视觉传感网络分布式在线数据关联

数据关联是视觉传感网络监控系统的基本问题之一. 本文针对无重叠视域视觉监控网络的多目标跟踪问题提出一种 基于多外观模型的视觉传感网络在线分布式数据关联方法,将同一目标在不同摄像机节点上的外观用不同的高斯模型描述,由分布式推理算法综合利用外观与时空观测计算关联变量的后验概率,同时通过近似最大似然估计算法对各传感节点上的外观模型参数进行在线估计. 实验结果表明了所提方法的有效性.     

多个三维刚体运动参数的鲁棒估计算法

本文提出了一种估计多个三维刚体运动参数的鲁棒算法，可以处理包含高斯噪声和出格点的对应点数据，根据贝叶斯统计决策规则和蕴含在问题中的启发式规则，我们将运动参数估计问题转化为极大似然估计过程，实现部分模型拟合。因此，这种优化算法就是估计一组三维运动参数，使对应点数据最大限度地拟合似然函数，从而保证算法的鲁棒性。     

基于极少信息的任意照片目标点定位算法

为了达到通过任意摄像头拍摄照片就可对目标点进行定位的目的,针对如何用最少信息得到空间中目标点坐标问题,基于摄像机的成像模型、空间中固定点之间的几何约束,以及坐标系变换的基本原理,推导出一种类似于P4P的无标定照片的目标点定位方法。该方法可由观测到的两幅图像中已知世界坐标系中位置坐标的任意四点在图像中的位置,通过计算得到图像中目标点的三维坐标。此方法需要的已知信息极少,对于拍摄图像以及拍摄所用相机没有要求,并通过实验验证可行,精度相比传统标定方法没有明显损失,且较其他自标定定位方法更高,实用性较强。     

基于WiFi指纹的室内轨迹定位模型

基于WiFi指纹的无线定位根据目标接收到的无线信号强度来反推其所处位置的定位模型,在室内定位研究中被广泛应用。当前对指纹定位算法的研究主要集中在单点定位,但在实际的应用中经常需要追踪目标在空间上的运动轨迹。为此,在单点定位模型的基础上,提出一种基于核函数的隐马尔科夫链模型,通过高斯核函数计算指纹的似然概率,定义位置点之间的转移概率,同时通过限制转移位置点的搜索范围提高算法效率,并应用隐马尔科夫链模型对移动轨迹进行定位。实验结果表明,该算法在定位准确率和定位误差方面性能均优于对比算法。     

基于视觉词典的单目视觉闭环检测算法

针对移动机器人单目视觉同步定位与地图构建中的闭环检测问题,文中设计一种基于视觉词典的闭环检测算法。算法对采集的每帧图像通过SURF进行特征提取,应用模糊K均值算法对检测的视觉特征向量进行分类,在线构建表征图像的视觉词典。为精确表征局部视觉特征与视觉单词间的相似关联,利用混合高斯模型建立视觉词典中的每一视觉单词的概率模型,实现图像基于视觉词典的概率向量表示,通过向量的内积来计算图像间的相似度。为保证闭环检测的成功率,应用贝叶斯滤波融合历史闭环检测与相似度信息来计算闭环假设的后验概率分布。另外,引入浅层记忆与深度记忆两种内存管理机制来保证算法执行的快速性。实验结果证明该方法的有效性。     

基于单张平行六面体照片的摄像机标定方法

摄像机标定是计算机视觉的重要组成部分。根据射影几何理论建立了基于单张平行六面体照片的摄像机全参数标定方法。通过调和射影及Laguerre定理的推论求解出平面圆环点的共轭虚像,利用平行六面体照片存在的三对圆环点的虚像,构造对无穷远平面绝对二次曲线的像ω的约束,使用辗转相除法求解非线性问题。最后,给出该算法对模拟图像和真实照片的实验。实验结果表明计算结果与真实情况吻合。     

一种基于筛选机制的快速概率占据图目标定位算法

提出一种基于筛选机制的快速概率占据图目标定位算法(SPOM),在多视角监控环境下,该方法能够快速准确地计算出进入场景中运动物体的位置.具体而言,首先设计了一种高效的筛选机制,可以根据运动检测的结果,粗略估计出运动目标在3维空间中的位置;然后建立合适的似然模型,利用贝叶斯方法计算出目标出现在备选区域内各个位置上的概率,从而找到目标物体;最后,通过阈值化概率图的方法得到目标的位置信息,并采用粒子滤波器对定位结果进行校正,以进一步提高定位的准确度.相较于通常的概率占据图算法,该算法通过引入筛选机制来筛除目标不可能出现的位置,可大幅减小概率占据图的计算量,提高了运行速度,并且能够更准确地计算出目标物体的位置.基于自行搭建的实验平台,对这种基于筛选机制的定位算法和通常的概率占据图算法进行了对比实验,实验结果验证了本文算法能够更加快速准确地估计出动态目标的位置.     

高斯混合模型结合加权似然的目标跟踪算法

鉴于高斯混合模型对背景变化快时无法精确检测出目标和目标跟踪的适应性差等瑕疵，提出了基于加权似然跟踪器来改进高斯混合模型实现运动目标跟踪算法。主要引入了自适应高斯混合模型来实时检测运动目标，然后空间加权似然来进行视频中的目标定位，引入加权似然期望值来改进高斯混合模型处理视频中的多尺度、多角度变化的目标跟踪不精准问题。通过VOT 2014 dataset对比实验结果表明提出的基于加权似然跟踪（Weighted Likelihood Tracking，WLT）和改进高斯混合模型（Improved Gaussian Mixture Model，IGMM）的目标跟踪算法较传统高斯混合模型跟踪算法在跟踪的精度有较大提高。在应对多尺度、多角度变化的目标跟踪表现出了较大的优势。     

基于几何-语义联合约束的动态环境视觉SLAM算法

传统视觉同步定位和地图构建（Simultaneous localization and mapping, SLAM）算法建立在静态环境假设的基础之上,当场景中出现动态物体时,会影响系统稳定性,造成位姿估计精度下降。现有方法大多基于概率统计和几何约束来减轻少量动态物体对视觉SLAM系统的影响,但是当场景中动态物体较多时,这些方法失效。针对这一问题,本文提出了一种将动态视觉SLAM算法与多目标跟踪算法相结合的方法。首先采用实例语义分割网络,结合几何约束,在有效地分离静态特征点和动态特征点的同时,进一步实现多目标跟踪,改善跟踪结果,并能够获得运动物体的轨迹和速度矢量信息,从而能够更好地为机器人自主导航提供决策信息。在KITTI数据集上的实验表明,该算法在动态场景中相较ORB-SLAM2算法精度提高了28%。     

并行的贝叶斯网络参数学习算法

针对大样本条件下EM算法学习贝叶斯网络参数的计算问题,提出一种并行EM算法(Parallel EM,PL-EM)提高大样本条件下复杂贝叶斯网络参数学习的速度.PL-EM算法在E步并行计算隐变量的后验概率和期望充分统计因子;在M步,利用贝叶斯网络的条件独立性和完整数据集下的似然函数可分解性,并行计算各个局部似然函数.实验结果表明PL-EM为解决大样本条件下贝叶斯网络参数学习提供了一种有效的方法.     

TOA-based passive localization of multiple targets with inaccurate receivers based on belief propagation on factor graph

Location awareness is now becoming a vital requirement for many practical applications. In this paper, we consider passive localization of multiple targets with one transmitter and several receivers based on time of arrival (TOA) measurements. Existing studies assume that positions of receivers are perfectly known. However, in practice, receivers' positions might be inaccurate, which leads to localization error of targets. We propose factor graph (FG)-based belief propagation (BP) algorithms to locate the passive targets and improve the position accuracy of receivers simultaneously. Due to the nonlinearity of the likelihood function, messages on the FG cannot be derived in closed form. We propose both sample-based and parametric methods to solve this problem. In the sample-based BP algorithm, particle swarm optimization is employed to reduce the number of particles required to represent messages. In parametric BP algorithm, the nonlinear terms in messages are linearized, which results in closed-form Gaussian message passing on FG. The Bayesian Cramér–Rao bound (BCRB) for passive targets localization with inaccurate receivers is derived to evaluate the performance of the proposed algorithms. Simulation results show that both the sample-based and parametric BP algorithms outperform the conventional method and attain the proposed BCRB. Receivers' positions can also be improved via the proposed BP algorithms. Although the parametric BP algorithm performs slightly worse than the sample-based BP method, it could be more attractive in practical applications due to the significantly lower computational complexity.     

A novel plane extraction approach using supervised learning

This paper presents a novel approach for the classification of planar surfaces in an unorganized point clouds. A feature-based planner surface detection method is proposed which classifies a point cloud data into planar and non-planar points by learning a classification model from an example set of planes. The algorithm performs segmentation of the scene by applying a graph partitioning approach with improved representation of association among graph nodes. The planarity estimation of the points in a scene segment is then achieved by classifying input points as planar points which satisfy planarity constraint imposed by the learned model. The resultant planes have potential application in solving simultaneous localization and mapping problem for navigation of an unmanned-air vehicle. The proposed method is validated on real and synthetic scenes. The real data consist of five datasets recorded by capturing three-dimensional(3D) point clouds when a RGBD camera is moved in five different indoor scenes. A set of synthetic 3D scenes are constructed containing planar and non-planar structures. The synthetic data are contaminated with Gaussian and random structure noise. The results of the empirical evaluation on both the real and the simulated data suggest that the method provides a generalized solution for plane detection even in the presence of the noise and non-planar objects in the scene. Furthermore, a comparative study has been performed between multiple plane extraction methods.     

基于定位不确定性的鲁棒3D目标检测方法

针对3D点云训练数据因人工标注不精确而导致模型定位不准确的问题,提出了一种基于定位不确定性的鲁棒3D目标检测方法。首先,以基于3D体素网格的稀疏嵌入卷积检测（SECOND）网络作为基础网络,在候选区域生成网络（RPN）的基础上增加对定位不确定性的预测;然后,在训练过程中使用高斯和拉普拉斯两种分布模型对定位不确定性进行建模,并对定位损失函数进行重新定义;最后,在预测过程中结合定位不确定性和分类置信度作为目标置信度,使用阈值过滤和非极大值抑制（NMS）方法筛选候选目标。实验结果表明,在KITTI 3D目标检测数据集上,所提算法对于车辆类别的检测准确率在中等难度上比SECOND网络提高了0.5个百分点;当在训练数据中额外加入扰动模拟噪声的情况下,所提算法的检测准确率比SECOND网络最多提高了3.1个百分点。所提算法提高了3D目标检测准确率,减少了误检且提高了3D边界框的精度,并且对于带噪声的数据更鲁棒。     

Adaptive detection of range-spread targets in compound Gaussian clutter with the square root of inverse Gaussian texture

The compound Gaussian clutter with the square root of inverse Gaussian texture component has been successfully used for modeling the heavy-tailed non-Gaussian clutter measured by high-resolution radars. In high-resolution radars, the targets may extend along multiple consecutive range cells, which are called range-spread targets. In this paper, we consider the range-spread target detection problem in the compound Gaussian clutter with the square root of inverse Gaussian texture. Three adaptive detectors are proposed based on Bayesian one-step generalized likelihood ratio test, maximum a posteriori generalized likelihood ratio test and Bayesian two-step generalized likelihood ratio test, respectively. Finally, the detection performances of the proposed detectors are evaluated by the Monte Carlo simulation. The simulation results show that the proposed detectors have better detection performance of range-spread target than the conventional generalized likelihood ratio test detector.     

YOLO-wLU：考虑定位不确定性的目标检测算法

YOLOv3目标检测算法在检测目标时没有考虑边界框坐标定位存在的不确定性,因此有时不能得出正确的检测结果。针对此问题,提出YOLO-wLU（YOLO with Localization Uncertainty）算法。该算法借鉴深度学习中的不确定性思想,使用高斯分布函数建立边界框坐标的概率分布模型以考虑边界框坐标定位不确定性;设计新的边界框损失函数,在检测过程中移除定位不确定性较大的检测结果;通过融合周围边界框坐标信息提高了边界框坐标辨识结果的准确性。实验结果表明,该算法可有效减少误报率,提高检测精度;COCO数据集上测试结果显示,相比YOLOv3算法,该算法的mAP最高可提升4.1个百分点。     

利用平面约束中的反对称性进行相机自定标

回顾了2幅图像中的平面约束，以及一个图像对的基础矩阵和同形矩阵的乘积是一个反对称矩阵的性质，并通过证明展示了这种反对称性质和平面约束之问的关系。给定两幅图像中的一系列对应点，利用反对称性质提出了一种改进的相机自定标算法，将利用平面约束进行相机自定标过程中求取同形矩阵(homography matrix)的问题转化成了方程组约束条件下的二次规划问题，通过解决给定的二次规划问题求解同形矩阵，提高了算法的鲁棒性，然后利用平面约束求解内参数，最后通过本质矩阵(essential matrix)和基础矩阵(fundarnental matrix)之间的关系以及旋转矩阵的性质求解相机外参数。实验结果表明，算法在稳定性方面有了较大程度的提高。     

一种半监督机器学习的EM算法改进方法

EM(Expectation Maximization)算法是含有隐变量(latent variable)的概率参数模型最大似然估计、极大后验概率估计最有效的算法,但很容易进入局部最优现象,对此提出基于半监督机器学习机制的EM算法.本文方法是在最大似然函数中加入惩罚最小二乘因子,同时引入非负约束作为先验信息,结合半监督机器学习方法,将EM算法改进转化为最小化求解问题,再采用最大似然方法求解EM模型,有效估计了混合矩阵和高斯混合模型参数,实现EM算法的改进.仿真结果表明,该方法能够很好地解决了EM算法容易局部最优化问题.     

基于公共信标集的高精度射频指纹定位算法

目前基于WiFi射频指纹定位技术有望成为大规模城区室内外全空间定位的首选.针对RSS信号时变特性严重影响WiFi定位精度和鲁棒性的问题,提出了一种基于公共信标集的高精度射频指纹定位算法.该算法把目标定位看成贝叶斯估计问题,通过采用高斯混合模型更加准确地表征复杂训练指纹的信号特征,以及使用基于Markov链的状态转移模型和基于后验概率的自适应网格集选择机制,充分利用目标的历史状态信息和环境布局信息,不仅减少了定位搜索网格空间,而且还抑制了移动过程中不可能发生的位置跳变,提高了定位精度和鲁棒性.实验结果表明,所提定位算法以90%的概率可获得3m以内的定位误差,其定位性能明显优于传统单一高斯模型.     

基于多元时间序列的自适应贪婪高斯分段算法

现有多元时间序列分段算法中分段点的选择以及分段个数的确定往往需要分别独立完成,大大增加了算法的计算复杂度.为解决上述问题,提出一种基于多元时间序列的自适应贪婪高斯分段算法.该算法将多元时间序列各个分段所对应的数据解释为来自不同多元高斯分布的独立样本,进而将分段问题转化为协方差正则化的最大似然估计问题进行求解.为提高学习效率,采用贪婪搜寻方法使每个段的似然值最大化进而近似地找到最优分段点,并且在搜寻的过程中利用信息增益方法自适应地获取最优的分段个数,避免分段个数确定和分段点选择分别独立进行,从而减少计算的复杂度.基于多种领域的真实数据集实验结果表明,所提出方法的分段精度以及运行效率均优于传统方法,并且能够有效完成多元时间序列的异常检测任务.     

稀疏视觉SLAM对平面激光雷达传感的稠密化模拟

为了解决稀疏特征点VSLAM （visual simultaneous localization and mapping）由于其构图稀疏性,在视觉导航应用方面的短板,提出一种高斯滤波插值的方法对其特征点进行稠密化处理,实现对平面激光雷达反馈的模拟.本文利用高斯分布以及迭代滤波实现数据的稠密化,通过建立全局高斯滤波以及局部高斯分布估计,实现对稀疏VSLAM空间点平面投影的数据插补,进而实现对平面激光雷达数据的模拟.仅使用CPU情况下,算法每帧耗时为0.0003s~0.006s,插值结果相对误差为7.956%.实验证明,该插值方法成功实现了稀疏投影点的稠密化,插补结果与真实激光雷达反馈相似度高,为视觉导航提供了一种有效的前端传感处理方法.