一种高速率GPS定位数据连续输出算法

为了适应中高动态环境下定位的需要，文章提出了一种GPS定位数据的高速率连续输出算法。它采用两点线性预测和五点二次预测的线性凸联合方法来滤波和预测GPS定位数据，克服了GN－74型GPS接收机的1Hz慢速数据输出的缺陷，使低成本民用GPS能在中高动态环境付诸实用。实验结果表明了本算法的正确性。     

基于条件随机森林的非约束环境自然笑脸检测

为减少非约束环境下头部姿态多样性对笑脸检测带来的不利影响,提出一种基于条件随机森林（Conditional random forests,CRF）的笑脸检测方法.首先,以头部姿态作为隐含条件划分数据空间,构建基于条件随机森林的笑脸分类器;其次,以K-Means聚类方法确定条件随机森林分类器的分类边界;最后,分别从嘴巴区域和眉眼区域采集图像子块训练两组条件随机森林构成层级式结构进行笑脸检测.本文的笑脸检测方法在GENKI-4K、LFW和自备课堂场景（CCNU-Classroom）数据集上分别取得了91.14%,90.73%和85.17%的正确率,优于现有基于支持向量机、AdaBoost和随机森林的笑脸检测方法.     

基于树结构分层随机森林在非约束环境下的头部姿态估计

头部姿态估计是人类行为和注意力的关键,受到光照、噪声、身份、遮挡等许多因素的影响。为了提高非约束环境下的估计准确率和鲁棒性,该论文提出了树结构分层随机森林在非约束环境下的多类头部姿态估计。首先,为了消除不同环境的噪声影响,提取人脸区域的组合纹理特征,对人脸区域进行积极人脸子区域的分类,分类结果作为树结构分层随机森林的先验知识输入;其次,提出了一种树结构分层随机森林算法,分层估计多自由度下的头部姿态;再次,为了增强算法的分类能力,使用自适应高斯混合模型作为多层次子森林叶子节点的投票模型。在多个公共数据集上的多种非约束实验环境下进行头部姿态估计,最终实验结果表明所提算法在不同质量的图像上都有很好的估计准确率和鲁棒性。     

融合排序与回归的卷积神经网络用于表情强度估计

表情强度估计是面部表情分析的重要组成部分,是实现人机自然情感交互的关键技术.表情强度估计面临的主要挑战在于缺乏大量的有标签数据,难以通过有监督的方法来估计表情强度.尽管基于排序的方法能够解决这一问题,但是排序方法只能估计表情的相对强度,无法估计表情的绝对强度.为了解决上述问题,提出了一种融合排序与回归的卷积神经网络用于表情强度估计.其中,排序卷积神经网络采用孪生网络结构,用于学习序列中任意两帧图像的相对强弱关系;孪生网络的每一个子网采用回归卷积神经网络,用于学习有强度标签的样本,从而估计表情的绝对强度.为了验证方法的有效性,在公共数据集PAIN和CK+上进行了实验.实验结果表明,提出的方法在弱监督的条件估计表情强度的各项结果(PAIN数据集上PCC, ICC和MAE分别为0.655 1, 0.529 3和0.924 1, CK+数据集上PCC, ICC和MAE分别为0.739 1, 0.721 6和0.187 5),均优于现有的方法.     

一种基于动态量化编码的深度神经网络压缩方法

近年来深度神经网络（Deep neural network,DNN）从众多机器学习方法中脱颖而出,引起了广泛的兴趣和关注.然而,在主流的深度神经网络模型中,其参数数以百万计,需要消耗大量的计算和存储资源,难以应用于手机等移动嵌入式设备.为了解决这一问题,本文提出了一种基于动态量化编码（Dynamic quantization coding,DQC）的深度神经网络压缩方法.不同于现有的采用静态量化编码（Static quantitative coding,SQC）的方法,本文提出的方法在模型训练过程中同时对量化码本进行更新,使码本尽可能减小较大权重参数量化引起的误差.通过大量的对比实验表明,本文提出的方法优于现有基于静态编码的模型压缩方法.     

基于图像和特征联合约束的跨模态行人重识别

近年来, 基于可见光与近红外的行人重识别研究受到业界人士的广泛关注. 现有方法主要是利用二者之间的相互转换以减小模态间的差异. 但由于可见光图像和近红外图像之间的数据具有独立且分布不同的特点, 导致其相互转换的图像与真实图像之间存在数据差异. 因此, 本文提出了一个基于图像层和特征层联合约束的可见光与近红外相互转换的中间模态, 不仅实现了行人身份的一致性, 而且减少了模态间转换的差异性. 此外, 考虑到跨模态行人重识别数据集的稀缺性, 本文还构建了一个跨模态的行人重识别数据集, 并通过大量的实验证明了文章所提方法的有效性, 本文所提出的方法在经典公共数据集SYSU-MM01上比D2RL算法在 Rank-1和mAP上分别高出4.2 %和3.7 %, 该方法在本文构建的Parking-01数据集的近红外检索可见光模式下比ResNet-50算法在Rank-1和mAP上分别高出10.4 %和10.4 %.     

稀疏表示的Lucas-Kanade目标跟踪

提出一种新的目标跟踪算法,将稀疏表示应用于LK(Lucas-Kanade)图像配准框架.通过最小化校准误差的L1范数来求解目标的状态参数,从而实现对目标的准确跟踪.对目标同时建立两个外观模型:动态字典和静态模板,其中动态模型由动态字典的稀疏表示来描述目标外观.为了解决由于动态字典不断更新造成的跟踪漂移问题,一个两阶段迭代机制被采用.两个阶段所采用的目标模型分别为动态字典和静态模板.大量的实验结果表明,本文算法能有效应对外观变化、局部遮挡、光照变化等挑战,同时具有较好的实时性.     

GPS与惯性导航系统融合的精确连续定位算法

为了克服独立的惯性导航系统无限制的位置误差和 Ｇ Ｐ Ｓ的１ Ｈｚ 慢速数据修正速率的缺陷,本文提出了对两种具有不同输出数据速率运动传感器 Ｇ Ｐ Ｓ与 Ｉ Ｎ Ｓ融合算法,研究了五点二次和两点线性预测的高精度连续融合定位算法,真实 Ｇ Ｐ Ｓ数据和模拟 Ｉ Ｎ Ｓ数据融合的实验证明了该方法的正确性,为在中、高动态环境下的高精度实时连续定位提供了一种新的途径。     

GPSG与惯性导航系统融合的精确连续定位算法

为了克服独立的惯性导航系统无限制的位置误差和ＧＰＳ的１ＨＺ慢速数据修正速率的缺陷,本文提出了对两种具有不同输出数据速率运动传感器ＧＰＳ与ＩＮＳ融合算法了五点二次和两点线性预测的高精度连续融合定位算法,起初数据和模拟ＩＮＳ数据融合的实验证明了该方法的正确性,为在中、高动态环境下的高精度实时连续定位提供了一种新的途径。