Mach—Zehnder干涉型光纤弱磁场传感器稳定性的研究

近年来,Mach—zehnder干涉型光纤弱磁场传感器的研究和应用获得了很大的发展,但是,外界环境因素的干扰始终影响着传感器的稳定性。本文选择直流相位跟踪法来保证传感器的稳定性,给出了理论阐述和具体电路。结果表明,该方法很好的消除了外界环境因素的干扰,保证了传感器的稳定性。     

虚拟演播室关键技术分析

虚拟演播室是一种新型的电视节目制作技术,该技术的应用能够实现虚拟与现实场景的有机结合,为广大受众带来良好的视觉体验。分析了虚拟演播室技术的优点,探讨了虚拟演播室的关键技术,以使其在节目制作中发挥积极作用,提高应用的实效性。     

基于深度学习的人体行为识别方法研究

为提高多目标人体行为识别的准确度,本研究借鉴了ST-GCN作者的思路,提出并改进一种基于深度学习的行为识别方法,该方法首先通过YOLOv5算法对视频序列的人体进行识别定位,其次利用改进的DeepSort跟踪算法对定位到的目标进行跟踪,并为每个目标分配不同的ID,再利用OpenPose提取目标人体的骨骼关节点,最后通过改进的ST-GCN算法实现人体行为的识别,从而解决多目标情况下人体行为识别错乱的问题。实验表明,相比原始未改进的算法模型,本研究改进的模型在识别准确率上提升了10%,证明了该方法的有效性。     

一种在线学习的目标跟踪与检测方法

针对现有在线学习跟踪方法缺乏监督机制的缺点,提出一种新的跟踪框架。以随机森林在线学习理论构造分类器作为目标检测器,用SURF特征点匹配方法作为目标跟踪器,跟踪过程中用可靠跟踪的结果形成对检测结果的监督机制,不对低置信度样本或错误样本进行学习,避免了分类器分类精度的逐渐下降,同时在跟踪失败时用目标检测器对目标进行重新捕获,形成跟踪、学习、检测三者有机结合的跟踪框架。对不同视频序列的测试结果表明,本文算法能有效避免目标出现较大外观变化或被大面积遮挡等复杂情况下的跟踪失败问题。     

基于深度图像的运动人手检测与指尖点跟踪算法

针对由传统摄像头获得的二维图像难以准确检测复杂环境下运动人手目标的问题,提出了一种利用Kinect摄像头对复杂背景下近景人手指尖空间点的检测和跟踪算法。首先利用基于视觉的多信息融合方法对人手区域进行粗检测,并利用深度信息对得到的模糊人手区域进行精确定位及分割,从而有效抑制了复杂背景对人手区域的干扰;根据分割得到的人手区域,利用人手边界的曲率关系实现了指尖空间点的快速检测;最后利用卡尔曼滤波跟踪检测到的运动指尖点。实验结果表明,与已有指尖点检测方法相比,该算法能够准确地跟踪多种姿态下手指指尖的空间位置,具有较低的误差率。     

一种复杂场景下视频图像跟踪系统

针对现有复杂场景下视频图像跟踪系统和方法的不足,提出了一种复杂场景下视频图像跟踪系统,系统采用DSP+单片机模式,DSP负责进行视频图像处理,单片机负责控制,将外部指令转换为DSP指令,本文提出的系统在复杂场景下工作稳定,对于地面目标和飞行目标的跟踪效果良好,能够稳定地对目标进行较长时间的有效跟踪,取得较好效果。     

基于改进的卡尔曼滤波车道线跟踪算法研究

车道线识别是实现车道线保持等高级辅助驾驶的前提条件,针对目前结构化道路车道线在干扰条件下存在检测失效的问题,提出了一种改进的卡尔曼滤波车道线跟踪识别方法。该方法利用连续帧道路图像车道线发展的连续性和车道线状态不出现突变的特点实现车道线的跟踪识别。首先计算出斜率和截距作为前一帧车道线道路图像的参数值,卡尔曼滤波系统以前一帧车道线参数值预算估计出当前帧道路图像的车道线作为最优估计值;通过设定阈值更新当前帧道路图像中车道线出现的区域为感兴趣区域,以减小道路图像中其他非车道线因素的噪声的干扰;利用opencv视觉库分别找到当前帧道路图像感兴趣区域中所有组成车道线的端点作为左右车道线的数据集,用最小二乘拟合出车道线的检测值;将卡尔曼滤波估算得出的最优估计值和最小二乘拟合的检测值比较后完成车道线的检测跟踪。实验结果表明,采用改进的卡尔曼滤波跟踪方法后,车道线识别准确率超过了95%。利用前一帧车道线的参数对当前车道线的状态进行估算,可以消除不同干扰条件下噪声的影响,提高车道线的识别准确率,提升辅助驾驶功能的稳定性。     

基于潮流跟踪的最小负荷削减费用计算

电网可靠性的经济性价值日益受到人们的重视,如何对其进行定量计算具有重要的现实意义.该文建立了体现电网可靠性经济价值的负荷削减费用模型,模型中综合考虑了节点负荷用户类型的分类和缺电损失评价率随停电时间的变化情况.在潮流跟踪法的基础上,提出了衡量负荷削减对缓解系统过负荷支路程度的经济性指标,并利用该指标对模型进行求解.算例结果验证了该方法的有效性和实用性.     

基于车载环境的交通目标跟踪

针对车载环境下小目标难以识别和相机动态移动造成的目标跟踪精度下降问题, 提出一种基于改进YOLOv5与ByteTrack的交通目标跟踪方法. 首先, 引入Transformer与加权特征金字塔(BiFPN)结构的思想重构YOLOv5检测网络, 有效捕获了特征的全局依赖关系, 缓解了深层卷积小目标信息丢失问题, 改善了车载环境下的目标检测性能. 此后, 以ByteTrack为基础提出了添加相机移动补偿的CMC-ByteTrack跟踪方法, 更精准地描述了视频前后帧的数据关联关系, 提高了相机大幅位移时的跟踪精度. 实验结果表明, 改进YOLOv5的平均检测精度(mAP)达到了82.2%, 相比原算法提高了3.9%, 与CMC-ByteTrack结合后的跟踪准确性(MOTA)相比改进前的跟踪方法提高了2.8%.