基于潜在语义分析的场景分类优化决策方法

针对传统pLSA模型中语义建模和参数求解不足的问题,提出一种基于先验信息的pLSA场景分类方法.首先对概率模型中的参数矩阵增加同类场景数据的低秩性及单幅图像相对语义主题的稀疏性约束,建立基于先验信息的优化决策模型;然后采用非精确增广拉格朗日乘子法给出模型参数求解算法;最后将基于潜在语义分析的场景分类方法应用到较大规模的场景分类任务中.与其他基于pLSA模型的分类算法进行比较的实验结果表明,文中方法便于产生低维空间中紧致有效的场景语义表示,避免了EM算法收敛性欠佳引起的局部最优问题,具有更好的场景分类性能.     

面向室内移动机器人的无迹滤波实时导航方法

根据轮式移动机器人室内自主漫游的目标要求和约束条件,提出了一种新的实时导航策略,利用UKF（unscented Kalman filter）算法对置顶相机和里程计获取的移动机器人位姿信息进行在线滤波,为实现移动机器人的室内自主漫游控制进行实时导航定位．实验结果表明,提出的导航策略和实现算法满足实时性要求,具有较高的精度,可为进一步的实际应用提供参考．     

微分方程系统的聚合在生态系统中的应用

介绍了缩减基于微分方程系统规模和复杂度的一种方法——聚合。系统的微分方程包括:快速部分和慢速部分。假设快速部分是守恒的,则选择宏观层上相对快速部分不发生变化的量为聚合变量,运用快速推导法来缩减微观模型,并且介绍了此方法在生态系统中的应用实例。同时阐述了聚合模型表现出与原模型不同的行为特性,称为行为突现。     

基于轻量级U-Net深度学习的人体安检隐匿违禁物的实时检测

在高端智能安检系统研发中,如何使受检者在无接触正常行进过程中,对其实施人体是否携带隐匿违禁物的快速高效检测是具有挑战性的关键性技术。被动毫米波成像以其安全无害、穿透性强等突出优势而成为安检成像的热门选项。该文利用被动毫米波成像和可见光成像的优势互补,通过轻量级U-Net的深度学习,研究提出人体安检隐匿违禁物的高性能实时检测算法。首先构建和训练轻量级U-Net分割网络,进行被动毫米波图像(PMMWI)和可见光图像(VI)中人体轮廓的快速分割,实现人体与背景的有效分离,以获取疑似隐匿违禁物的轮廓信息。进而,以轻量级U-Net为工具,通过基于相似性测度的无监督学习方法进行被动毫米波人体轮廓图像与可见光人体轮廓图像的配准,以滤除虚警目标,并在可见光图像中进行疑似目标定位,得到单帧图像的检测结果。最后,通过序列多帧图像之检测结果的综合集成与推断,给出最终检测结果。通过在专门构建的数据集上的实验结果表明,该文所提方法的F1指标达到92.3%,展现出良好的性能优势。     

基于学习自动机的混杂电力系统紧急频率控制

分析了电力系统的混杂特性;介绍了学习自动机这一建模的工具;提出了一种基于学习自动机的电力系统混杂控制的结构模型,并把这一模型用于电力系统紧急频率控制中;研究了学习自动机的巩固再励方案,得到了相应的控制算法;最后,举例说明所提出的关于混杂电力系统紧急频率控制模型及策略和算法的可行性和有效性。     

智能人机交互中第一视角手势表达的一次性学习分类识别

在智能人机交互中, 以交互人的视角为第一视角的手势表达发挥着重要作用, 而面向第一视角的手势识别则成为最重要的技术环节. 本文通过深度卷积神经网络的级联组合, 研究复杂应用场景中第一视角下的一次性学习手势识别(One-shot learning hand gesture recognition, OSLHGR)算法. 考虑到实际应用的便捷性和适用性, 运用改进的轻量级SSD (Single shot multibox detector)目标检测网络实现第一视角下手势目标的快速精确检测; 进而, 以改进的轻量级U-Net网络为主要工具进行复杂背景下手势目标的像素级高效精准分割. 在此基础上, 以组合式3D深度神经网络为工具, 研究提出了一种第一视角下的一次性学习手势动作识别的网络化算法. 在Pascal VOC 2012数据集和SoftKinetic DS325采集的手势数据集上进行的一系列实验测试结果表明, 本文所提出的网络化算法在手势目标检测与分割精度、分类识别准确率和实时性等方面都有显著的优势, 可为在复杂应用环境下实现便捷式高性能智能人机交互提供可靠的技术支持.     

基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速 SLAM算法

针对常规FastSLAM算法需要大量粒子创建地图以及粒子退化而导致计算复杂度高、难以提高估计精度等问题,提出了一种基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波快速SLAM(同步定位与地图构建)算法.首先,改进了箱粒子滤波中以箱粒子为支撑集的均匀概率密度函数,采用高斯概率密度函数进行贝叶斯滤波,提高了估计的精度.在此基础上将Dirichlet过程非参贝叶斯学习应用于高斯箱粒子的重采样,既保证了有效箱粒子数,又能让箱粒子集中在高似然区域,降低了采样枯竭的影响.然后,利用基于Dirichlet过程非参贝叶斯学习的高斯箱粒子滤波进行机器人位姿估计,可有效降低地图创建所需的粒子数,并提高定位精度和实时性.进而采用无迹卡尔曼滤波更新地图特征,以提高地图创建的一致性.仿真结果和轮腿复合机器人实地实验结果验证了本文方法的可行性和有效性.     

基于SIFT的单目移动机器人宽基线立体匹配

SIFT特征描述子是一种对图像旋转平移、缩放以及视角变化具有不变性的匹配特征描述方法,本文针对单目移动机器人环境探索中存在的大视差宽基线图像对的立体匹配问题,提出了一种基于SIFT特征描述子的单目移动机器人宽基线立体视觉匹配方法,通过提取SIFT不变特征点,构造SIFT特征向量,从而实现特征点对的初匹配,进一步利用RANSAC算法以及外极线约束进行匹配点的优化筛选,并通过三维重建实验验证了获得匹配点对的准确性。     

双目轮式移动机器人的运动目标识别与跟踪

研究在室内相对复杂背景下的运动目标识别与跟踪，采用Hu氏不变矩作为目标特征，通过环形方式搜索种子点进行目标区域生长，在有干扰的情况下检出目标，并估计相对位姿和控制本体机器人快速跟踪目标．用Intel的计算机视觉库0penCV实现图像预处理、图像分割、孔洞填充、区域生长和特征提取．实验结果表明，系统能对运动目标进行实时稳定快速的跟踪，适用性强．     

视觉选择性注意模型化计算中的特征整合权值估计与图像显著性区域提取

针对视觉选择性注意模型化计算过程中不同特征在整合阶段的权值判定,提出一种基于特征图分布的权值估计方法,并在静态图像显著性区域提取中取得了令人满意的应用效果.首先提取原始图像的颜色、方向和强度特征图像,然后计算各个特征图的广义高斯分布参数与方差,进而给出一种特征图权值估计算法,最后通过对特征图的加权整合与归一化实现对原始图像的显著性区域提取.实验结果表明,通过此方法计算的权值对特征进行加权调制所提取的显著性区域的效果更加符合人眼的观测结果.