基于OMAP3530平台的车道线识别检测的实现

引言本文采用ARM＋DSP双核架构的OMAP3530系列的处理器,道路图像处理部分由支持浮点运算的DSP核来完成,图像采集工作和系统的控制工作由ARM核来完成,这样的作业分配提高了系统的实时性、集成性和可靠性。车道线识别算法研究本文提出的车道线识别算法的流程如下图1所示,首先通过OV7670摄像头捕获道路图像,然后按照流程图中的步骤处理图像,最后得到清晰的车道标志线,为以后智能车辆路径规划和避障提供支持。     

一种多传感器信息融合中的分布模型

介绍了分布式数据融合和多传感器信息处理节点的网络分布问题,阐述了一个分布式的Kalman滤波器.这个滤波器不需中央处理单元,每个节点对全局的最佳估计是通过状态空间中心获得而不是集中拓扑.它能直接对不同结构的节点和状态空间进行通信和同化问题的相关估计,解决了内部节点的转换.这种分布式结构能从个别节点得到融合信息,任何节点都可作出对全局的估计.     

改进的免疫粒子群算法在TDOA定位中的应用

针对无线传感器网络中的TDOA节点无源定位估计中的非线性优化问题,提出了一种改进的免疫粒子群优化(Immune Particle Swarm Optimization, IPSO)的TDOA定位算法。该算法在自适应粒子群算法的基础上,引入免疫过程,增加了粒子种群的多样性,平衡局部搜索能力和全局搜索能力,有效地解决粒子易陷入局部最优问题,更快收敛到全局最优解。仿真结果表明,提出的算法相比于标准粒子群算法、自适应粒子群算法、Chan算法,当基站数量仅为4～5个、半径达到100 m时定位精度仍然较高,当加入随机噪声时,性能更加稳定,鲁棒性较好。     

多传感器目标跟踪信息增量的计算

利用一个量测执行前后信息熵的减少及卡尔曼滤波方程中协方差的预测与更新阵,推导出传感器对目标进行检测或跟踪所产生的信息增量;并在给定最大允许的协方差阵P的情况下,得到最大的时间间隔 n.对于多传感器目标跟踪乃至后续的目标属性信息融合、目标识别和战场态势的形成都有一定的实用价值,同时它为传感器的资源分配也提供了一种有效的方法.     

基于状态空间模型的控制理论仿真软件设计

利用MATLAB的GUI完成了《现代控制理论》课程中的主要内容的仿真。使用了常用控件,并利用M文件函数调用实现数据的输入和输出,完成了系统的状态转换、阶跃响应曲线、脉冲响应曲线、bode图、nyquist图的绘制和能观能控矩阵的输出。仿真结果表明,MATLAB的GUI图形用户界面,可以使控制系统的动态仿真及其性能分析快速、灵活、直观、高效。     

模糊PID参数自整定控制器的设计

将模糊控制理论与经典的PID控制理论结合,以锅炉温度控制系统为例,设计了一种模糊PID参数自整定控制器.仿真结果表明,和常规PID控制器相比,所设计的模期PID控制器改善了温度控制系统的动态性能,提高了系统的鲁棒性.     

交比不变的Camshift跟踪方法

为了提高Camshift跟踪方法在复杂环境下的跟踪性能,应用被跟踪目标内部各特征像素间的交比不变原理,提出了一种改进的Camshift跟踪方法。该方法通过分析被跟踪的目标模型,计算出其内部各特征像素间的坐标关系;将内部数据间的交比不变量作为所提出的跟踪方法的约束条件,对跟踪错误的像素点进行校正,并将跟踪过程中连续两帧图像的内部特征像素间的距离比作为跟踪效果的评判标准。用改进的Camshift跟踪方法分别对标准测试视频内的视频信息和实际拍摄的视频信息进行了测试。结果显示,该方法在两种复杂环境实验条件下,跟踪目标的距离偏差都能保持在15pixel以内,对单帧图像平均处理时间在20ms以内。试验结果表明,该方法对复杂环境下的目标具有良好的跟踪效果,跟踪性能稳定,跟踪效率高,可以满足跟踪系统实时性的要求。     

传感器任务分配的关系模型

运用集合论中的偏序关系,提出了一种传感器任务分配的模型.分别得到了在均匀分布和指定任务的优先级这两种情况下的传感器任务分配矩阵和相应的算法.并用的一个例子说明了算法的可行性.所得到的结果为传感器的任务分配提供了一种有效的方法.     

基于卷积网络通道注意力的人脸表情识别

针对目前人脸表情识别(Facial Expression Recognition, FER)方法准确率低、模型大和识别时间长的问题,提出了一种基于卷积神经网络的通道注意力FER算法,在普通的卷积层中加入Xception网络中的可分离卷积网络,减少参数量和运算成本。在可分离卷积层的输出加入通道注意力Senet,实现对输出通道的权值按重要程度进行重新分配。引入Resnet网络中残差机制,减轻梯度消失现象。对设计的模型分别在CK+,RAF-DB数据集和FER2013数据集进行训练。实验结果显示,在CK+,RAF-DB数据集和FER2013数据集准确率分别提高至99.45%,78.10%和62.65%。模型参数量仅有1.8 MB,识别时间1.24 s。实现了更准、更快、更轻的FER。