一类动态多尺度系统融合估计算法的分析

为了进一步认识基于状态空间投影的一类动态多尺度系统的融合估计算法本质,本文对该算法进行了分析．首先,将该融合估计算法和在最细尺度上直接进行卡尔曼滤波的算法性能进行了比较,并用仿真进行了验证．结果表明,在最细尺度上,融合估计效果比直接进行卡尔曼滤波的效果好．其次,从计算过程和计算量方面,与一般的时间配准方法进行了对比分析．结果表明,该融合估计算法用比较严谨的数学模型代替了时间配准,可以在每个尺度上获得基于全部观测信息的最优估计,但计算量比时间配准方法大．本文的研究为基于状态空间投影的一类动态多尺度系统的融合估计算法的实际应用奠定了基础．     

多尺度随机建模与分布式多传感器数据融合估计

针对不同尺度上拥有不同特征的传感器对同一目标状态进行检测的多传感器单模型动态系统，利用小波将最细尺度上的状态方程进行有效分解，基于小波变换的分析、综合形式建立起以尺度为变量的动态多尺度随机模型。利用该模型将各个尺度上状态的局部估计结果进行有效综合，从而在最细尺度上获得目标基于全局信息的最优估计值。并经仿真对算法的有效性进行了验证。     

多传感器单模型动态系统多尺度分布式融合估计

近几年来,小波理论和信号的多尺度表示方法都得到了迅速发展,并在包括信号处理和图像处理在内的众多领域中得到了成功的应用,而在这些领域中,目前一个较为活跃的分支是基于小波变换的多尺度表示的统计信号处理。运用多尺度分析的思想,将基于模型的动态系统分析方法与基于统计特性的多尺度信号变换方法相结合,建立起状态基于多源观测信息的多尺度分布式融合估计和单源观测信息的多尺度分布式估计两种新算法,用计算机仿真研究验证了算法效能。     

基于M 带小波的动态多尺度系统融合估计

研究一类动态多尺度系统的融合估计方法，这类系统具有已知的动态系统模型约束，由具有不同采样率的多个传感器独立观测，传感器的采样率以M(M 2)倍递减. 用M 带小波变换来拟合状态在各尺度空间的投影关系，建立了满足标准卡尔曼滤波条件的系统模型. 进行卡尔曼滤波后，可以获得系统状态最优估计值. 仿真结果验证了该动态多尺度系统融合估计算法的有效性.     

基于小波变换的分布式信息一致滤波算法

研究一类基于小波变换的分布式信息一致滤波算法. 首先, 利用Haar 小波变换建立目标状态及其观测在不同粗尺度下的系统模型; 然后, 基于该模型, 在不同粗尺度上分别进行分布式信息一致滤波估计; 最后, 针对不同粗尺度估计, 通过Haar 小波逆变换重构最细尺度(初始尺度) 目标状态的估计. 仿真结果表明, 所提出的算法可以有效提高分布式信息一致滤波算法的计算效率.

     

动态模型的多尺度自适应跟踪算法

多尺度 (小波)分析具有时、频分析特性 ,把多尺度分析用于融合跟踪领域是一项值得深入研究的课题 .本文根据多尺度分析思想 ,把运动模型的动态系统分析与小波变换方法相结合 ,给出了不同尺度上的节点方差矩阵的一种快速求解方法 .在此基础上提出了一种多尺度自适应融合跟踪方法 .该方法根据目标的运动状态自动调整跟踪尺度 ,从而有效地利用检测数据 ,更准确地刻画出航迹变化 ,弥补了单一尺度的不足 ,实现了对动态目标的跟踪 .     

多观测信息动态加权粒子滤波

在机动目标跟踪中,当系统状态向量为多维的情况下,单一观测量的滤波跟踪无法满足多维状态估计精度的要求。为此,提出一种基于粒子滤波融合多观测量的动态加权算法。该算法利用多个高度非线性观测量,并通过动态加权方法融合多个估计值,提高机动目标跟踪的精度。仿真实验验证了该算法的有效性。     

面向目标检测的尺度增强特征金字塔网络

基于特征金字塔网络的目标检测算法没有充分考虑不同目标间的尺度差异以及跨层特征融合过程中高频信息损失问题,使网络无法充分融合全局多尺度信息,导致检测效果不佳.针对这些问题,提出了尺度增强特征金字塔网络.该方法对特征金字塔网络的侧向连接和跨层特征融合方式进行了改进,设计具有动态感受野的多尺度卷积组作为侧向连接来充分提取每一个目标的特征信息,引入基于注意力机制的高频信息增强模块来促进高层特征与底层特征融合.基于MS COCO数据集的实验结果表明,该方法能有效提高各尺度目标的检测精度,整体性能优于现有方法.     

一种基于树形结构融合的目标跟踪算法

针对空中机动目标,利用目标多普勒信息和红外辐射信息建立具有树形结构的红外雷达跟踪系统状态估计模型.基于无迹卡尔曼滤波方法,提出一种自适应双波段红外并行融合算法,并基于红外融合结果,采用序贯滤波融合方法,与雷达传感器实现深层交互多模型融合估计.通过仿真表明了所提出的方法具有更小的距离跟踪误差和良好的跟踪精度.     

非线性状态方程约束下的一类动态多尺度系统建模和估计算法

该文提出了非线性状态方程约束下的一类动态多尺度系统的模型及估计方法,该系统的状态方程是非线性的,多个传感器在状态空间的一个闭子空间序列中对系统状态进行观测。该文用状态空间投影方程将多个尺度联系起来,建立了一种新的集中式系统模型,该模型满足UnscentedKalmanFilter(UKF)条件。给出了基于Haar小波的模型的具体形式和估计算法,MonteCarlo仿真结果验证了该文算法的有效性。     

一种新的动态多尺度系统最优估计算法

给出了一类动态多尺度系统基于Haar小波的序贯式最优估计算法，该算法具有较低的计算复杂度和较高的实时性，为多传感器信息融合提供了一种新的方法。仿真结果验证了这种方法的有效性。     

基于动态加权的分布式多传感器航迹融合算法*

针对目前分布式航迹融合算法中鲁棒性和实时性问题,基于充分利用多传感器测量数据中互补和冗余信息的思想,通过局部航迹估计间模糊支持度函数的建立和支持度矩阵的求解,动态地实现各局部航迹估计在融合中心权重的合理分配,进而提出了一种基于动态加权的分布式多传感器航迹融合算法。最后,通过蒙特卡罗仿真验证了该算法的有效性。     

一种基于不确定分析的多传感器信息动态融合方法

提出了一种基于不确定分析的多传感器动态分布融合方法.首先引入贴近度的概念对 传感器进行动态聚类,接着基于兼容测度实现了组内传感器信息的最优Bayesian估计融合;最 后给出了一种基于一致测度的多传感器信息动态融合的方法.通过实验对比分析,证实了此方 法具有较好的实效性和鲁棒性.     

Dynamic Vergence Using Log-Polar Images

Vergence provides robot vision systems with a crucial degree of freedom: it enables fixation of points in visual space at different distances from the observer. Vergence control, therefore, affects the performance of the stereo system as well as the results of motion estimation and tracking and, as such, must satisfy different requirements in order to be able to provide not only a stable fixation, but a stable binocular fusion, and a fast, smooth and accurate reaction to changes in the environment. To obtain this kind of performance the paper focuses specifically on the use of dynamic visual information to drive vergence control. In this context, moreover, the use of a space-variant, anthropomorphic sensor is described and some advantages in relation to vergence control are discussed to demonstrate the relevance of image plane geometry for this particular task. Expansion or contraction patterns and the temporal evolution of the degree of fusion measured in the log-polar domain are the inputs to the vergence control system and determine robust and accurate steering of the two cameras. Real-time experiments are presented to demonstrate the performance of the system covering different key situations.     

多尺度视角特征动态融合的盗窃犯罪预测模型

针对盗窃犯罪时空预测特征融合不精、时序动态适应性不足问题,提出自注意力和多尺度多视角特征动态融合的预测模型。首先,以盗窃发案的位置信息为基础,将数据投射到地图栅格内,通过构建一种可将不同时序长度案件数据匹配为自适应长度数据的方法,并组合向量映射后的天气、作案时间、地理位置等属性,构造多维度特征融合的输入向量;其次,采用自注意力机制生成多视角特征动态融合的向量;最后,通过采用多尺度窗口CNN对多视角特征动态融合向量进行编码后送入分类器,预测出每个地图栅格内的发案态势。在某市盗窃数据集上验证,本文方法在3种地理栅格尺度下,预测准确率最高可达到0.899,显著优于其他对比模型。     

Multiscale texture segmentation via a contourlet contextual hidden Markov model

The contourlet transform is an emerging multiscale multidirection image processing technique. It effectively represents smooth curvature details typical of natural images, overcoming a major drawback of the 2-D wavelet transform. Previously, we developed a contourlet image model, that is, the contourlet contextual hidden Markov model (C-CHMM). In this paper, we further develop a multiscale texture segmentation technique based on the C-CHMM. The segmentation method combines a model comparison approach with a multiscale fusion and a neighbor combination process. It also features a neighborhood selection scheme based on smoothed context maps, for both model estimation and neighbor combination. Through a series of segmentation experiments, we examine the effectiveness of the C-CHMM in comparison with closely related models. We also investigate how different context designs affect the segmentation performance. Moreover, we show that the C-CHMM based technique provides improved accuracy in segmenting texture patterns of diversified nature, as compared with popular methods such as the HMTseg and the JMCMS. All these simulation experiments demonstrate the great potential of the C-CHMM for image analysis applications.