基于联合特征直方图的均值漂移目标跟踪算法

针对单一颜色特征跟踪性能差的缺点, 提出一种基于联合特征直方图的均值漂移目标跟踪算法. 采用颜色、边缘、运动3 个具有一定互补性的信息进行联合概率跟踪, 以提高目标模型的描述能力; 利用运动信息修正颜色和边缘模型核函数, 用以克服背景颜色、轮廓对跟踪效果的影响; 根据各特征所占权重, 运用自适应融合法生成关联特征直方图, 并将所构建的目标模型融合到mean shift 跟踪框架中, 实现目标跟踪. 实验结果表明, 所提出的算法具有较高的准确性.

     

一种融合多级稀疏表达和度量学习的目标跟踪方法

基于稀疏表达的跟踪方法通常采用基于固定阈值的模板更新策略, 很难适应不断变化的目标外形; 其次, 稀疏表达缺乏描述目标流行结构的能力, 区分背景和目标的能力差. 针对基于固定阈值的模板更新策略的不足, 提出一种多级分层的目标模板字典. 为了改善对背景和目标的区分能力, 提出一种融合多级稀疏表达和度量学习的目标跟踪方法. 实验结果表明了所提出的方法能有效提高跟踪的鲁棒性和精度.

     

空间相关背景加权直方图均值漂移目标跟踪

针对传统的基于直方图的均值漂移跟踪算法, 当目标出现于复杂跟踪条件时, 因无法显著区分颜色相近的目标或背景而导致跟踪失败的问题, 提出一种基于空间相关背景加权直方图的均值漂移跟踪算法, 并给出了推导过程. 实验结果表明, 该算法通过在目标模型中减少背景显著特征来增强目标定位, 能在遮挡、光照变化等复杂情况下实现有效的目标跟踪, 改善了传统均值漂移算法中模板不能及时更新等方面的局限性.

     

基于类决策树分类的特征层融合识别算法

针对雷达组网量测数据不确定性大、信息不完备等特点, 基于决策树分类算法的思想, 创建类决策树的概念, 提出一种基于类决策树分类的特征层融合识别算法. 所给出的算法无需训练样本, 采用边构造边分类的方式, 选取信 息增益最大的属性作为分类属性对量测数据进行分类, 实现了对目标的识别. 该算法能够处理含有空缺值的量测数据, 充分利用量测数据的特征信息. 仿真实验结果表明, 类决策树分类算法是一种简单有效的特征层融合识别算法.

     

基于流形鉴别信息的特征选择及其结构化稀疏表示

针对启发式特征选择策略忽略了特征间相关信息导致子最优的问题, 提出一种基于流形鉴别信息的特征选择(MDFS) 算法. 该算法根据近邻信息和标签信息刻画高维数据类内和类间流形结构, 以最小化流形散度差为准则构建目标函数, 并增加结构化稀疏正则项降低特征间冗余. 通过统一框架下的特征权重迭代优化获得最优特征子集. 在ORL 库、COIL20 库、Isolet1 库上的聚类实验表明, MDFS算法选取的特征子集相比传统算法具有更高的识别准确率和归一化互信息, 验证了所提出算法的有效性.

     

自适应分块多线索融合粒子滤波跟踪方法

多线索融合是解决复杂情况下跟踪问题的有效手段, 为此提出一种基于自适应分块目标模型的多线索融合 粒子滤波跟踪方法. 根据目标颜色分布自适应分块建立目标描述模型, 可提高对目标初始描述的适应性; 采用多线索融合粒子滤波跟踪, 在跟踪过程中能根据子块可靠程度动态调整权重, 提高对剧烈光照变化、目标姿态变化、遮挡等复杂情况的适应性. 实验结果表明, 所提出的跟踪方法在多种复杂情况下能准确有效地跟踪目标.

     

一种基于属性关系的特征选择算法

对于包含大量特征的数据集, 特征选择已成为一个研究热点, 能剔除无关和冗余特征, 将会有效改善分类准确性. 对此, 在分析已有文献的基础上, 提出一种基于属性关系的特征选择算法(NCMIPV), 获取优化特征子集, 并在UCI 数据集上对NCMIPV 算法进行性能评估. 实验结果表明, 与原始特征子集相比, 该算法能有效降低特征空间维数, 运行时间也相对较短, 分类差错率可与其他算法相比, 在某些场合下性能明显优于其他算法.

     

分块多特征目标描述子的移动机器人目标跟踪

为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.

     

基于一阶特征模型的自适应跟踪控制方法

基于特征建模理论, 针对一类可由一阶特征模型描述的被控对象, 设计一种新的自适应跟踪控制方法. 通过参数整合, 将系统特征压缩到一个时变参数中, 进一步减少需估计的参数, 更利于工程应用. 利用李雅普诺夫方法, 分析闭环系统的稳定性. 最后, 通过数学仿真验证了所提出方法的有效性.

     

基于蜂拥控制的移动传感器网络目标跟踪算法

针对移动传感器网络中的目标跟踪问题, 以及现有控制策略在保持网络拓扑结构连通性和降低能量消耗方面存在的不足, 提出一种基于蜂拥控制的移动传感器网络目标跟踪算法. 首先, 利用网络中部分节点检测目标, 并使用卡尔曼一致性滤波算法估计目标的状态, 在获得比较精确的估计状态的同时降低能量消耗; 然后, 在蜂拥控制下传感器网络始终保持拓扑结构连通性和目标对网络可见, 同时避免节点之间发生碰撞. 仿真结果验证了所提出算法的有效性.

     

基于特征显著性的多特征融合车牌定位算法

在分析已有车牌定位技术以及目标检测共有特性的基础上,提出了基于视觉显著性的特征选择方法.算法依据先验样本的统计学习,利用导致最小错误概率判决方法,得到目标的特征显著性分析.在车牌定位过程中,根据得到的特征显著性序列,依次赋予特征不同的权值,然后采用融合的方式得到所需要的车牌区域.实验结果表明,该算法提高了使用单一特征进行车牌定位的准确率.     

基于复杂特征融合的改进mean shift目标跟踪

提出一种融合Gabor小波纹理特征与颜色特征的改进mean shift目标跟踪算法.首先,提取移动目标的颜色特征和纹理特征直方图;其次,基于mean shift算法定义融合相似度系数,对特征空间进行融合并得出目标中心位置;再次,通过定义特征自适应系数来融合基于颜色和纹理特征的目标位置;最后,对上述结果进行处理,得到目标最终位置.实验结果表明,该算法在跟踪目标存在变形、噪声、遮挡时能够得到比较理想的跟踪效果.     

基于偏最小二乘分析的双模粒子滤波目标跟踪

针对在复杂背景下,基于主成分分析(PCA)的目标跟踪方法准确率较低的问题,使用偏最小二乘分析,提出一种双模粒子滤波的跟踪算法.首先采用偏最小二乘分析对目标区域建模,作为观测模型;然后利用仿射变换描述目标的形变过程,分别在李群及其切向量空间上建立双模的动态模型;最后结合特征空间更新策略,使用粒子滤波实现目标跟踪.实验表明,所提出的算法能够有效滤除背景噪声,跟踪结果稳定且准确.     

基于NDO的ROV变深自适应终端滑模控制器设计

针对ROV的深度控制问题, 提出基于非线性干扰观测器的自适应终端滑模控制方法. 详细叙述了控制器的设计过程, 并利用Lyapunov 稳定性判据, 验证了存在模型参数不确定性和外干扰时, 系统的全局渐近稳定性和跟踪误差的收敛性. 仿真实验表明, 所提出的控制器不仅能够很好地估计并克服外干扰和模型不确定性等因素, 具有很好的鲁棒性能, 而且还可以实现在任意规定时刻变深运动的快速收敛.

     

有源电力滤波器切换跟踪与优化控制

为了提高有源电力滤波器的动态性能, 基于切换系统理论研究其电流跟踪控制问题. 首先, 建立系统的切换动态模型, 根据切换系统理论和空间电压矢量法证明二次稳定性, 并设计相应的切换控制序列. 考虑到控制器的数字化实现, 建立系统的离散切换系统模型, 提出在采样周期内使系统性能最优的切换控制策略. 仿真结果表明, 该控制策略能实现对指令电流的精确跟踪, 降低功率器件的开关频率, 从而有效地提高系统的动态性能.

     

基于腿部关节控制的仿人机器人偏摆力矩控制方法

针对机器人步行过程中产生的偏摆力矩影响步行稳定性的问题, 提出一种全新的基于腿部关节控制的偏摆力矩控制方法. 分析了偏摆力矩产生的原因及步行过程中垂直方向上的力矩平衡条件; 根据仿人机器人连杆模型和力矩平衡条件, 将偏摆力矩控制问题转化为带约束条件的二次规划问题, 推导出支撑腿腿部关节角度控制的表达式, 设计了腿部关节自适应控制器以提高轨迹跟踪性能, 并给出了稳定性证明. 仿真结果表明, 该方法能较好地克服偏摆力矩的影响, 使机器人实现稳定的步行.

     

基于联合模板稀疏表示的目标跟踪方法

针对传统基于稀疏表示的目标跟踪方法中, 当场景中含有与目标相似的背景时容易出现跟踪漂移的问题, 提出一种新的目标跟踪方法. 该方法基于目标的局部二元模式特征, 将目标外观模型同时用原始目标模板与当前帧部分粒子构成的联合模板稀疏表示, 构建一个联合目标函数, 将跟踪问题通过迭代转化为求解最优化问题. 实验结果表明, 所提出跟踪方法在解决遮挡、光照等问题的同时, 对场景中含有与目标相似背景的序列具有较好的跟踪效果.