基于深度度量学习的行人重识别方法

针对一般的行人重识别中传统度量距离鲁棒性问题和现存的深度神经网络针对行人重识别物理场景适应性问题,提出了一种基于深度学习和度量学习的行人重识别方法.该方法首先迁移和改进预先训练后的神经网络模型的结构和参数,并利用数据迁移算法对CUHK03行人数据集的单一行人样本进行扩充.再利用扩充的行人样本集针对深度神经网络进行参数微...     

Windows环境下医疗床的计算机检测与控制

本文介绍了Ｗｉｎｄｏｗｓ环境下计算机检测方法在康复床上的应用,同时探讨了利用ＶｉｓｕａｌＢａｓｉｃ作为主程序开发语言。     

异类传感器融合跟踪系统配准偏差的在线补偿

针对多传感器融合跟踪系统的时变配准偏差补偿问题,提出了一种配准偏差的在线估计和补偿算法.该算法首先依据多传感器提供的测量和跟踪信息,建立配准偏差的动态模型,然后利用极小化似然函数结合卡尔曼滤波方法在线估计系统偏差,利用估计的配准偏差,补偿和修正跟踪器的测量信息,实现多传感器的融合跟踪.最后针对异类传感器(雷达、红外)组成的多传感器跟踪系统,给出了应用该方法的仿真结果.     

用卡尔曼滤波方法实现运动平台多传感器配准

目的针对运动平台的多传感器系统,研究一种能有效地估计配准误差并消除其影响的算法．方法提出用卡尔曼滤波方法估计失调误差和姿态误差,该方法首先估计失调误差,然后利用不含失调误差的模型,估计并消除姿态误差．结果该算法能有效地估计多传感器系统的配准误差,使融合数据确定性明显增强．结论将卡尔曼滤波算法应用于运动平台的多传感器数据配准,它能有效估计配准误差,对于传感器的数据融合有重要的意义．     

随机抽样一致消除特征错配的一种加速算法

提出一种利用随机抽样一致方法（RANdom SAmple Consensus,RANSAC）消除图像匹配时错配的加速算法,具有平移,旋转和缩放不变性,同时允许其他方面（视角等）的较小变化,可以满足当前主流局部特征匹配算法的要求。RANSAC精度高,但时间复杂度高,时间复杂度与有效数据百分比有关,基于此提出了一类新的查找无效数据的方法,可以快速提高有效数据的比例,当它和RANSAC算法结合使用时,可以在保证高精度的情况下,有效地降低查找时间,提高图像匹配的实时性。实验表明该算法效果显著。     

基于混沌特征的运动模式分割和动态纹理分类

采用混沌理论对动态纹理中的像素值序列建模,提取动态纹理中的像素值序列的相关特征量,将视频用特征向量矩阵表示. 通过均值漂移（Mean shift）算法对矩阵中的特征向量聚类,实现对视频中的运动模式分割. 然后,采用地球移动距离（Earth mover’s distance,EMD）度量不同视频的差异,对动态纹理视频分类. 本文对多个数据库测试表明：1）分割算法可以分割出视频中不同的运动模式;2）提出的特征向量可以很好地描述动态纹理系统;3）分类算法可以对动态纹理视频分类,且对视频中噪声干扰具有一定的鲁棒性.     

基于运动图像序列的异常行为检测*

针对公共重点区域的智能监视问题,研究了一种基于运动历史图像（motion history image,MHI）的行人异常行为检测方法。利用运动图像序列得到的MHI获取视频帧中运动目标的运动方向,由运动方向的变化分类确定人体运动模式和行为是否异常,同时给出相应的实验结果。结果表明,该方法实现简单,具有较好的实时性与鲁棒性,可以作为实时监控系统中异常行为检测的有效方法。     

基于四旋翼无人机平台的实时多目标检测算法

随着无人机技术和深度学习技术的发展,基于深度学习的多目标检测算法在工业无人机中得到了广泛的应用.针对目前基于深度学习的多目标检测算法占用大量计算量资源,难以在算力有限的中小型无人机平台上实时运行的问题,分析了深度学习算法在低功耗CPU上的耗时,提出一种卷积神经网络计算优化方法.在机载计算机中进行仿真,结果表明在检测效果...     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。