高速公路监控视频中运动车辆对象提取

结合高速公路交通视频的特点,提出了监控中运动车辆对象提取的方法。该方法利用混合背景差分法提取运动目标,并对目标进行形态学处理,最后结合后退N帧、半监督学习的阈值选取的思想提取车辆对象特征最显著的视频帧。实验结果表明,该方法有效地改善了传统的混合高斯背景差分提取运动对象过程中出现的孔洞、噪声和车辆对象非完整性及特征不显著的问题,进而优化了车辆对象的提取流程。     

平移不变小波在心音信号去噪中的应用

小波阈值去噪方法可以消除心音信号中的噪声,但其缺乏平移不变性,可能在信号的奇异点附近产生人为的振荡现象,即Pesudo-Gibbs现象,影响去噪效果。采用平移不变(Translation Invariance,TI)小波阈值去噪的方法对心音信号进行去噪,通过对信号序列平移来改变奇异点在整段信号的位置,以降低或消除振荡。对信号采用平移不变小波去噪之前,先通过消除趋势项来降低信号采集过程中引入的干扰。实验结果表明,该方法消除了人为振荡现象,在保留心音信号主要特征的前提下,信号的信噪比(Signal-to-Noise Ratio,SNR)和根均方误差(Root Mean Square Error,RMSE)均得到明显改善。     

一种无线传感器网络链式传输分簇路由协议

由于周围环境对无线传感器网络(WSNs)的影响,在布设到特殊环境下时会产生信号的衰减与损耗,导致通信不畅。针对此问题,提出一种以LEACH路由协议为基础适应特殊环境(长直空间)的新型路由算法。本算法采用链式传输,即从内部逐一将信号传输给距空间最外端且距基站位置较近的簇头,克服了内部节点死亡过快的问题。同时簇内采用链式传输并且改进簇头阈值与成簇半径,减小了能量消耗,提高了稳定性,克服了LEACH算法的不足。     

基于压力传感器的高精度血压计系统设计

血压是反映人体生理状况的一项重要指标,血压监测在临床和医疗保健中有着重要的地位。针对传统单片机设计方案测量精度不高、稳定性不好等缺点,采用MSP430单片机与ARM处理器有效结合的方法,设计了一种基于压力传感器的高精度血压计。从脉搏波特征点入手,采用了一种改进的阈值法,能准确检测出多种病理情况下的有效脉搏波峰值,该方法克服了传统阈值法检测脉搏波准确性不高的缺点,方法简单,测量时间短。采用自适应卡尔曼滤波算法拟合包络线,相比高斯曲线拟合效果更好,且易于编程实现。测试结果表明:系统误差小于4 mmHg,测量范围为0~295 mmHg,具有精度高、速度快的特点。     

基于阈值滤波的太阳能智能追踪系统设计

针对太阳能利用率不高的现状,设计了以MSP430F169单片机为核心的智能型太阳能自动追踪系统,采用基于阈值滤波的最大功率点追踪控制算法,提高了系统太阳能板追踪太阳的灵敏度,采用风速监测模块,增强了系统的稳定性。结果表明,相比固定电池板,系统吸收太阳能的转换效率提高了约95%,对提高太阳能的吸收效率,合理地利用太阳能具有重要的研究价值。     

基于H.264的改进阈值的可变自适应十字搜索算法

H.264视频编解码标准的算法复杂度高,不能满足视频监控和无线传输中要求的高压缩比、低码率和实时性的要求,通过分析可知运算量最大的是运动估计模块,本文对该模块的算法进行优化。在ARPS算法的基础上结合预测的初始点和自适应调节臂长的搜索策略的优点,采用可变阈值的早期终止策略和简单的搜索模板的算法。实验表明该算法在有效减少搜索点数的情况下并不会对图像质量产生较大的影响,提高了运动估计算法的搜索速率和鲁棒性。     

Markov随机场与Gaussian曲线在MR图像分割中的应用

针对扫描的人脑组织MR图像边缘分辨率低、模糊性大的特点,本文提出了一种基于模糊Markov随机场和Gaussian曲线相结合的MR图像最佳阈值分割方法。该方法通过对图像的像素邻域属性的统计将模糊论引入其中,建立模糊Markov随机场,并利用Gaussian曲线对二维直方图最佳一维投影进行拟合,确定出图像中各脑组织的二维阈值点,在二维直方图上实现对脑组织的分割。通过实验表明,本算法能够有效提高脑组织的分辨率,对噪声的鲁棒性、结果区域的连通性相对于一维Otsu和二维Otsu算法都有了很大的提高。     

基于三维直方图修正和灰度熵分解的图像分割

图像噪声容易引起图像误分割,而常用阈值选取方法仅依赖于图像直方图的概率信息,未直接考虑图像中类内灰度分布的均匀性。为此,提出一种修正三维直方图和分解处理灰度熵的图像分割算法。分析图像的噪声对其邻域灰度造成的影响,通过修正三维直方图来减弱噪声干扰,给出三维灰度熵阈值的选取公式,并将三维灰度熵分解至一维进行处理,使计算复杂度由O(L3)降为O(L)。实验结果表明,与二维最大熵斜分法、二维交叉熵递推法、降维三维Otsu法相比,该算法抗噪性能更强、分割效果更好,同时能使运算时间缩短10%以上。     

不确定度模型下数据流自适应网格密度聚类算法

随着计算机技术及感知技术的发展及应用,各个领域普遍出现不确定性数据流形态的新型数据,吸引了众多研究者的关注.现有的数据流聚类技术普遍忽略不确定性特征,常导致聚类结果的不合理甚至不可用.为数不多的针对不确定性特征的聚类方法片面考察不确定性,且大多基于K-Means算法,具有先天缺陷.针对这一问题展开研究,提出了不确定度模型下数据流自适应网格密度聚类算法(adaptive density-based clustering algorithm over uncertain data stream,ADC-UStream).对于不确定性特征,该算法在存在级和属性级不确定性统一策略下,构建熵不确定度模型进行不确定性度量,综合考察不确定性.采用网格-密度的聚类算法,基于衰减窗口模型设计时态和空间的自适应密度阈值,以适应不确定性数据流的时态性和非均匀分布特征.实验结果表明,不确定模型下的数据流网格密度自适应聚类算法ADC-UStream在聚类结果质量和聚类效率方面都具有较好的性能.     

基于重加权快速交替方向法的频谱感知

在认知无线电网络中,由于深衰落和低信噪比的影响,单个认知用户的宽带频谱检测性能较差,且算法复杂度较高。针对该问题,提出一种基于重加权快速交替方向法的频谱感知算法。利用目标函数的凸性,通过求导简化辅助变量的更新过程。对目标函数进行线性化处理,增加一个二次项,使待估变量更新时部分项线性化的增广拉格朗日函数成为严格凸函数,并使用迭代软阈值算法进行求解。在目标项中增加大权值抑制信号中的非零元素,获得接近于最小?0范数的解。实验结果表明,该算法能有效提高低信噪比环境下的检测概率和检测速度。