倾斜指势动作识别设计方法

为满足手指交互系统的需要,并能够达到对倾斜指势进行准确识别的要求,介绍了一种快速、准确对指尖检测定位并实时识别倾斜指势的方法。该方法利用YCb Cr颜色空间分割算法对肤色聚类进行粗分割,然后运用"周积比"概念对预处理区域进行细化分割,剔除除手部以外的肤色干扰区域并利用最小二乘法二项式拟合算法获取手指轮廓。采用改进的凸包络优化算法完成指尖的检测及倾斜修正。最后,进行局部扫描获得最终的指势识别。实验表明,介绍的方法能实现简单倾斜指势0~9的识别且识别率高达95.7%,稳定性较好。     

样本熵融合聚类算法的森林火灾图像识别研究

针对森林火灾图像识别中遇到的漏检和误检等问题,提出了一种基于K-Means聚类下样本熵值判别算法。算法先将采集到的森林火灾图像进行色域空间转换,降低了视觉偏差在图像识别过程中的影响。然后采用K-Means聚类算法,通过HSV分量的欧氏距离准则,对火灾预期出现的图像子集进行聚类。在此基础上,通过样本熵对聚类后的图像子集权重进行辨别,区分类火灾区域和火灾区域的熵值统计差异,确认聚类筛选出来的图像子集是否存在火灾。实验结果表明,采用样本熵融合K-Means聚类算法对森林火灾图像识别能够有效提高识别正确率。经过60幅图像的检测,全部图像的火灾区域识别正确率提高到96.67%,平均识别时间为16.03 s。由于本算法具有较强的鲁棒性和便捷性,能够适应复杂背景下火灾区域识别工作,相对于传统K-Means算法具有更好的检测效果。     

视觉与二维激光雷达的目标检测方法

为了改进单一传感器对目标物体的检测范围小、检测特征少以及检测准确率较低的问题,提出一种视觉与二维激光雷达的目标检测方法。在视觉检测方面提出一种改进的GoogLeNet算法实现视觉对目标物体的识别,该方法相比GoogLeNet算法在对6种目标物体的识别准确率上提高了0.7%。在二维激光雷达检测方面采用欧氏聚类算法对二维激光雷达的点云数据聚类,接着使用RANSAC算法对聚类簇中的数据点进行筛选,最后使用卡尔曼滤波算法对目标物体的位置进行预测,实现二维激光雷达在特定平面上360°对目标物体进行跟踪检测和定位。实验结果表明,该方法使得移动机器人扩大了检测范围、增加了检测特征并提高了识别准确率。     

基于路侧激光雷达的障碍物目标检测方法

针对现有障碍物检测方法在复杂道路场景下存在地面分割欠精准、计算量大以及不同距离下的目标聚类困难问题,提出了一种基于路侧激光雷达的障碍物检测方法。在地平面分割方面,提出基于圆柱坐标系的改进扇形栅格模型以及最低点代表法优化种子点的选取,采用多地平面模型并通过随机采样一致性算法(RANSAC)实现地面拟合及分割。在障碍物聚类方面,构建KDTree加速聚类过程,提出划分区域及阈值自适应的方式改进欧氏聚类算法。实验结果表明,该方法在4种典型道路场景下对地面点的分割准确率均达到86%以上,且针对不同距离下的障碍物目标聚类准确率提升明显。     

PCF熔接过程中端面信息定位方法的研究

通过对PCF熔接前的端面图像进行边缘检测和定位,达到识别待熔接PCF类型和校正其位置的目的。首先采用Canny算法进行图像边缘检测,然后采用非线性拟合结合交叉参考的Hough定位方法来精确对准两根待熔pcf的中心轴和包层空气孔。仿真实验结果表明该算法可以获得更小的误差和更高的精确度。     

基于改进YOLOv4的无人机航拍目标检测算法

针对无人机航拍目标检测对检测速度的高要求以及航拍图像小目标较多时易出现漏检、误检的问题，提出一种基于改进YOLOv4的无人机航拍目标检测算法。首先，引入轻量级网络MobileNetv3替换YOLOv4的主干特征提取网络，并采用深度可分离卷积替换网络其余部分的3×3标准卷积，降低了模型复杂度，提升了检测速度；其次，增加了针对小目标的104×104的浅层检测层，将原特征提取网络的3种检测尺度扩展为4种，对应加深特征融合网络层数，提升了算法对小目标的检测精度；最后，采用K-means++聚类算法重新设计了初始锚框，加快了网络的收敛速度。在无人机航拍数据集上进行了对比实验，结果表明所提算法与原算法相比，在保证平均检测精度的同时，提升了小目标检测精度，且模型参数量减少了60%，检测速度提升了15.2%，在实时性和准确性方面均有较好性能。     

基于深度学习增强的LSD杆塔倾斜度检测

杆塔的倾倒会对整个电网产生严重的破坏并威胁周围居民的生命安全,电力巡检无人机利用计算机视觉对杆塔进行巡检既节省了人力资源又显著地提高了电网的巡检效率.为了国网巡检人员在杆塔倾倒前及时得到预警,对电力巡检无人机中的基于计算机视觉的杆塔倾斜检测算法进行了研究,设计了一种基于YOLOv3的深度神经网络结合LSD线段提取方法对杆塔的倾斜进行检测.利用在山西电网无人机实际巡检的杆塔图片制作杆塔的VOC2007数据集并利用YOLOv3神经网络对杆塔进行目标检测,并将检测后得到的Bounding box根据网络训练后的mIOU参数进行微调后作为LSD检测的ROI.接着,该方法在ROI中将检测的线段进行过滤和融合,根据杆塔特点进行杆塔的二次识别.最后利用得到的杆塔外边线做出该方向上的杆塔中线并计算杆塔在该方向的倾斜度.该文中实验利用山西国网电力公司提供的数据进行验证,结果表明,杆塔的倾斜检测效果在各种拍摄高度和背景干扰下都较为精确,杆塔目标的正确识别率达到97％,倾斜度检测平均误差小于0.85°.     

基于软件无线电的无人机入侵检测方法研究

无人机的普及带来了诸多隐私安全问题，而要解决该问题就需对无人机信号进行动态有效检测，从而实现有效管制。本文提出了一种基于软件无线电的无人机入侵检测方法并进行了硬件实现。该方法利用自适应去噪及三次聚类方法实现了无人机信号的识别与分类。仿真结果表明，该方法在信噪比-16.2 dB以上时检测概率达到100%。同时本文依托以AD9361+FPGA+STM32为核心的软件无线电平台进行了方法的工程化实现，实测结果表明方法实用有效，在室内复杂环境及室外环境下均能有效地识别出无人机信号及类型，具有很强的应用前景。     

基于数字图像处理的电力线异物识别方法研究

针对架空线路异物搭挂的潜在威胁,本文提出一种快速识别航拍图像中异物的方法.首先运用直线段检测(LSD)算法从预处理后的图像中提取电力线,并基于架空导线上异物特征设计针对异物的识别算法,提取导线异物;接着对其进行边缘检测,提取缺陷画框并在巡检图像中标识;最后,通过多组样本数据对算法实用性能进行评估.实验结果表明,该方法能...     

基于INNER-DBSCAN和功率曲线模型的风机异常状态检测

针对目前风电机组异常运行状态无法快速检测问题,提出一种基于INNER-DBSCAN算法和功率曲线模型的数据驱动实时检测方法。该方法先利用贝茨理论和RC模型构造一个新的约束来进行数据预处理,剔除机组极端异常运行数据;再基于提出的区间DBSCAN算法对数据进行聚类,得到正常数据和异常数据;最后利用区间邻域最值对正常数据进行边缘识别,构造风电机组正常运行时的功率曲线模型,并通过模式图的上下临界值识别风机异常运行状态。利用8台风电机组SCADA数据进行实验,结果表明,该方法能有效实时检测风机异常运行状态。     

基于平行Snake耦合Kalman滤波器的车道线检测算法

针对当前车道线检测算法中易受到车道线磨损、遮挡、阴影等影响,导致检测算法精度不高,鲁棒性不强,提出了平行Snake耦合Kalman滤波器的车道线检测方案。首先,为了获得道路左右边界的平行属性,引入期望最大化(EM)算子,通过最小化目标函数来估计消失点,并估算其单应矩阵;并在齐次坐标空间中进行单应性变换,将车道线透视图转变为鸟瞰图。然后,通过参数预测算子建立车道模型,将平行性约束添加到主动轮廓模型(Snake)中,构建了一种平行Snake车道线检测方法。在平行Snake方法中,为了克服图像梯度低时Snake无法有效收敛到车道边界,引入了膨胀力,将两条平行的主动轮廓往道路的左右两边推挤,最终收敛到道路的左右边沿。最后,考虑到前后帧之间参数的连续性,采用Kalman滤波器进行跟踪优化,并抑制噪声,提高算法对车道线的识别精度。实验结果表明,与当前常用的车道线检测算法比较,提出的方案在精度与鲁棒性均得到改善,在阴影、光照变化、边界破损等车道数据集上取得了良好的性能。     

基于Sigma点卡尔曼滤波器的电力频率跟踪新算法

通过变换,首先将三相电压信号转换成一复电压信号,再利用一种复数型Sigma点卡尔曼滤波(CSPKF)算法以改进对发生谐波畸变和随机噪声干扰的电力系统电压信号的频率进行动态估计和跟踪的过程。理论证明,CSPKF算法与现有的复数型扩展卡尔曼滤波(ECKF)算法相比具有更佳的跟踪精度和稳定性。此外,CSPKF算法还成功解决了所有卡尔曼滤波算法都必须面对的当算法收敛后,系统参数发生突变的情况下需要重置误差协方差矩阵来重新跟踪这些变化的问题,进一步提高了其跟踪速度。对几种暂态电力信号模型的算法仿真表明,CSPKF算法具有优异的动态跟踪性能,迅速跟踪频率和幅值变化的同时又保持了较低的跟踪误差。     

基于SIFT和感知哈希改进的CamShift跟踪算法

传统的CamShift仅使用目标的颜色直方图作为特征,因此在相似背景干扰、遮挡、高速运动等情况下容易出现跟踪不准确或丢失跟踪目标的现象。针对上述不足,提出了基于SIFT和感知哈希改进的CamShift跟踪算法。首先,将图像从RGB颜色空间转为HSV颜色空间,分别得出色调和饱和度直方图,并提取图像的边缘梯度直方图进行融合获得目标的融合直方图。其次在CamShift算法框架下得到最优候选目标,若候选目标与目标模板的Bhattacharyya距离大于阈值时,则使用改进的感知哈希算法进行最优候选目标的搜索。然后在下一帧搜索时,在目标和视频序列的高信息熵部分使用SIFT算法进行特征点的提取并匹配从而获取初始搜索窗口,若SIFT算法匹配失败,则使用卡尔曼滤波预测的搜索框作为初始搜索窗口。将该算法首先在OTB-100数据集上和其他常用的跟踪算法进行对比实验,实验结果表明算法能够准确地跟踪目标,跟踪成功率达到了90.1%。将该算法应用于人脸跟踪任务中,并与其他的人脸跟踪算法进行对比实验,实验结果表明该算法具有更好的性能和准确性,跟踪成功率达到了93.5%。     

小型飞行器姿态估计系统设计与实现

提出了一种基于最小二乘拟合和四元数拓展卡尔曼滤波器小型无人机姿态系统估计方法。首先建立三轴磁力计的物理模型,采用最小二乘拟合算法估算磁力计的干扰向量,然后采用加速度计对磁力计进行倾斜补偿,最后采用拓展卡尔曼滤波器融合加速度计、陀螺仪和磁力计的4数据,估计飞行器三维姿态。测试结果表明,姿态系统的方位角的线性误差最大为4°,倾斜40°情况下,方位角最大误差为2.6°,静止放置时,横滚角、俯仰角和方位角最大的静止偏差分别为0.215°、0.103°和0.464°。     

目标跟踪在坦克防撞中的研究与应用

考虑到毫米波雷达在噪声源较多的战场上存在较大的测量误差,为了提高毫米波雷达在坦克防撞系统中采集数据的可靠性,提出了用交互式多模型卡尔曼滤波算法对坦克前方机动车辆进行准确的目标跟踪。该算法运用不同机动模型的卡尔曼滤波器进行并行处理,以模型匹配似然函数为基础更新模型概率,并组合所有滤波器的修正后的状态估计值以得到状态估计。仿真结果表明,该算法能够有效的跟踪坦克前方行驶的车辆,获悉其距离、速度等信息,具有跟踪精度高的特点,降低了虚警率。     

基于混合模型的钢轨检测识别方法

为了改善我国现有钢轨检测识别方法准确性和鲁棒性不高以及弯轨拟合较差等问题,提出一种基于直线-曲线混合模型的钢轨检测识别算法。首先对图像进行预处理,调整滞后阈值进行Canny边缘检测。采用累计概率Hough变换对直轨检测并完成近远视场的划分以及消失点的确定。对近视场直轨采用直线模型拟合,根据其检测结果对远视场进行循环线性近似获取钢轨特征点,并根据钢轨灰度特征进行验证,采用最小二乘法完成曲线拟合。直线-曲线模型的切换根据制定的规则完成。实验结果表明,提出的算法检测正确率为90.1%,适用于不同环境的场景,具有较好的鲁棒性。     

基于加速度变噪声EKF的无人机姿态融合算法

针对传统无人机姿态解算方法过程复杂、计算量大、动态性能差的缺点,建立无人机姿态模型;采用陀螺仪对加速度计直接进行滤波的方法,设计出新的基于扩展kalman滤波的加速度滤波器;并且考虑到无人机非重力加速度的影响,对常规kalman滤波器进行了变噪声的改进。利用STM32微控制器和MEMS惯性单元搭建硬件平台进行对比实验。结果表明:在168 MHz时钟频率下,一次传感器数据读取和姿态解算总共耗时3.27 ms,数据更新率可达100 Hz。新算法飞行动态误差小于1°,而传统四元数法动态误差为2°左右;变噪声处理后静态瞬时偏差由4°降到1°。说明新算法的抗震效果和解算精度更好,可以为无人机自主飞行提供更准确的姿态信息。     

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。     

基于深度学习的改进型YOLOv4输电线路鸟巢检测与识别

针对输电线路无人机巡视图像经典鸟巢检测算法权重参数范围大、识别效率低、识别精度低的缺点,提出了一种改进型YOLOv4输电线路鸟巢检测与识别方法。首先,选取Mosaic图像增强技术对图片集进行多种变换,变相增加图片集中的小目标数量。其次,在骨干特征提取网络中,通过引入深度可分离卷积来提高检测网络的速度;在YOLO头中,基于K-means++算法改进锚框的大小和比例,基于最小凸集建立回归损失函数。最后,在PANet和YOLO头之间增加2个SPP模块,进一步增强特征融合能力,提高小目标检测能力。利用某供电局无人机巡检图像制作数据集,将提出的算法与其他目标检测算法进行对比实验研究。实验结果表明,改进后的算法有更高的鸟巢检测准确度和更低的运算开销。     

基于DFFRLS-AUKF的单轨吊车动态倾角辨识方法研究

为保障单轨吊车在深部矿井复杂轨道工况环境下行驶的安全控制性能,需提高单轨吊车动态倾角辨识的精度及可靠性。因此,本文提出了基于DFFRLS-AUKF算法的单轨吊车动态倾角辨识方法。首先,利用自适应平滑滤波算法对实时采集的加速度和速度数据进行滤波处理,避免环境噪声的干扰,保证数据的完整性;其次,通过建立轨道曲率模型实现对轨道全工况的精准分析,在滤波处理后的数据基础上,再结合带有动态遗忘因子的递归最小二乘(DFFRLS)算法得到可靠地轨道曲率值;最终,在计算出的轨道曲率基础上,利用Sage-Husa噪声估计器对无迹卡尔曼滤波(UKF)进行改进,实现了对动态倾角辨识结果地自适应动态调整,提高了动态倾角辨识地精准度。实验表明,单轨吊车在单轨路段1和单轨路段2测试期间,所提的DFFRLS-AUKF算法与传统算法相比动态倾角辨识精度分别平均提升了25.25%和39.5%,表明了DFFRLS-AUKF算法在不同轨道工况下具有良好的精准性及可靠性,有效保障了单轨吊车在复杂轨道工况下行驶的安全性。