同色系蝴蝶停落变色龙头部

众所周知。变色龙能自由变换身体颜色以适应周围环境来保护自己。英国《每日邮报》刊登了一组土耳其摄影师捕捉到的一只蝴蝶停在变色龙头上的精彩照片。照片中的这只变色龙停在一株植物的树干上。一只花斑纹的蝴蝶停在了它的头上,而且这只蝴蝶并没有使变色龙的身份泄露,其翅膀的绿色和变色龙的颜色看起来几乎一样。28岁的摄影师MehmetKaraca被变色龙和蝴蝶身上极其相配的绿色所触动。他说：“我喜欢这两个小家伙身上特别相配的绿色。它们停靠在一起看起来很平静和谐,它们真的很匹配。”     

鼠狐猴的休眠机制

杜克大学通过一项对肥尾鼠狐猴（学名：Cheiroga leusmedius）休眠机制的研究后称,该研究或许将有助于人类未来进行远距离太空探索。或治疗心脏病、中风、头部外伤等造成的身体损伤。     

啄木鸟颅骨及颌骨的材料学特征对抗头部冲击性的新发现

头部冲击性损伤多发于汽车碰撞、航空救生及体育运动中,其危害性大,伤后致死、致残率高达68%,且近年来年轻人头部冲击性损伤发生率日渐增长.然而,自然界中的森林医生啄木鸟,每天啄木次数高达12000次,啄木     

珍贵濒危动物大鲵

大鲵是现存有尾目中最大的一种,最长可超过1米。头部扁平、钝圆,口大,眼不发达,无眼睑。身体前部扁平,至尾部转为侧扁。体两侧有明显的肤褶,四肢短扁,指、趾前五后四,具微蹼。尾圆形,上下有鳍状物。体表光滑,布满黏液。     

基于正交图像的头部三维模型构建

为快速构建人体头部的三维模型,提出了一种使用头部正面和侧面两张正交图像进行重建的方法.首先,利用Candide-3模型生成标准头部模型;然后,利用改进的主动形状模型(ASM)自动获取正面图像中68个特征点和侧面图像中35个特征点,并将获取的特征点与标准头部模型中的顶点进行匹配,利用匹配特征点对标准模型进行全局变形和局部变形,从而获得个性化模型;最后,对侧面头像进行仿射变换,使之与正面图像配准,并通过柱面投影和加权融合获得人脸全景纹理图,将其映射到个性化模型上以获得逼真的头部模型.实验结果表明:与传统ASM算法相比,利用改进ASM算法获得的特征点定位准确度提高了13.1%;所提方法仅需约1.2 s便可重建出具有真实感的头部三维模型,并能提供较大范围的可视角度和较丰富的深度信息.     

奇异的桶眼鱼

<正>据2009年底的统计结果,这张照片在网友最关注的科学照片中名列第二。这张照片显示的是一条太平洋桶眼鱼(也叫大鳍后肛鱼),亦称鬼鱼。     

被谋杀的印加女孩

正19世纪90年代,巴伐利亚王妃特蕾莎在南美旅行期间得到两具木乃伊。其中一具很快就丢失了,另一具辗转来到慕尼黑的博物馆。之后,由于战争等原因,这具木乃伊的所有记录都丢失了。最近,为了破解这具神秘木乃伊之谜,科学家对它进行了各种科学检测。CT扫描结果显示,虽然这是木乃伊的头部从外表看很正常,但实际上头骨的前面部分已被彻底破坏。由此可见,此人在死前头部遭遇过反复重击,以至于被打碎的头骨坠落进了脑腔。死者的尸体被     

生物力学在分析交通事故成因中的应用

采用生物力学的方法分析交通事故的成因，通过对人体头部损伤耐受曲线的研究，及事故冲撞过程中人体力学模型的分析，给出受伤者颅脑损伤程度与头部撞击地面的速度，冲撞速度，冲撞位置之间的关系。     

果蝇头部烟碱乙酰胆碱受体的随龄变化及麦饭石的抗衰老作用

采用果蝇头部粗制膜烟碱乙酰胆碱受体（ｎＡｃｈＲ）与放射性配基￣（１２５）Ｉ标记的ａ一银环蛇毒素（ａ一ＢＧＴ）进行饱和结合试验，结果表明果蝇头部ｎＡｃｈＲ的数量（Ｂ＿（ｍａｘ））随增龄而减少，２０日龄和３０日龄与１日龄相比，受体数量分别从４００ｆｍｏｌ／ｍｇ下降至２９０ｆｍｏｌ／ｍｇ和２６０ｆｍｏｌ／ｍｇ，下降幅度为２７．５％和３５．０％，差异显著（Ｐ＜０．０５），但ｎＡｃｈＲ的结合能力（Ｋ＿Ｄ）不因增龄而改变，中华麦饭石对果蝇头部ｎＡｃｈＲ随龄而减少具有对抗作用，３０日龄与１日龄相比．受体数量仅从３９５ｆｍｏｌ／ｍｇ下降至３４０ｆｍｏｌ／ｍｇ，下降幅度仅为１３９％，与同日龄对照组相比，表现出明显地延缓头部ｎＡｃｈＲ数量下降的作用，中华麦饭石对Ｋ＿Ｄ值无影响。     

基于边缘分割的车载单目远红外行人检测方法

基于机器学习的车载单目远红外行人检测方法存在实时性较差和检测精度较低的问题.为此,文中提出了基于边缘分割的头部-方向梯度直方图-支持向量机(Head-HOGSVM)行人检测方法,引入加权Sobel算子强化行人的垂直边缘以分割行人候选区域;根据不同距离行人的外观模式选择行人检测方法:使用头部特征检测中、近距离行人以改善系统的实时性,使用头部识别级联基于方向梯度直方图特征的支持向量机(HOG-SVM)分类器检测成像模糊的远距离行人.在多个郊区场景视频数据集上的实验结果表明,与基于双阈值分割的HOG-SVM分类方法相比,文中方法的检测精度和检测速度分别提高了约33%和200%.