基于AprilTag视觉定位的移动机器人设计

为提高移动机器人的定位可靠性与准确性,设计了一种基于AprilTag标签的视觉定位机器人。首先采用AprilTag标签作为视觉定位标志符获得视觉定位信息,其次融合视觉定位、IMU以及避障信息实现移动机器人的准确定位,再利用改进A^*算法完成路径规划,最终实现移动机器人的指定任务。实践表明,移动机器人定位可靠稳固,可满足移动机器人的机能需求。     

室内环境下基于图像序列拓扑关系的移动机器人全局定位

针对室内环境结构相似的特点,提出一种基于图像序列拓扑关系的移动机器人全局定位算法.首先,提取图像的Gist描述子,并提出一种局部极值算法,将环境划分成若干组不同的图像序列.然后,使用ESN(echo state network)对每一组图像序列在时间上进行双序训练,提取鲁棒的图像序列特征,再利用空间上的双向匹配策略实现图像序列特征的匹配.最后,采用HMM(hidden Markov model)对图像序列间的拓扑关系进行建模,将移动机器人全局定位问题转化成有向无环图中最长路径求解问题,并通过实验对该图像序列划分和序列建模方法进行验证.与基于单帧图像匹配的算法、SeqSLAM算法以及Fast-SeqSLAM算法相比,该算法在室内走廊环境和办公环境中均可实现100%的定位.特别是在室内办公环境中,机器人仅需要运动0.80 m便可以对自身进行准确定位.实验结果表明,该算法具有较强的鲁棒性、较高的定位准确性和定位效率.     

基于稀疏表示的图像显著区域检测算法

针对图像的显著区域检测问题,提出一种基于稀疏表示的显著区域检测算法。该算法首先利用稀疏编码对图像进行特征描述,然后根据图像的稀疏编码进行视觉显著性的计算,而不是对原始图像直接进行处理,提高计算的效率。最后,根据视觉显著性的计算结果,进行显著性区域分割。在公开的测试图像集上进行实验,并和目前几种流行的算法进行实验对比。实验结果表明,该算法用于图像的显著区域检测是正确有效的。     

视觉显著运动目标初始定位方法

视频图像跟踪算法中,手动核准目标初始参数困难、精度不高且易导致跟踪失效,针对以上问题,提出一种利用人眼视觉获取显著运动目标中心位置并提取尺寸的方法。该方法结合图像亮度及视频前后帧运动特征,可自适应获取人眼敏感运动目标最佳中心点及区域范围。仿真结果表明,该方法能准确定位显著运动目标,在背景运动或与目标差距较小时仍具有良好的性能。     

基于序列图像的视觉定位与运动估计

研究了移动机器人的视觉定位和目标的运动估计。采用单目视觉系统,借助人工标识物,由小孔成像模型及空间几何关系,推导出视觉测距模型,并实现了移动机器人的自定位和目标的定位。通过序列图像,应用基于特征的运动分析方法估计球体的运动参数,推导出移动机器人对运动目标的跟踪模型。球体定位实验结果表明:该方法的定位精度较高。     

未知环境下的移动机器人定位及实时避障

针对未知环境下移动机器人实时动态避障及定位问题，考虑里程计定位的无界累加误差和动态障碍物环境下实时障碍躲避需要，提出了一种可行的避障定位的策略。该策略融合了机器人内部传感器、里程计、电子罗盘和激光测距仪的同步和异步信息，合理地解决了常规定位过程中的方向迷失问题，对于静态和动态障碍物都能很好地实时躲避，具有很强的抗干扰性和较高的定位精度。实验证明了该方法的有效性和实用性.     

基于视觉系统"What"和"Where"通路的图像显著区域检测

受神经解剖学和心理学中有关视觉系统研究成果的启发,提出一个新的基于"wht"和"where"通路的图像显著区域检测模型.该模型包括显著区发现和显著区转移这两个感知过程,首先通过度量统计特征显著性,找到第一个显著区域和潜在目标,然后计算当前潜在目标的吸引力以确定下一个显著区域及相应的潜在目标,以此循环直到得到整幅图像的信息.该方法应用于多幅自然图像的实验,结果证实该模型检测效果较好,并具有一定的抗噪能力.     

一种基于显著区域的图像分割方法

提出了一种基于显著区域的图像分割方法.该方法首先根据自底向上的人类视觉注意模型计算出图像的综合显著图.以便反映出图像中各区域的重要程度;然后在此基础上,设计了两种分割算法,分别是基于1-D直方图最大熵法的区域分割和基于注意焦点的区域增长,其中注意焦点从显著图中得到;并结合显著图和分割图,以区域的平均显著度为依据提取显著...     

基于视觉注意的医学图像感兴趣区域提取*

提出一种基于视觉注意机制的医学图像感兴趣区域提取方法。受生物学启发,该方法模仿人类自下而上的视觉选择性注意过程,通过计算图像中每个像素的全局对比度,构造相应的显著图,并根据显著图,检测出图像中的显著区域。利用多幅医学图像对本方法进行评估,结果表明,该方法能够快速、精确地提取图像中的感兴趣区域,在提取结果和运算速度上均取得了令人满意的效果。     

基于视点转移和视区追踪的图像显著区域检测

借鉴心理学中有关视觉注意的研究成果,提出了一个基于视点转移和视区追踪的显著区域检测模型.它首先通过视点转移利用全局显著性度量找到显著区域的位置,然后通过视区追踪利用局部显著性度量确定显著区域的尺寸,并通过视点转移与视区追踪的循环交替依次得到一系列显著区域.根据该模型开发出了一个新的显著区域检测算法.将其应用于多种真实图像,在检测效果、运算速度和抗噪能力等方面均获得了较为满意的实验结果.     

大规模环境下拓扑地图在线创建与导航.doc

本文提出了一种新型的拓扑地图，该地图用激光的扇区特征和视觉的比例不变特征（SIFT）来联合表示节点。与传统地图相比，该地图在创建过程中不依赖任何人工路标和机器人的全局定位。机器人通过综合考虑单个节点的相似度和不同节点间的空间关系，利用隐马尔可夫模型来提高节点识别的准确率。实验表明，本文的拓扑地图不仅易于创建和维护，而且适用于机器人在大规模室内环境下的自主导航。     

基于Multi-stream Combined隐马尔柯夫模型源端检测DDoS攻击

提出了一种新颖的综合考虑多维观测特征的DDoS攻击源端检测方法。该方法引入S-D-P特征概念,并抽取TCP/IP包头中的标志位和ID字段构成多维观测特征,采用Multi-stream Combined隐马尔可夫模型（MC-HMM）在源端网络检测DDoS攻击。大量实验表明,MC-HMM方法克服了基于一维观测特征的检测算法信息量过小的固有缺陷,能够有效降低检测的误报率和漏报率,提高DDoS攻击源端检测精度。     

基于单状态HMM的音频分类方法研究

经典的隐马尔可夫模型(HMM)是一种基于统计信号的模型,它在基于内容的音频检索系统中具有重要的作用。根据音频分类重类型轻内容的特性,将单状态的HMM用于音频分类,克服了多状态HMM在模型初始化时状态初始概率和转移概率赋值带有假设不准确的缺点。实验结果表明基于单状态的HMM模型音频分类方法能有效地减少误识率,提高音频分类的精确度。     

基于层次和动态阈值的图像显著区域检测方法

发展完善了基于层次的显著区域检测模型。把原始图像分层,对每层分别提取底层特征,计算显著性特征,包括亮度显著性、饱和度显著性和色彩显著性。考虑到图像的概率特性,通过引入二维正态分布函数,准确合理地表示图像像素间的相关性。把各层计算所得的结果叠加,通过引入动态阈值,得到最后的显著区域。动态阈值方法不受原始图像的影响,有较好的适应性。将此方法应用于真实图像,得到了令人满意的检测结果。     

基于加权HMM的车辆电源系统状态预测

针对车辆电源系统状态趋势问题,提出了一种加权隐马尔可夫模型的状态预测方法。通过建立电源系统的隐马尔可夫模型,利用加权预测思想对隐马尔可夫模型中隐状态序列进行预测,将最大概率隐状态利用观测概率密度计算出状态观测值。通过对电压调节脉宽信号的导通率进行预测,并与BP神经网络和自回归（AR）模型对相同序列的预测结果进行对比,结果表明该方法对系统的状态变化具有较好的预测能力。     

基于浅层剖析的CYK改进算法

现代汉语句法与英语句法不同,具有明显复杂性,一是不容易获得完整的规则集,二是整句剖析所得结果含有大量的歧义结构难以消除。使用分治的策略将句法剖析任务分为不同层面的小任务,逐层进行句法剖析是一种可行有效的方法。其基本思想是:首先采用多层马尔可夫模型对句子进行短语组块剖析,将整个句子分割为名词组块、动词组块等短语语块,然后在此基础上运行CYK剖析算法,剖析组块间的依存关系,最终实现对完整语句的句法分析,浅层剖析简化了CYK算法规则集,在一定程度上降低了句法剖析难度。     

基于双线性建模及隐马尔可夫模型的步态识别算法

针对存在两个未知隐含特性的步态识别问题提出了一种新的识别算法,将特性分别看作“内容”和“风格”,对图像序列以状态确定的连续HMM EM估计“内容”类型,引入非对称双线性模型理论对结果建模,通过SVD和NN聚类实现对“风格”的归类判定。实验选择人体两侧轮廓到质心垂线距离作为步态特征,通过在CASIA步态库上的实验证明,该算法能有效提高判别率,对未知风格或内容类型判断有较好的适应性。同时对影响步态识别准确性的其他因素也做了讨论。     

基于隐马尔可夫模型的内存碎片检测机制

当前VxWorks操作系统缺少内存碎片的检测机制。通过增加内存统计信息,基于隐马尔可夫模型的检测程序分析出系统中哪些任务可能是造成内存碎片的根源。软件开发人员根据分析结果对可能造成内存碎片的代码进行优化,且优化前后的分析数据表明内存碎片问题得到了有效的改善,可满足嵌入式设备减少内存碎片的需求。     

SVM和HMM混合模型在人脸识别中的应用

采用支持向量机（SVM）和隐马尔可夫模型（HMM）相结合的方法进行人脸识别。首先对照片中的人脸进行定位,从定位区域提取人脸各个器官的独立基特征,然后使用支持向量机和隐马尔可夫混合模型对定位区域进行人脸识别。利用SVM和HMM结合的优点,取得较高的识别率。