排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
在Wyner-Ziv视频编码传输系统中,关键帧的正确传输和准确解码对于整个系统的编解码性能有着重要影响.然而在无线通信系统中,由于网络故障、网络拥塞等会造成关键帧数据丢包的问题,这严重影响了接收端的解码质量.本文针对关键帧丢包问题提出一种新的解决方案,即在有反馈信道的条件下,通过对丢包帧增加部分额外Wyner-Ziv码流进行纠错并恢复解码端的受损图像,从而有效地提升视频质量.实验测试结果表明:当关键帧丢包率为1%~20%时,相比于典型的帧内错误隐藏算法,本文方案对重建图像纠错后的PSNR最大可提高20dB,且即便是丢包率很高的情况下,也能够较好地提升关键帧的R-D性能. 相似文献
2.
基于Caffe深度学习框架的车牌数字字符识别算法研究 总被引：1，自引：0，他引：1
在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势. 相似文献
1