本技术公开一种无序三维离散点云切片式特征提取方法及系统。方法包括:获取无序三维离散点的有效范围和密度，并根据密度在X、Y、Z三个方向分别设置切片的间隔；根据设置的切片的间隔，在X、Y、Z三个方向上分别从小到大对无序三维离散点进行切片，得到各个方向上的二维切片；根据各个方向上的二维切片数据，分别计算X、Y、Z三个方向上各切面的凹包，标记凹包外边界所包含的点；统计重复标记的点，形成重复标记的点集；对重复标记的点集进行体素滤波，获得提取的特征点。本发明受医学CT切片启发，可处理任意形状、尺寸的三维实体，能够解决现有无序三维离散点云特征提取算法复杂、处理耗时的问题。

 本文公开了一种考虑横向尺寸的结构光相高标定算法，涉及相机标定技术领域，该方法包括:首先通过获取不同位置、不同角度的棋盘格标定板图像，对相机进行单目标定与镜头畸变矫正，随后采用相高法获取相高法标定数据并计算得到相位‑高度映射系数；之后针对相机的任一条光路，根据相机单目标定参数和相高法标定数据，计算光路与不同高度的棋盘格标定板交点的横向尺寸，并根据光路与不同高度的棋盘格标定板交点的横向尺寸和棋盘格标定板的高度值，拟合得到高度‑横向尺寸映射系数；本申请的上述方案从几何角度分析，针对相机成像结果的每一条光路推导计算了其与已知高度的标定板平面交点的横向尺寸，进而逐像素拟合横向尺寸与高度的映射系数。

 本技术涉及图像处理技术领域，具体涉及一种基于高质量码本的双分支多尺度图像去雾方法，包括:获取原始图像超分辨率重建数据集；利用原始图像超分辨率重建数据集对VQGAN网络模型进行训练，获得码本、VQ解码器的网络结构和其对应的参数；获取原始图像去雾数据集；利用原始的图像去雾数据集对双分支多尺度图像去雾网络模型进行训练；将有雾图像输入到训练好的双分支多尺度图像去雾网络模型中得到生成的清晰无雾图像，本发明对原有雾霾图像进行重建实现了端到端的图像去雾流程，提高了有雾图像的清晰度和可识别度。

 本技术公开了一种主动学习过程中的学习样本的选择方法，包括:采用预训练模型对原始数据进行一次性特征嵌入，并通过微型神经网络进行迭代样本数据的选择；基于所述迭代样本数据，基于所述微型神经网络及样本池化过程进行多轮迭代选择处理过程，实现学习样本的选择。本发明的实现使得使用轻量级神经网络便可以直接预测样本的信息丰富程度，同时还可以根据历史的信息丰富程度衡量结果缩小每一轮样本信息丰富度衡量的候选样本，从而解决当未标注数据量庞大时存在的数据选择耗时久的问题，以实现使用较少的标注时间预算得到高正确率的任务模型。

 本技术公开了一种改进型YOLOv8芯片表面缺陷检测模型构建方法及应用，通过搭建改进型YOLOv8目标检测模型的网络结构，包括Backbone模块、Neck模块和Head模块；Backbone模块包括多层DCNv3网络、C2f网络和SPPF网络，对图片进行多层卷积处理后输出第一有效特征层、第二有效特征层和第三有效特征层；Neck模块采用BiFPN双向特征金字塔特征融合结构，将Backbone模块输出的3个有效特征层输入Concat_BiFPN网络中进行双向自适应融合，随后分别经CBAM注意力机制网络输出；Head模块包括Detect网络结构，Detect网络结构与CBAM注意力机制网络连接，输出目标检测结果；利用改进型YOLOv8目标检测模型结构对芯片表面缺陷精准识别，提高对不同类型缺陷的适应性。

 本技术公开了一种遥感影像变化检测方法，属于遥感影像处理技术领域，包括以下步骤:获取待检测双时相遥感影像：其中，待检测双时相遥感影像包括前时相遥感影像和后时相遥感影像；将所述双时相遥感影像输入到预训练的改进型变化检测网络模型，获得双时相遥感影像的变化区域和变化类型；其中，所述改进型变化检测网络模型引入了Shuffled‑Sparse Attention模块和CFFEM模块。本发明可以可以提取更精细的边界信息，降低漏检率和错检率，提高模型泛化性。

 本技术公开了一种基于改进YOLOv8‑seg芯片表面缺陷分割模型及其训练方法和应用，搭建改进YOLOv8‑seg分割检测模型的网络，其中，Backbone模块包括多层的ShuffleNetV2网络结构，对图片进行多次卷积处理，提取出3个有效特征层；Neck模块采用Concat_SDI网络结构和EMA注意力机制网络结构，利用Concat_SDI网络结构对Backbone模块输出的有效特征层进行多层次特征融合得到特征图，利用EMA注意力机制网络结构对特征图进行特征加权；head模块为分割头，基于Neck模块的输出结果，以输出最终的特征信息；在完成改进YOLOv8‑seg分割检测模型的网络结构搭建后，进行训练、验证以及测试。本发明利用改进yolov8‑seg分割检测模型对芯片表面缺陷进行精准分割、检测，尤其是面对复杂背景和低对比度缺陷时，仍然能够保证检测的精度。

本技术涉及人流智能非接触管控技术领域，特别是涉及智能临时平台非接触图像识别移动管控方法及系统。包括:根据第一标识集与第二标识集的差集，生成目标区域对应的第一区域人群密度ρ1；根据通信基站对通讯终端的定位信息，确定目标区域对应的第二区域人群密度ρ2；根据ρ1、ρ2及探针补偿系数φ，生成当前目标区域中的人群密度ρ；根据ρ与区域人群密度阈值Y，生成移动管控指令。将ρ1及ρ2进行融合后得出最终的人群密度，以此来提高计算精度，更加高效准确的对人员的流动做出指导，降低交通拥堵等公共安全问题的发生。并且，以非接触式的无感方式来统计出区域中的人群密度，进而降低对进入区域中的人员的配合度的要求。

本技术涉及三维图形技术领域，且公开了一种三维图形实时渲染的方案，三维扫描软件启动时即根据扫描物体的大小，完成初始化分块实时网格，将扫描空间粗分为若干个子空间，每个相邻的子空间以一定比例重叠，比例数值为0.1。该三维图形实时渲染的方案使用时，通过设置将三维扫描设备的3D网格分为两部分，实时网格和精细网格，实时网格牺牲部分精度，以相对粗糙的分辨率换取快速网格生成，以点云的颜色插值网格顶点颜色，达到快速生成渲染网格的目的，且精细网格是三维扫描设备的输出，网格的精度高于实时网格特征更明显以生成高精度网格为目的，牺牲网格生成时间，避免了无法满足实时网格的精度需要的问题。

 本技术提出一种车载激光点云目标语义域自适应语义分割方法，具体为:构建源语义空间点云数据和目标语义空间点云数据；构建点云语义分割模型并解耦为特征编码器与分类器；构建基于源语义空间点云生成的预训练语义分割模型；基于预训练语义分割模型，构建目标语义分割模型；根据预训练语义分割模型生成目标语义空间伪标签，重构目标语义空间点云；冻结预训练语义分割模型参数，构建基于多级特征保持的知识蒸馏；基于特征表示与输出结果构建总的损失训练目标语义分割模型。本发明基于多级特征空间表示蒸馏与交叉耦合损失，在保留原有模型分类性能的同时实现对新类的识别，避免了对新的点云数据人工标注并训练新模型所造成了大量资源的消耗。