相关向量机在车型识别中的应用研究

相关向量机是一种稀疏的贝叶斯学习算法,对非线性、高维数的小样本问题有非常好的分类效果和学习推广能力.而且使用较少的核函数,研究了用相关向量机技术进行车型识别,设计了基于相关向量机的车型分类器.实验结果表明,基于相关向量机的车型分类器不仅具有基于支持向量机的车型分类器的相同性能,而且比支持向量机使用更少的核函数,实验取得了较好的分类效果.     

基于一类支持向量机的隐秘图像盲检测算法

针对二类支持向量机分类器在图像密写分析应用中训练步骤复杂与推广性弱的缺点,提出了基于一类支持向量机分类器的真彩隐秘图像盲检测算法,算法选用小波包高阶统计特征,仅对正常图像训练建立分类器。实验表明,算法在检测系统效率和推广性方面有较好的表现。     

用SVM和LS-SVM分析变压器故障诊断

介绍并比较了支持向量机分类器和最小二乘支持向量机分类器的算法,提出了基于支持向量机的二叉树多分类变压器故障诊断模型.将标准支持向量机(C-SVM)分类器和最小二乘支持向量机(LS-SVM)分类器分别用于变压器故障诊断,通过网格搜索和交叉验证法取得支持向量机的参数,准确率较高.试验结果表明,支持向量机和最小二乘支持向量机在变压器故障诊断中具有很大的应用潜力.     

一种组合式特征选择算法及其在网络流量识别中的应用

当前网络流量日趋复杂,给网络管理带来许多困难.为了准确地识别出网络中的各种流量,本文以支持向量机为分类器,以流的统计学特征为分类依据,提出一种组合式特征选择算法,该算法首先快速去除和分类不相关的特征,针对余下的特征,再利用遗传算法引导特征的选择和支持向量机模型参数的寻优,最终获得了最优的特征集和最佳的支持向量机分类模型.经过实验验证,基于该算法的网络流量识别方法在识别P2P流量时能以更少的特征获得更高的分类准确率.     

基于支持向量机的移动机器人环境识别

针对未知环境下移动机器人的环境理解与识别问题,提出了一种支持向量机(SVM)的环境识别算法.在对移动机器人室内外特征环境分析和建模的基础上,通过机器人配置的多超声波传感器获取环境的距离信息,直接作为环境的特征,按照从左到右的顺序组成表征环境轮廓的六维特征向量,送入支持向量机训练并用于特征环境的识别.克服了多超声波传感器测量数据的不确定性对分类结果准确度的影响,实现了移动机器人对室内外特征环境的正确识别.仿真和实验验证了方法的可行性,与传统的分类算法相比,算法对环境具有更高的识别正确率,在训练样本较少的情况下,能够在不同的位置和角度准确测量识别多类特征环境,具有一定的实用价值.     

基于Adaboost和SVM的人头实时检测

针对复杂场景图像中的人头检测问题,提出一种Adaboost与支持向量机(SVM)相结合的检测算法.该算法重点对Adaboost特征进行了改进,用Adaboost对人头进行快速检测,并引入级联的SVM分类器对Adaboost检测结果进行逐级筛选,从而实现对人头的精确检测.实验表明,该方法降低了Adaboost运算复杂度,提高了特征分类能力,引入级联SVM分类器在保证高检测率的同时,降低了误检率,对复杂场景具有较强的鲁棒性.     

基于粗糙集支持向量机的红外步态识别

为进一步提高红外步态识别精度,构建了一种多分类器融合识别新模型,在根据各单分类器识别输出值构建度量向量的基础上,进行基于粗糙集支持向量机的多分类器融合识别.通过在Matlab7.5平台利用中科院红外步态库进行识别仿真实验,获得识别率和累积匹配分值的实验数据及对比结果.实验结果表明,基于粗糙集支持向量机的多分类器融合识别模型比单分类器在识别率方面有大幅度提高,识别性能理想,识别精度高.     

多超球面OC-SVM算法在隐秘图像检测中的应用

针对二类支持向量机分类器在图像密写分析应用中训练步骤复杂与推广性弱的缺点,把一类支持向量机（OC-SVM）引入算法,提出一种基于核的多超球面OC-SVM算法。算法利用核空间中样本特征差异突出的特性,首先对样本在核空间进行K-均值聚类,然后使用OC-SVMs对各子类训练建立多超球面分类模型,实现分类判决。实验结果表明,算法有效地实现了对隐秘图像的盲检测,提高了检测精度。     

基于层叠支持向量机的人脸检测研究

提出一种基于层叠支持向量机的人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先用线性支持向量机进行粗筛选,滤去大量非人脸窗口,之后用非线性支持向量机对通过的窗口进行分类。实验对比数据表明,该方法降低了分类器的训练难度,计算复杂度较低,大大提高了检测速度。     

基于支持向量机故障诊断方法

支持向量机是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果.本文以双螺杆挤出机为例,介绍了基于支持向量机的多故障分类器,探讨了"成对分类"与"一类对多类"两种多类分类算法的应用.诊断实例表明,基于支持向量机的多故障分类器对设备故障具有很好的分类效果.     

基于IR-UWB雷达的多视角融合动态目标追踪

近年来,对运动目标的定位和追踪被广泛地应用于室内导航、智能家居、安防监控和智慧医疗等场景.基于无线射频信号的非接触式定位追踪受到了研究人员的广泛关注,其中基于商用IR-UWB的技术能够以较低的成本和功耗实现目标定位和追踪的功能,具有较强的发展潜力.然而,现有工作大多存在以下问题:1)追踪场景受限,只针对理想情况下室外或者相对空旷的室内场景进行建模和处理; 2)目标的运动状态受限且建模过于理想; 3)虚假动态目标引起的追踪精度不足.为了解决这些问题,在理解多径场景下接收信号谱组成的基础上,提出一个基于IR-UWB的动态目标追踪方法.首先提取原始信号谱中动态成分,并利用基于高斯模糊的多径消除和距离提取算法,消除了多径干扰,仅保留与运动目标直接相关的一次反射信息,从而准确地获取了目标的距离变化曲线.随后,提出多视角融合算法,将不同视角上的设备距离信息进行融合,实现对自由活动目标的准确定位和追踪.此外,还搭建一个基于低成本商用IR-UWB雷达的实时动态目标追踪系统.真实室内家居场景中的实验结果表明,系统估计的人体中心的位置与真实运动轨迹的误差始终小于20 cm.在改变实验环境、实验者、活动速度...     

相似场景下基于局部地图的激光SLAM前端算法改进

在走廊、隧道等相似场景下,传统激光SLAM（同步定位与地图创建）算法由于观测数据的相似性,算法性能将严重劣化,甚至完全失效。为解决该问题,本文在hdl_graph_slam算法的基础上,首先基于匀速运动假设改进了运动预测模型,获得了更准确的初始位姿估计;然后通过引入局部地图概念实现点云的稠密化,改善了相似场景下前端里程计的性能。在室内实验中,场景的还原度达到了99.54%,较改进前提高了57.25%;在室外实验中,里程计漂移由原先的111.62\m降至7.65\m。实验结果表明,提出的算法在室内和室外的相似场景中均能带来显著的性能提升。     

基于LBP和小波纹理特征的室内室外场景分类算法

室内室外场景识别是图像处理的基本问题之一。对此问题提出了一种不需要图像分割和目标识别的方法。首先,利用小波变换对原图像进行五层小波分解,然后用旋转不变的LBP(local binary pattern)算法对第二层至第五层的LL子图提取纹理特征,再计算第二层和第一层LH,HL,HH子图的能量均值和方差,最后连接这两个过程形成的低维特征向量进行室内室外图像场景分类。实验结果表明此算法分类效果比较好,且识别室内室外场景并不需要目标形状等局部详细信息,只需要图像模糊化的全局纹理信息。     

面向室内场景的主被动融合视觉定位系统

目的 视觉定位旨在利用易于获取的RGB图像对运动物体进行目标定位及姿态估计。室内场景中普遍存在的物体遮挡、弱纹理区域等干扰极易造成目标关键点的错误估计,严重影响了视觉定位的精度。针对这一问题,本文提出一种主被动融合的室内定位系统,结合固定视角和移动视角的方案优势,实现室内场景中运动目标的精准定位。方法 提出一种基于平面先验的物体位姿估计方法,在关键点检测的单目定位框架基础上,使用平面约束进行3自由度姿态优化,提升固定视角下室内平面中运动目标的定位稳定性。基于无损卡尔曼滤波算法设计了一套数据融合定位系统,将从固定视角得到的被动式定位结果与从移动视角得到的主动式定位结果进行融合,提升了运动目标的位姿估计结果的可靠性。结果 本文提出的主被动融合室内视觉定位系统在iGibson仿真数据集上的平均定位精度为2～3 cm,定位误差在10 cm内的准确率为99%;在真实场景中平均定位精度为3～4 cm,定位误差在10 cm内的准确率在90%以上,实现了cm级的定位精度。结论 提出的室内视觉定位系统融合了被动式和主动式定位方法的优势,能够以较低设备成本实现室内场景中高精度的目标定位结果,并在遮挡、目标...     

基于传感器的室内测试轨迹系统

室内定位技术对基于室内位置信息的服务和测量至关重要。基于加速度、陀螺仪和磁强计等传感器,提出一种适用于室内行走的定位方法,该定位方法利用传感信号和滤波算法得出行走步数、步长及方向,并采用轨迹匹配算法对轨迹数据进行修正得出优化轨迹。通过实地测试表明：该方法能准确地还原行走轨迹,可应用于实际室内场景。     

基于视觉敏感区域信息增强的室内场景分类算法*

在室内场景分类问题中,由于场景本身结构的复杂性和多样性,存在各种干扰因素,影响分类的准确性.针对上述问题,文中提出基于视觉敏感区域信息增强的室内场景分类算法,通过融合基于视觉敏感区域信息增强的局部特征与全局特征,构成多尺度空间-频率融合特征,实现对室内场景的正确分类.在3个标准测试集上的实验表明,文中算法对多个不同场景分类数据集均有较好的分类结果,适用性较强.     

Self-distillation framework for indoor and outdoor monocular depth estimation

As one of the most crucial tasks of scene perception, Monocular Depth Estimation (MDE) has made considerable development in recent years. Current MDE researchers are interested in the precision and speed of the estimation, but pay less attention to the generalization ability across scenes. For instance, the MDE networks trained on outdoor scenes achieve impressive performance on outdoor scenes but poor performance on indoor scenes, and vice versa. To tackle this problem, we propose a self-distillation MDE framework to improve the generalization ability across different scenes in this paper. Specifically, we design a student encoder that extracts features from two datasets of indoor and outdoor scenes, respectively. After that, we introduce a dissimilarity loss to pull apart encoded features of different scenes in the feature space. Finally, a decoder is adopted to estimate the final depth from encoded features. By doing so, our self-distillation MDE framework can learn the depth estimation of two different datasets. To the best of our knowledge, we are the first one to tackle the generalization problem across datasets of different scenes in the MDE field. Experiments demonstrate that our method reduces the degradation problem when a MDE network is in the face of datasets with complex data distribution. Note that evaluating on two datasets by a single network is more challenging than evaluating on two datasets by two different networks.

     

基于色度一致性的室外场景光照参数估计

针对不同天气情况下在同一太阳方位拍摄的室外场景图像,提出了一种基于色度一致性的光照参数估计算法。该算法基于太阳光与天空光基图像分解理论,利用色度一致性这一约束条件求解太阳光和天空光的光照系数;并利用光照色度校正模型对基图像进行光照色度校正,从而得到更准确的光照参数。 实验结果表明,所提算法是有效且正确的,根据基图像和光照系数可以准确重构原图像,从而实现虚拟物体与真实场景的无缝融合。     

使用三角网的户外增强现实注册方式的研究

增强现实的关键技术是进行三维注册,即由真实场景计算虚实结合的参数。为扩大增强现实在户外的应用,提出了在真实场景主要物体上增加表面3D网格的方法来减少虚实结合参数计算的复杂程度。该方法既不需要增强现实室内应用开发所应用的标记,也无需目前户外应用所依赖的传感仪器。以户外地形为例,通过对视线与地形网格交点的计算快速得到以往需要两幅图像联合处理才能得到的三维信息并进行快速的虚实合成。该方法为户外增强现实系统关键技术的研究提供了一个新的思路。     

Beyond Tracking: Modelling Activity and Understanding Behaviour

In this work, we present a unified bottom-up and top-down automatic model selection based approach for modelling complex activities of multiple objects in cluttered scenes. An activity of multiple objects is represented based on discrete scene events and their behaviours are modelled by reasoning about the temporal and causal correlations among different events. This is significantly different from the majority of the existing techniques that are centred on object tracking followed by trajectory matching. In our approach, object-independent events are detected and classified by unsupervised clustering using Expectation-Maximisation (EM) and classified using automatic model selection based on Schwarz's Bayesian Information Criterion (BIC). Dynamic Probabilistic Networks (DPNs) are formulated for modelling the temporal and causal correlations among discrete events for robust and holistic scene-level behaviour interpretation. In particular, we developed a Dynamically Multi-Linked Hidden Markov Model (DML-HMM) based on the discovery of salient dynamic interlinks among multiple temporal processes corresponding to multiple event classes. A DML-HMM is built using BIC based factorisation resulting in its topology being intrinsically determined by the underlying causality and temporal order among events. Extensive experiments are conducted on modelling activities captured in different indoor and outdoor scenes. Our experimental results demonstrate that the performance of a DML-HMM on modelling group activities in a noisy and cluttered scene is superior compared to those of other comparable dynamic probabilistic networks including a Multi-Observation Hidden Markov Model (MOHMM), a Parallel Hidden Markov Model (PaHMM) and a Coupled Hidden Markov Model (CHMM). First online version published in February, 2006