基于局部二值特征和BP神经网络的头部姿态估计

针对头部姿态估计(HPE)通常会受到人脸姿态、表情和遮挡以及特征提取不准确等因素影响导致识别率不高的问题,提出一种鲁棒的头部姿态估计方法。生成局部二值特征(LBF),通过训练随机森林回归出人脸68个关键特征点提取模型,结合反向传播(BP)神经网络训练分类器识别头部姿态。在CASPEAL-R1和Pointing’04数据集上的实验结果表明:所提方法的头部姿态估计准确率达到了98. 57%,平均绝对误差为3. 90°,解决了人脸关键特征点定位不准确的问题,进一步提高了头部姿态的识别精度。     

基于Gabor滤波的头部CT图像分割算法

针对传统图像分割算法在头部CT图像分割时存在的易受光线、伪影等噪声干扰等问题,提出一种基于Gabor滤波的头部CT图像分割算法。首先使用Gabor滤波器对头部CT图像进行滤波,虑除图像中的光线以及伪影等噪声,然后使用Gaussian滤波器对图像进行平滑操作,最后使用二阶微分算子：Laplacian边缘检测算子对图像进行分割处理。实验结果表明：提出的基于Gabor滤波的头部CT图像分割算法能够有效的分割出头部CT图像边缘,并对头部CT图像中常见噪声伪影,具有很强的鲁棒性。     

基于RGBD的实时头部姿态估计

摘 要：实时的头部姿态估计在人机交互和人脸分析应用中起着至关重要的作用,但准确 的头部姿态估计方法依然具有一定的挑战性。为了提高头部姿态估计的准确性和鲁棒性,将基 于几何的方法与基于学习的方法相结合进行头部姿态估计。在人脸检测和人脸对齐的基础上, 提取彩色图像几何特征和深度图像的局部区域深度特征,再结合深度块的法线和曲率特征,构 成特征向量组;然后使用随机森林的方法进行训练;最后,所有决策树进行投票,对得到的头 部姿态高斯分布估计进行阈值过滤,进一步提高模型预测的准确度。实验结果表明,该方法与 现有的头部姿态估计方法相比,具有更高的准确度及鲁棒性。     

乘用车前挡风玻璃角度对行人头部/颅脑损伤影响研究

头部/颅脑损伤在车辆与行人碰撞事故中频繁发生,而行人头部与挡风玻璃的碰撞是导致头部损伤的主要原因。旨在采用数值模拟方法研究乘用车挡风玻璃倾斜角度对行人头部/颅脑损伤的影响。采用TNO多刚体行人模型和THUMS4.0头颈部有限元模型耦合得到新的行人碰撞数值模型,并结合已有的多刚体乘用车模型,借助真实的行人碰撞交通事故案例对该耦合模型进行基于人车动力学响应的有效性验证。在此基础上,构建人车碰撞模型矩阵,其中挡风玻璃角度的变化范围设定为24°~50°(间隔为2°),车辆速度设置为45 km/h,行人与车辆碰撞位置时分别处于车辆前保险杠前端1/2和1/3处。分析结果表明,该耦合模型可以较准确地再现事故中的行人动力学响应;行人碰撞保险杠前端中间(即1/2处)位置时的头部损伤较1/3处更严重;头部损伤在本文所分析的变化范围内随挡风玻璃角度的增加呈先减小后增加的变化趋势,且当挡风玻璃角度位于32°~34°左右时损伤风险较低。     

融合型UNet++网络的超声胎儿头部边缘检测

目的 超声胎儿头部边缘检测是胎儿头围测量的关键步骤,因胎儿头部超声图像边界模糊、超声声影造成图像中胎儿颅骨部分缺失、羊水及子宫壁形成与胎儿头部纹理及灰度相似的结构等因素干扰,给超声胎儿头部边缘检测及头围测量带来一定的难度。本文提出一种基于端到端的神经网络超声图像分割方法,用于胎儿头部边缘检测。方法 以UNet++神经网络结构为基础,结合UNet++最后一层特征,构成融合型UNet++网络。训练过程中,为缓解模型训练过拟合问题,在每一卷积层后接一个空间dropout层。具体思路是通过融合型UNet++深度神经网络提取超声胎儿头部图像特征,通过胎儿头部区域概率图预测,输出胎儿头部语义分割的感兴趣区域。进一步获取胎儿的头部边缘关键点信息,并采用边缘曲线拟合方法拟合边缘,最终测量出胎儿头围大小。结果 针对现有2维超声胎儿头围自动测量公开数据集HC18,以Dice系数、Hausdorff距离（HD）、头围绝对差值（AD）等指标评估本文模型性能,结果Dice系数为98.06%,HD距离为1.21±0.69 mm,头围测量AD为1.84±1.73 mm。在妊娠中期测试数据中,Dice系数为98.24%,HD距离为1.15±0.59 mm,头围测量AD为1.76±1.55 mm。在生物医学图像分析平台Grand Challenge上HC18数据集已提交结果中,融合型UNet++的Dice系数排在第3名,HD排在第2名,AD排在第10名。结论 与经典超声胎儿头围测量方法及已有的机器学习方法应用研究相比,融合型UNet++能有效克服超声边界模糊、边缘缺失等干扰,精准分割出胎儿头部感兴趣区域,获取边缘关键点信息。与现有神经网络框架相比,融合型UNet++能充分利用上下文相关信息与局部定位功能,在妊娠中期的头围测量中,本文方法明显优于其他方法。     

基于深度学习的空间非合作目标特征检测与识别

针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask region-based convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Light-head R-CNN (light-head region-based convolutional neural network)对其进行优化改进,提升检测速度,以满足空间任务实时性要求。实验结果表明,与传统的Mask R-CNN相比,改进的Mask R-CNN可缩短20%的检测时间。针对深度神经网络需要大样本数据集进行训练的特点,本文基于迁移学习提出搭建虚拟环境进行样本采集,构造空间目标特征检测与识别数据集的方法。实验结果表明,网络在虚拟环境生成的数据集上可以很好地学习到相应特征,从而具备迁移到实际任务的能力。     

头部和尾舵布局对弹箭俯仰气动特性影响

采用数值模拟的方法并经过风洞实验验证分析了超音速下无翼式布局火箭弹模型俯仰气动特性随头部形状和尾舵面积的变化规律,得出在头部长细比固定不变的条件下选用单锥型弹头较双锥形弹头有更好的稳定性;选用面积大的尾舵具有更好的法向过载和稳定性;为无翼式布局弹箭气动设计提供了依据.     

新的ISO标准将有利于减少步行儿童在交通事故中头部受伤害的危险

头部受伤是汽车与步行儿童撞击事故中最普通伤害之一，也是造成死亡的主要原因。国际标准化组织通过制定国际标准，模拟在实际事故／碰撞中儿童头部所遭受的撞击条件，以有助于减少这种危险的发生。     

射流侵彻水夹层间隔靶的理论和实验研究

为得到聚能射流侵彻水夹层间隔靶规律,选取50 mm口径聚能装药对水夹层间隔靶(2 mm×4 mm钢靶板+100 mm水夹层)的侵彻过程进行了理论和实验研究。结合准定常侵彻理论和数学归纳法建立了射流侵彻水夹层间隔靶理论模型,得到了射流头部速度与侵彻距离之间的关系。为验证理论模型,用脉冲X光和计时仪获得了多个侵彻阶段的射流头部速度。通过模型分析了水夹层间隔靶结构对射流剩余头部速度的影响。结果表明:建立的理论模型正确,由其得到的射流穿过水夹层间隔靶后的剩余头部速度理论值与实验值平均误差为4.6%;当靶板厚度小于20 mm,且水夹层间隔小于150 mm时,水夹层间隔靶对射流头部速度的衰减效率较高。     

基于自适应滤波的头部姿态跟踪方法研究

针对视觉式头部定位系统存在着噪声统计特性掌握不充分的问题,设计了一种新的基于自适应滤波的头部姿态跟踪方法,其综合了视觉测量算法和自适应滤波算法。在获取n对2D/3D(图像点/空间点)匹配对的基础上,先利用正交迭代算法(OI)解算头部姿态,然后应用自适应滤波器估计精度更高的头部姿态,最后针对带有时变噪声且噪声统计特性掌握不充分的测量值,应用头部姿态跟踪方法进行了仿真测试,结果显示该方法的测量精度有很大提高,并且验证了所设计的头部姿态跟踪方法是合理且有效的。