基于改进PSO-BP算法的机器人目标位姿识别方法

机器人作业环境复杂,物料分布具有随机性,导致机器人目标位姿的辨识和定位精度低,实时性差,为此提出一种基于改进粒子群算法-BP神经网络(PSO-BP)的机器人目标位姿识别方法。采用改进的中值滤波算法对目标图像预处理,构建多尺度灰度差异算子以及局部图像熵算子,将两者点积运算获取加权局部熵,抑制目标图像中的噪声。通过多视图几何中间帧的关联特征信息,提取机器人目标位姿特征。在BP神经网络训练阶段通过改进的PSO算法优化处理,采用优化后的BP神经网络算法对提取的特征展开训练和识别,最终实现机器人目标位姿识别。实验结果表明,当机器人目标测试样本数量为55个时,所提方法的亮度方差为0.305,当像素识别误差为1.5%时,所提方法获取的机器人目标位姿识别误差为0.11,所提方法能够在像素识别误差下准确识别机器人目标,获取高精度的机器人目标位姿识别结果。     

基于 SAR 图像分块匹配的目标识别方法

提出基于分块匹配的合成孔径雷达(SAR)目标识别方法。 对待识别 SAR 图像进行 4 分块处理,分别进行分析和匹配。 对于每个 SAR 图像分块,采用单演信号描述其时频分布以及局部细节信息,进而构造特征矢量。 采用稀疏表示分类( SRC)分 别对 4 个分块的单演特征矢量进行分类,获得相应的重构误差矢量。 对于 4 个重构误差矢量,利用多组随机权值矢量对它们进 行加权并对所有的结果进行统计分析。 最后,基于统计特征构造决策变量用于测试样本的类别确认。 利用 MSTAR 数据集进行 实验,结果表明了方法的有效性。     

基于协方差矩阵的运动目标跟踪方法研究

提出了新的运动目标检测和跟踪的方法。首先采用差异累积的方法自适应地更新背景模型,用背景差法进行提取目标。把经过二值化后的视频帧进行分块,设定方块内前景点个数的阈值,接着对方块矩阵进行连通区域合并,从而确定前景点位置。接着提出通过协方差描述算子来跟踪行人的算法。用图像特征的协方差矩阵来表示目标窗口,就可以找到空间特性和统计特性,并在同一个表达式内描述它们之间的关系。通过搜索整个图像找到和当前目标模型的距离最小的区域,得到的最佳匹配区域就是当前帧目标的位置,从而达到跟踪的目的。协方差矩阵将不同形式的特征有效地融合到一起,并且它的维数很小。实验结果表明,算法具有良好的检测效果和实时性能。     

基于多特征联合稀疏表达的SOM-K-means非侵入负荷辨识

非侵入负荷监测是全面感知负荷数据及能效优化的有效途径。当前非侵入式负荷监测算法的主要观测对象是具有调控潜力的负荷，但对于其中功率较小、负荷曲线相似的电器辨识准确率还不够理想，算法对先验数据的依赖程度较高。基于此，提出一种基于多特征联合稀疏表达的SOM-K-means非侵入式负荷辨识算法，该算法利用负荷特征训练得出最优字典，结合最优字典与多特征联合稀疏表示构建目标函数，求解多特征联合稀疏矩阵，克服了单类负荷特征限制识别负荷种类的问题；将多特征联合稀疏矩阵作为输入，结合自组织(self-organizing map, SOM)神经网络优化的K-means算法与平均绝对误差值进行快速辨识。最后，利用PLAID数据集进行了实验验证，结果表明，所提算法仅需迭代120次辨识准确率即可达到90%,提高了算法收敛速度，证明了该方法能够准确高效地实现负荷辨识。     

大矩阵压缩特征目标的低秩跟踪算法

针对压缩感知的矩阵低秩稀疏分解目标跟踪算法实时性差的问题,提出一种大矩阵压缩特征目标的低秩跟踪算法。该算法通过将大矩阵分成多个小矩阵的方法构建观测矩阵,进行矩阵低秩稀疏分解,获得各候选目标的误差向量并构建误差矩阵,求解误差矩阵列向量最小1-范数问题得到跟踪结果。为了适应跟踪过程中目标外观信息的变化,基于向量相似度判别有选择地更新字典。在跟踪结果不可信时,利用轨迹修正更新当前帧跟踪结果。通过6个典型视频序列上的对比实验,新算法的实时性是原算法的3倍。实验结果表明,在目标发生部分遮挡、光照变化、快速运动时,所提出的算法能实现目标的鲁棒跟踪。     

一种基于嵌入空间的防遮挡的多目标跟踪算法

在视频监控中准确识别发生遮挡的目标是视频监控系统中面临一个难点,现在流行的运动目标跟踪算法由于基于检测之上,无法准确判断相互重叠之间的关系。提出一种基于基于嵌入空间识别遮挡关系的方法,在此基础上实现多目标的跟踪。具体的方法是构建遮挡关系函数明确表示发生遮挡目标之间的关系,并将之合并到跟踪算法框架内。同时,对联合状态预测函数进行分步处理,使得多目标的跟踪问题变成在嵌入空间中的分类问题。实验结果表明算法能在有遮挡情景下有效实施目标跟踪,并且,定量分析表明与其他算法相比提高一个数量级。     

基于差异结构描述符与自适应侧抑制的红外弱小目标检测算法

为了提高复杂背景下的弱小目标的检测精度,提出了基于差异结构描述符与自适应侧抑制的红外弱小目标检测技术。首先,引入非局部均值滤波,对红外图像进行预处理,降低噪声的干扰;随后,计算输入滤波红外图像的梯度值,引入奇异值分解方法,在梯度域内获取特征信息,从而确定主方向;为了能够根据红外图像的信息变化来自适应增强弱小目标与抑制背景,利用奇异值分解获取的主方向来计算侧抑制系数;并利用特征信息,构建差异结构描述符,联合改进的侧抑制系数,形成了一个自适应侧抑制滤波器,降低其对噪声的敏感性,以更好地对红外图像中的每个像素进行处理;最后,定义像素灰度补偿函数,完成弱小目标检测。实验结果显示:与当前红外弱小目标检测技术相比,在噪声与复杂背景情况下,所提算法能够准确完整地检测出弱小目标,具有更高的信杂比增益与背景抑制因子,呈现出更理想的ROC曲线。     

基于多模型状态估计的光伏阵列MPPT技术

针对光伏阵列最大功率点在局部阴影情况下具有非线性、时变不确定和多个局部功率峰值的特点,采用现代状态估计理论建立光伏阵列输出功率动态模型,利用交互多模型估计算法精确跟踪多状态多峰功率曲线,抑制噪声定位出最大功率点,提出基于多模型状态估计的光伏阵列MPPT技术。仿真和实验验证了所提新MPPT控制策略的正确性和有效性,在有、无阴影情况下都能够快速且准确地跟踪最大功率点,提高光伏发电效率。     

基于特征点检测与光流法的运动目标跟踪算法

为了解决当前运动目标跟踪算法在背景模型复杂和目标特征不明显的情况下,导致算法跟踪能力不足的问题,本文分别从特征点检测与光流法分析的角度出发,提出了基于特征点检测与光流法的运动目标跟踪算法。首先,根据图像梯度矩阵最小特征值,通过仿射变换,精确化特征点帧间匹配,排除伪特征点,达到精准检测运动目标特征点的目的。然后,基于图像像素守恒原理,进行2幅图像间变形评估,建立图像约束方程,进一步精确跟踪运动目标。最后,基于软件开发环境QTCreator实现算法,并系统集成。实验测试结果显示:与当前运动目标跟踪技术相比,本文算法拥有更高的准确性与稳定性。     

基于中智理论与方向α-均值的图像边缘检测算法

为了提高边缘检测算法对目标边缘细节的保持能力和降低噪声导致的伪边缘等问题,设计了一种基于中智理论与方向α-均值的边缘检测方案。首先,基于中智理论,将图像转换为中智图像,通过真实性、不确定性和虚假性3个要素来表示中智图像,提高了噪声等不确定性信息的表达能力;然后,为了有效地去除了噪声并保持边缘细节,计算中智图像像素的方向掩模,并通过方向平均函数定义了一种方向α-均值算子,并利用生成的方向α-均值算法对图像进行各向异性滤波;最后,构建了一种迭代方程,通过判断梯度的阈值来确定图像像素是否为边缘像素,从而完成边缘检测。实验表明,与当前流行的边缘检测算法比较,所提方法能够更为准确地检测出目标边缘,在不同噪声水平干扰下,其检测结果中所含的伪边缘与不连续边缘信息更少。     

一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。     

基于深度学习的红外过采样扫描图像小目标跟踪算法

红外小目标跟踪过程中由于背景、外界杂波等干扰,导致跟踪精确度和实时性欠佳,为此,提出基于深度学习的红外过采样扫描图像小目标跟踪算法。首先构建了红外过采样扫描图像模型,通过背景估计、形态学开运算,对图像中背景以及外界杂波进行多级滤除;然后增加设计特征融合模块和区域选取模块来改进孪生网络,生成融合特征图输入目标区域,通过分类和回归计算提高图像的特征表征能力和跟踪精度;最后建立损失函数训练孪生网络,输出红外过采样扫描图像小目标跟踪结果。实验结果表明,利用所提算法进行图像滤除后,信噪比能够高达35 dB,所提算法的区域重叠率较高、跟踪精度高,且算法的实时性强,帧率达到200 fps以上,整体跟踪效果好。     

局部放电稀疏分解模式识别方法

为实现电气设备局部放电(简称局放)模式的准确识别,提出了一种局放稀疏分解模式识别方法。首先由各放电模式局放训练样本信号统计特征向量构建局放统计特征过完备原子库,对此原子库进行非线性映射,可得非线性局放统计特征过完备原子库。对待识别局放信号统计特征向量进行非线性变换,得到非线性统计特征向量,此向量在非线性局放统计特征过完备原子库中进行稀疏分解时,仅可由相应放电模式子原子库中原子进行稀疏表示而难以由其它放电模式子原子库中原子进行表示,进而实现局部放电稀疏分解模式识别。同时,提出一种核函数优化匹配追踪算法,可在无需知道非线性映射具体形式基础上完成稀疏分解,并基于相似性度量系数确定最佳核函数及其参数。设计了两套放电模型,并在不同实验环境中进行了局放测试,所测信号分别作为训练样本信号及测试样本信号,采用所提方法进行了模式识别实验,同时与采用神经网络方法、K近邻法、支持向量机法的局放模式识别实验结果进行了对比。实验结果表明该方法识别效果较好,准确率较高。     

局放信号自适应加权分帧快速稀疏表示去噪方法

电气设备局放信号易受噪声干扰,影响监测效果。为提高局放信号去噪效果,提出一种局放信号自适应加权分帧快速稀疏表示去噪方法。该方法以信号稀疏表示理论为核心,为提高去噪速度,对局放信号进行了加权分帧,减少待处理数据长度的同时避免了强制分帧时截断效应;提出一种快速正交匹配追踪算法,避免了基于传统正交匹配追踪实现稀疏表示时庞大的计算量。为提高去噪效果,基于K-SVD字典学习理论及高信噪比局放样本信号构建局放脉冲自适应过完备字典,其各原子仅与局放脉冲信号强关联,且满足实测信号多样性要求;结合加权分帧方法,提出一种残差比阈值自适应确定方法,实现了局放稀疏表示去噪迭代终止条件自适应确定。实验结果表明,所提方法解决了现有局放稀疏表示去噪方法去噪速度慢,过完备字典适用性弱等问题,相比传统局放信号小波分析去噪方法,该方法去噪结果误差及畸变均较小。     

基于改进OTSU法的运动目标检测与跟踪

运动目标的检测与跟踪是当前进行图像分析和理解以及计算机视觉领域的重要研究内容,为了能够在数字视频系统中实时的检测出运动目标,在帧间差分基础上采用改进的最大类间方差法--基于灰度拉伸的最大类间方差对图像进行了阙谮值分割,并采用形态学滤波消除噪声,然后使用投影法快速定位目标,实验结果表明,该方法能够快速有效地检测出视频图像中的运动目标,满足检测跟踪的基本要求.     

基于稀疏表示的超分辨率图像重建

主要是提出1种新的重建算法-基于稀疏表示的超分辨率重建,一方面,提出1种自适应的估计HR图像稀疏域的方法,其主要利用图像非局部的相似patch组合,通过PCA方法自适应的得到;另一方面,为进一步加强该方法的功能,在目标函数中引入1个非局部自相似的二次项约束,从而充分发掘非局部图像冗余信息.通过对含有L1-范数及L2-范...     

结合稀疏表示和协同表示的SAR图像目标方位角估计

提出结合稀疏表示和协同表示的合成孔径雷达(synthetic aperture radar,SAR)图像目标方位角估计方法。稀疏表示和协同表示分别在稀疏约束和最小误差的约束下对测试样本进行重构,具有良好的互补性。分别在稀疏表示和协同表示下选取与测试样本具有较强相关性的训练样本。通过交集操作获得两者中最稳定的部分样本。根据这些样本的方位角真值以及求解的系数合理加权,获得测试样本的方位角估计值。基于MSTAR数据集中3类目标的SAR图像进行方位角估计实验并与现有方法进行对比。实验结果表明方法的估计精度、稳定性以及噪声稳健性均优于现有的几类SAR目标方位角估计方法。     

基于改进稀疏表示的变电站保护压板状态辨识

鉴于保护屏柜柜门的镜面反射,导致通过图像识别压板状态准确率较低的问题。提出一种基于改进稀疏表示的变电站保护压板状态辨识方法,在消除高光干扰的基础上,实现压板状态辨识。针对高光干扰问题,首先利用二维最大类间方差法检测图像中的高光区域,然后改进稀疏表示修复算法,实现对图像中高光干扰的消除。对于修复后图像,再根据最小外接矩形法对保护压板进行状态辨识。最后,通过有无高光干扰的两组对照仿真分析检验了所提方法的有效性和准确性。其中,其中对无高光干扰的200个不同型号的压板样本进行状态辨识,最小外接矩形法的准确率为98.0%,优于倾角辨识法的83.5%,对存在高光干扰的240个图像样本采用改进稀疏表示算法进行状态辨识,其准确率可以达到97.92%。     

基于HSV特征变换与目标检测的变压器呼吸器缺陷智能识别方法

为了利用深度学习算法提高变压器运维的智能化水平,提出了一种基于色相饱和度值(hue-saturation-value,HSV)特征变换与目标检测的变压器呼吸器缺陷智能识别方法。该方法利用单发多盒探测器(singleshotmultiboxdetector,SSD)网络框架进行呼吸器目标提取,采用HSV颜色转换完成空间映射,通过设定HSV特征阈值进行呼吸器正常颜色和异常颜色的跟踪和提取,进而通过各颜色分量比例与分布情况进行呼吸器状态的智能判断。研究结果表明:所提识别方法能够利用图像特征对变压器呼吸器进行准确定位与状态识别。论文研究可为电力设备锈蚀识别等其他类似场景提供参考。     

基于结构特征先验与多尺度反锐化掩模机制的红外图像增强算法

为了解决当前红外图像增强算法难以较好地兼顾边缘增强与噪声抑制,导致增强结果易丢失细节与视觉不自然的问题,提出了基于结构特征先验与多尺度反锐化掩模机制的红外图像增强算法。首先,利用8个边缘核与8个角点核,对Prewitt梯度算子进行拓展,从多个方向来提取红外图像的结构特征映射;随后,利用结构特征映射来计算红外目标的约束控制函数,并基于Gibbs先验模型,构建结构特征先验,获取红外图像对应的最优估计;基于红外图像的多尺度特征,引入贝叶斯函数,并联合最优估计,对红外图像完成有序平滑处理;最后,利用多尺度特征映射来改进传统的反锐化掩模算法,对平滑后的红外图像完成增强。实验结果显示,与当前红外图像增强方案相比,所提算法具有更高的增强质量与噪声抑制能力,可以更好地保持图像细节,其模糊线性指数与熵值分别为0. 21、7. 35。