保障QoS的实时Linux系统设计

为了在综合业务网络中保障实时多媒体业务的服务质量(QoS),设计了软实时Linux系统。系统中将网络接受中断的推后执行工作校由工作队列来执行,而非传统的由网络接受软中断处理。工作队列是Linux2.6内核的进程调度机制,对实时多媒体任务和数据任务实施不同的优先级调度,以保证实时多媒体任务的优先处理而不是尽力而为(BestEffort),保障其服务质量。通过简单的测试证明本系统运行稳定,能够保障实时多媒体业务的服务质量,尤其对解决延迟抖动问题有明显的效果。     

Matlab的动态数据交换及其应用研究

为了充分利用Matlab强大的矩阵运算能力及其丰富的工具箱,对Matlab的动态数据交换进行了研究,通过动态数据交换完成Matlab与其他应用程序间的通信,从而为Matlab在实时控制中的应用奠定了基础。将Matlab模糊控制工具箱开发出来的模糊控制算法用于电气加热炉的控制,控制效果非常好。     

UNIX操作系统的实时化及其应用

本文概述了实时应用领域对操作系统的要求;比较了当前实时操作系统和UNIX 系统各自的长处和不足,进而提出了实时 UNIX 的产生背景;本文重点介绍了迄今为止出现的各种实时 UNIX 系统版本的实现方式;最后讨论了 UNIX,包括实时版本的标准化问题和 UNIX 系统在实时领域的应用前景。     

判别特征回归的鲁棒目标跟踪

目的 近年来,目标跟踪领域取得了很大进步,但是由于尺度变化,运动,形状畸变或者遮挡等造成的外观变化,仍然是目标跟踪中的一大挑战,因而有效的图像表达方法是提高目标跟踪鲁棒性的一个关键因素。方法 从中层视觉角度出发,首先对训练图像进行超像素分割,将得到特征向量集以及对应的置信值作为输入值,通过特征回归的方法建立目标跟踪中的判别外观模型,将跟踪图像的特征向量输入该模型,得到候选区域的置信值,从而高效地分离前景和背景,确定目标区域。结果 在公开数据集上进行跟踪实验。本文算法能较好地处理目标尺度变化、姿态变化、光照变化、形状畸变、遮挡等外观变化;和主流跟踪算法进行对比,本文算法在跟踪误差方面表现出色,在carScale、subway、tiger1视频中能取得最好结果,平均误差为12像素,3像素和21像素;和同类型的方法相比,本文算法在算法效率上表现出色,所有视频的跟踪效率均高于同类型算法,在carScale视频中的效率,是同类算法效率的32倍。结论 实验结果表明,本文目标跟踪算法具有高效性和鲁棒性,适用于目标发生外观变化时的目标跟踪问题。目前跟踪中只用了单一特征,未来考虑融合多特征来提升算法鲁棒性和准确度。     

自然场景图像去雨的可学习混合MAP网络

目的 近年来,人工智能成为新兴研究领域,得到越来越多研究机构的关注。图像恢复问题一直是低层次计算机视觉领域的一个研究热点,其中,图像去雨由于其雨线分布的未知性及其求解的病态性,导致难以解决。现有方法存在雨线和背景之间的估计具有依赖性,难以平衡雨线去除效果与估计背景的清晰程度之间的关系;局限性比较大,训练数据很难涵盖各种场景下的雨图,而测试结果受训练数据的影响,导致难于泛化。针对上述不足,借鉴一般图像恢复问题思路,将模型与以数据驱动的网络相结合,凸显网络与模型各自的优势,提出可学习的混合MAP网络有效地解决图像去雨问题。方法 首先基于最大后验估计（MAP）建立含有隐式先验的能量模型,然后通过优化算法将模型分解为背景估计模型和雨线估计模型两部分,以减少背景估计和雨线估计之间的依赖性。对于背景估计模型,通过对模型及优化目标分析采用以数据驱动的去噪残差网络进行建模,保证估计出的背景更清晰;对于雨线估计模型,为避免直接对未知的雨线建模失去准确性,利用高斯混合模型实时刻画输入雨图的雨线先验。结果 在合成数据集Rain12及真实雨图上进行实验,通过综合考虑定量分析和定性分析,并与3种基于模型的方法及两种基于深度网络的方法相比,本文方法在去除雨线的同时能够损失的背景信息最少,合成数据集上的平均结构相似性（SSIM）值达到0.92。结论 本文通过将基于模型的方法与基于深度网络的方法相结合,既去除了雨线又保证了估计背景的清晰程度,同时也验证了将传统模型与深度网络相结合是一种解决图像恢复问题的有效途径。