基于相关向量机的MEMS陀螺仪随机漂移补偿

提出了一种基于相关向量机的MEMS陀螺仪随机漂移预测方法。针对MEMS陀螺仪随机漂移误差的非线性、不确定性等特点,建立了相关向量机预测模型,并采用EM算法获得模型的参数。针对随机漂移的混沌特性,利用相空间重构技术,将重构后的漂移序列作为输入变量进行模型的训练和预测。训练和测试结果均表明,该方法具有很好的预测效果,优于常用的时间序列分析法和支持向量机法。利用预测结果对随机漂移进行补偿,有效地提高了陀螺的使用精度。     

包裹型镉硒红在三种不同基础釉中的发色及影响因素

选取三种不同的熔块作为基础釉,研究ZrSiO4晶体包裹Cd(SxSe1-x)色料在其中的发色及外加不同含量Zn、Ca、Mg、Si、Na对发色和釉面质量的影响,并在本实验的基础上得到相关结论。     

基于特征自适应选择的鲁棒跟踪算法

为了解决真实场景下视频目标的跟踪问题,提出一种基于特征自适应选择的鲁棒跟踪算法。首先,针对在线AdaBoost算法特征池特征鲁棒性差的问题,提出一种基于颜色与金字塔梯度方向直方图特征相结合的特征池构造方式;然后,针对分类器在更新过程中容易受到错误样本影响的问题,对每帧跟踪结果增加遮挡检测环节以避免漂移现象的发生。大量的对比实验表明,在真实场景下所提出的方法具有更好的效果。     

基于RNN-RBM语言模型的语音识别研究

近年来深度学习兴起,其在语言模型领域有着不错的成效,如受限玻尔兹曼机(restricted Boltzmann machine,RBM)语言模型等.不同于N-gram语言模型,这些根植于神经网络的语言模型可以将词序列映射到连续空间来评估下一词出现的概率,以解决数据稀疏的问题.此外,也有学者使用递归神经网络来建构语言模型,期望由递归的方式充分利用所有上文信息来预测下一词,进而有效处理长距离语言约束.根据递归受限玻尔兹曼机神经网络(recurrent neural network-restricted Boltzmann machine,RNN-RBM)的基础来捕捉长距离信息;另外,也探讨了根据语言中语句的特性来动态地调整语言模型.实验结果显示,使用RNN-RBM语言模型对于大词汇连续语音识别的效能有相当程度的提升.     

稀疏表示分类中遮挡字典构造方法的改进

针对稀疏表示分类算法中遮挡字典维数高且无冗余的问题,提出一种遮挡字典构造方法.首先通过图像分块得到各级的遮挡基图像;然后将所有互不相同的遮挡基图像按字典顺序转化为向量,并用这些向量作为遮挡字典的列,从而构造出维数相对较低且具有一定冗余度的遮挡字典.实验结果表明,该方法不仅明显提高了稀疏表示分类算法对遮挡人脸的识别率,而且还能通过减少图像的分块级数降低稀疏分解的耗时量,提高运算效率.     

基于M-Chord的分布式视觉监控交互检索算法

为对城域视觉监控系统产生的海量多媒体数据进行高效索引和检索,提出基于M-Chord的分布式交互检索和负载均衡算法.对象以颜色柱状图、Gabor纹理描述和轨迹系数空间特征组成的特征向量描述,由M-Chord算法进行分布式索引分发和检索.提出基于线性和非线性支持向量机的分布式相关反馈算法,将支持向量机模型建立的度量空间与M-Chord索引所处的度量空间结合,利用分片中心点减少了对节点和对象的访问.实验表明提出的算法可以准确反映用户的查询语义,仅需要检索分布式监控网络中的少部分节点即可达到与顺序扫描接近的查准率,同时较好实现了分布式监控网络中的负载均衡.     

基于注意力机制和卡尔曼滤波的多目标跟踪

为了解决目前多目标跟踪算法在行人遮挡后无法再次准确跟踪的问题,提出了一种融入注意力机制和改进卡尔曼滤波的多目标跟踪算法,选用联合检测和重识别框架提取特征,同时完成目标检测和重识别任务.设计了并行支路注意力机制,包括空间注意力和通道注意力两个部分,每个部分都采用并行支路的方式完成池化和卷积操作.在跟踪阶段,本文提出了速度先验卡尔曼滤波,实现对行人运动状态更精确的预测.采用CUHK-SYSU数据集对算法进行训练,并在MOT16数据集上做算法的验证和测试.本算法的多目标跟踪准确度(MOTA)达到了65.1％,多目标跟踪精确度(MOTP)达到了78.8％,识别F1值(IDF1)达到62.3％.实验表明,提出的跟踪算法可以有效地提高跟踪的整体性能,实现对目标的持续跟踪.     

有遮挡环境下的人脸识别方法综述

随着人脸识别应用领域的逐渐扩大,有遮挡环境下的人脸识别面临着一定的技术挑战。深度学习方法由于其具有强大的学习能力,成为解决有遮挡环境下的人脸识别问题的一种较好的解决方案,但仍面临诸多待解决的问题。减少遮挡对人脸识别算法带来的性能影响是该领域的重点和难点问题之一。从模型、算法和数据集的角度分析了近年来相关研究进展;对比了不同算法的性能结构、优缺点以及存在的问题;探讨了未来可能的研究方向。     

融合视觉显著性再检测的孪生网络无人机目标跟踪算法

针对旋翼飞行器在跟踪过程中目标尺度变化、快速运动、视角变化等问题,本文提出了一种基于MobileNetV2的孪生网络目标跟踪算法,可在无人机机载处理器上实时运行。该算法主要包含目标得分估计模块与目标尺度估计模块两个部分。结合多特征融合的策略,可准确预测出目标位置与目标框IoU,同时以目标框IoU为指导,利用梯度上升法对目标框进行迭代修正,进一步提升预测精度。针对完全遮挡而导致的目标跟丢问题,本文设计了一个基于视觉显著性的目标再检测算法,该算法可实时高效地预测出图像的显著性区域,以指导对目标的再检测,进而恢复跟踪。最后,通过标准无人机跟踪数据集测试与实际无人机跟踪实验,验证了算法的可行性。     

加权模型下的相似匹配跟踪方法

针对传统跟踪方法易受相似物遮挡而导致丢失目标问题,提出一种加权模型下的相似匹配跟踪方法。首先,将目标区域分割成局部特征块,并为其分配权重,建立带权局部特征块组成的外观模型;然后,利用目标的颜色、位置特征进行相似性匹配,为了避免复杂背景干扰,在匹配前划分前景区域,从而实现较准确跟踪;最后,提出一种遮挡决策模型更新机制,通过对目标发生严重遮挡进行判定,保证模型的匹配鲁棒性。实验结果表明,利用加权模型以及多特征相似匹配,使得该方法能够得到较高的跟踪准确率,平均误差仅为13.21,跟踪重叠率为0.71。