多特征融合的Camshift运动目标跟踪算法

传统的Camshift算法以颜色直方图为特征对目标进行跟踪,对刚性目标的跟踪具有较强的鲁棒性。当目标受到颜色相近的干扰物干扰或者部分遮挡时,其跟踪效果和准确度不太理想。为此,提出一种多特征融合的Camshift目标跟踪算法。首先,对目标的颜色特征、边缘特征和空间信息进行提取和处理,得到颜色空间直方图和空间边缘方向直方图;然后,分别在Camshift算法框架下得到目标匹配中心位置,采用每一帧图像的相似度向量得到权值系数,通过自适应加权融合的方法得到最优中心位置。实验结果表明,相较于传统的Camshift目标跟踪算法和改进的复杂特征融合的Meanshift算法,所提方法能够更有效地克服颜色干扰、目标重叠遮挡对跟踪效果的影响,避免了 目标 在跟踪过程中丢失的问题,突破了传统方法的局限性。     

基于ZigBee技术的家庭WSN及远程控制研究

提出了一种利用GSM网络远程控制并基于ZigBee技术的家庭无线传感器网络(WSN)的方案。注册的GSM模块与ZigBee技术的家庭WSN的网络协调器进行通信,家庭WSN节点之间采用无线通信方式,ZigBee的无线传感器嵌入在家用电器中,最终目的是通过GSM网络远程控制家用电器,具有重要的现实意义和较高的实用价值。     

基于帧差法的运动车辆阴影去除算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和帧差法的运动目标阴影去除方法.首先通过单模高斯模型背景建模获取前景包括阴影在内的目标图像,再结合帧差法去除阴影.实验结果证明,该方法得到的车辆目标比较完整,并较好地去除了运动车辆阴影.     

基于ZigBee技术的无线传感器网络树型路由的研究

简述了无线传感器网络路由协议,着重分析了树型路由的流程,地址分配机制、寻址和路由成本。采用最小路由成本的路由选择方法,来实现树型网内任意节点向其父节点和其他父节点之间的信息传送。针对树路由的特点提出了该路由方式的应用范围。     

基于Compact PCI总线的多协议通信板的设计

提出了一种基于Compact PCI总线的多协议通信板的设计方案,该方案实现时采用PCI2050B芯片作为桥片来扩展CPCI总线,运用通用异步收发(UART)电平转换芯片LTC1546,实现多协议通信方式的选择与接口电平的转换,运用XR17D158通信控制器实现串口通信。重点分析了所用芯片的寄存器分配、功能及设置,并给出了VxWorks操作系统下驱动程序的关键实现。实际应用中可以通过跳线实现RS-232、RS-422等串行通信方式,表现出较高的可靠性和灵活性。     

基于改进单模高斯模型的运动目标检测算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法.首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法,加快了背景模型的初始化速度,同时结合背景差法对阴影部分进行检测与去除.实验结果表明,该方法能够较好地去除车辆的阴影,提高了检测的准确性.     

改进蚁群算法在TSP中的应用研究

针对现有路径动态诱导算法在交通问题规模增大时存在的性能急剧下降的问题,提出了一种改进的混合遗传蚁群算法.为解决蚁群算法对信息素的强依赖性导致的局部最优解现象,及遗传算法存在的全局搜索性能强但收敛速度慢等问题,将蚊群算法与遗传算法相结合,基于遗传算法的交叉变异因子,改进了信息素浓度的设定方式,加强了传统蚁群算法的全局搜索能力;利用蚁群算法的局部搜索能力较强的特点,提高了传统遗传算法的收敛速度.仿真结果表明,相比于遗传算法与蚁群算法,所提算法在求解不同规模的旅行商问题时具有更强的全局搜索性及快速收敛性.     

802·11无线局域网技术及其发展

无线局域网(WLAN)以其灵活性和可移动性,作为宽带有线接入网的延伸和补充,越来越受到业界的广泛关注,显示出极好的应用前景。     

基于改进GA-Elman的无线智能传播损耗预测方法

在5G移动通信系统商用落地的背景下,设计准确、高效的信道估计方法对无线网络性能优化具有重要意义。基于改进GA-Elman算法,提出一种新的无线智能传播损耗预测方法。对Elman神经网络中的连接权值、阈值和隐藏神经元进行实数编码,在隐藏神经元编码中加入二进制控制基因,同时利用自适应遗传算法对权值、阈值和隐藏神经元数量进行优化,解决网络易陷入局部极小值和神经元数目难以确定的问题,从而提高预测性能。仿真结果表明,与仅优化连接权值及阈值的GA-Elman神经网络和标准Elman神经网络相比,该方法具有较高的预测精度。     

一种多作战编队下的目标编群算法

在敌多目标对我多目标群进攻的态势下,提出了一种对敌目标分群的算法。该算法首先根据敌目标的几何态势要素,采用约束条件下的chameleon算法实现敌目标的空间聚类;再根据敌空间群的几何要素,推算出敌空间群对我空间群的进攻要素优势函数,并形成空间群进攻要素矩阵;最后通过对进攻要素的主、客观权重的推导,计算出综合权重和敌我双方空间群的进攻矩阵,进而划分出敌相互关系群。通过场景的设定与算法的仿真验证,证明了该算法的有效性。