPillar基础网络，而且注意力融合的检测方法的性能表现优于利用拼接融合、相乘融合、相加融合的检测方法。可视化结果显示所提方法是有效的，能提高网络对被遮挡目标、远处目标和雨雾天气下目标检测的鲁棒性。

针对射频识别（RFID）标签认证及其所有权转移过程的隐私泄露等安全问题，以及认证协议通常与标签所有权转移协议单独设计的现状，基于支持椭圆曲线加密（ECC）的标签，提出了一个适用于开放环境的兼具标签认证和所有权转移的协议。该协议结构类似于Diffie-Hellman密钥交换算法结构，协议的标签隐私保护基于椭圆曲线上的计算性Diffie-Hellman问题的难解性。经证明，该协议满足标签隐私保护要求及认证协议的其他安全需求。与近年来其他基于标签支持ECC的RFID认证协议相比，从支持标签所有权转移、标签计算开销、协议通信开销和标签隐私保护等多方面综合评估，所提出的认证协议优于对比协议。另外，针对较安全的应用场合，给出了阅读器单向认证标签的简化版协议。

基于ARM920T内核的S3C2440、嵌入式Web服务、QT技术、无线组网技术，设计了智能家居监控系统，系统由智能家居主机、ZigBee/Wi-Fi无线传感控制网络、智能家居客户端软件组成。系统完成了智能家居主机的硬件和软件设计：在ARM平台上移植嵌入式Linux操作系统；使用gSOAP工具建立嵌入式Web服务；配置USB转串口驱动、无线Wi-Fi网卡驱动；组建ZigBee无线传感控制网络，完成对协调器节点以及终端节点的程序设计，制定了数据通信协议；使用QT技术设计客户端程序。最后，重点测试ZigBee网络的建立、终端节点入网和传感器节点数据传输。测试结果表明网络中的传感器节点能够将检测的信息传送到协调器中，智能家居客户端软件能够通过智能家居主机完成对家居环境的远程监测和控制。

为提高大规模数据库人脸识别的速度和减少内存占用，提出了基于区域收缩的大规模数据库人脸识别方法。把离散余弦变换(DCT)图像压缩技术推广到人脸特征数据库的压缩，对数据库进行多级压缩，生成几个压缩率逐步降低的子数据库。在这些子数据库上，按压缩比由高到低的顺序，逐级进行粗略的人脸识别，根据上一级的识别结果，逐级缩小识别范围。最后，在一个很小的范围内，在原未压缩的数据库上进行精确识别。实验显示，识别时间仅为传统方法的29.2%，内存占用仅为传统方法的10.2%，硬盘资源消耗比传统方法仅多11%，识别率没有显著降低。

针对射线跟踪算法计算量大、耗时长的特点,在镜像法的基础上,利用.NET Remoting应用程序架构,设计了分布式射线跟踪并行计算模型。模型以二次虚拟源每个节点的子树为单位划分任务,通过管理程序调用并启动远程计算对象,根据计算节点的完成情况动态地分配任务。仿真结果表明:在保证场强预测精度的前提下,该模型大大减少了计算机运行时间,适用于城市蜂窝环境中电磁波场强的预测。

从刑事现场采集的嫌疑人的指纹图像常是低质量的、残缺的，针对现有方法只做一次增强或不适合增强这类指纹图像，提出了指纹图像融合迭代增强方法。该方法分别在频域和空域两次增强，并采用小波图像融合技术进行迭代增强，有效地提高了脊线的清晰度，接续了脊线的断裂，修补了脊线的残缺。实验结果表明，该算法具有良好的指纹图像增强效果，适合增强低质量的指纹图像。

研究基于PC集群的三维图形并行渲染性能问题，从网络性能、算法复杂度、并行分配机制等几方面分析了影响并行渲染性能的关键因素。在千兆以太网PC集群上进行了基于通用MPI和OpenGL的三维图形并行渲染仿真测试，给出了数据及分析结果，给出了合理构建并行三维图形渲染系统的建议，通过平衡图形算法复杂度和网络性能以达到最佳并行性能。

针对在连续优化中，蚁群算法(ACO)存在的收敛速度慢和易陷入局部最优的问题，提出了一种新的含维变异算子的连续域蚁群算法(DMCACO)。该算法采用动态随机抽取的方法来确定目标个体，引导蚁群进行全局的快速搜索，同时在当前最优蚂蚁邻域内进行小步长的局部搜索。在定义了维多样性概念的基础上，引入维变异算子对维多样性最差的维进行变异：让所有蚂蚁在该维上的位置重新均匀分布在可行区域上。对测试函数所做的仿真实验表明，该算法具有优良的全局寻优能力和快速的收敛能力。

通过对已标示和未标示数据的学习和分类，提出一种改进微分进化算法的半监督模糊聚类。先从大量的数据中选取一小部分进行标记，然后利用标记数据来指导进化过程，实现对未标记数据的分类。通过参考粒子群算法惯性权重思想，引入惯性加权系数，在计算初期能够维持个体的多样性，后期能够加快算法的收敛速度，有效提高了算法的性能。遥感图像数据实验结果显示该方法可以提高分类精度。

在红外动目标序列图像跟踪过程中,由于目标本身的红外特征具有较大的不可预测性,使ATR系统在目标探测阶段产生大量的虚警讯息。因此,必须设法在复杂背景抑制段将虚警探测讯息滤除掉。提出了一种新颖的基于小波神经网络构架的FLIR图像分割技术,旨在将小波变换的时—频局域特性和神经网络的自学习能力相结合,从而使FLIR图像的分割算法具有较强的逼近和容错能力。该算法在FLIR-ATR系统中得到应用,对于FLIR目标图像轮廓的提取和抑制杂散背景方面获得了良好的效果。

复数小波变换在某些方面比实数小波变换具有更多的优点,如:平移不变性、更好的方向 性和精确的相空间信息等,可提高图像的去噪能力。采用二树复数小波变换,在基于H Curve准则 确定阈值的基础上进行图像去噪。此准则不需要提前知道噪声标准偏差,在实际应用中适用于不同 类型的噪声,并且和目前多数方法去噪后的图像过于平滑相比,它还能产生较好的视觉效果。典型去 噪试验表明,该方法在去噪能力、取得的视觉效果和确定阈值的广泛性方面都优于目前多数方法。