显著性的无人机远距离障碍物检测

针对旋翼无人机的避障问题,结合人眼视觉的显著性注意机制和HOG特征,提出一种实时的障碍物检测算法。该算法首先采用形态Haar小波分解的方法构建增强图像,然后根据增强图像的投影曲线提取出障碍物的候选区域。其后,对障碍物候选区域进行尺度归一化后提取HOG特征,并采用线性SVM分类器进行分类判别。该算法采用C++语言实现,在Celeron 2.3GHz处理器、2G内存的单板计算机上测试分辨率为640×480的VGA视频图像的处理速度约为14f/s。实验结果表明该算法满足无人机在低空环境下的障碍物的实时检测需求。     

用户无关的多分类器融合行为识别模型

为了提高行为识别模型的准确率,给出一种与用户无关的多分类器融合行为识别模型。采用决策树C4.5自顶向下构建基分类器,将基分类器对各行为的识别准确率作为权值,利用融合算法对行为识别结果进行融合处理,生成与用户无关的行为识别通用模型。采用未参与基分类器训练用户的加速度数据对该模型进行测试,对比结果表明,多分类器融合模型对步行、跑步、上楼、下楼等日常行为识别准确率均有所提高。     

基于贝叶斯模型与最佳伙伴相似度量的目标跟踪

提出了一种基于产生式与判别式联合模型的视觉目标跟踪算法。首先介绍了一种基于全局颜色特征直方图特征的贝叶斯分类器,检测出若干最有可能属于目标的候选区域,然后利用最佳伙伴相似性度量（Best-Buddies Similarity）得到候选区域与目标模板的相似度,结合概率值与相似度值估计出最优的目标状态。通过划分目标-背景区域模型、目标-干扰区域模型,对可能产生干扰的区域提前进行抑制,降低了长期跟踪可能产生的漂移问题的风险,同时引入了自适应尺度估计机制和在线模型更新策略,以获得更为精准的跟踪结果。在37组具有挑战性的图像序列上与7种优秀的算法对比实验表明,所提出的算法能够有效应对光照变化、遮挡、旋转与尺度变化等多种问题。     

雷达辐射源识别技术研究进展

雷达辐射源识别技术是雷达对抗侦察系统中的关键技术之一,是雷达对抗信息处理研究的重要内容。鉴于特征提取和分类识别是雷达辐射源识别的两大关键技术,综述了这两个关键技术的研究进展,从理论上分析了当前研究现状下存在的问题,并对未来的研究进行了展望,为进一步研究雷达辐射源识别技术提供了参考。     

基于SVDD的减压直拔生产沥青的原油种类挖掘方法

减压直拔生产沥青是生产道路沥青的主要方式,其经济性与能效性具有显著优势,但该生产过程对其原油的选择通常依赖定性分析及历史经验,缺乏完备的理论数据支持。通过收集大量沥青生产成功案例,提取对应原油的物性数据并进行处理与分析,结合支持向量数据描述（SVDD）单值分类器特性,建立基于SVDD的减压直拔生产沥青的原油种类识别模型。基于该模型对中国石化原油数据库中273种原油进行数据挖掘与识别,最终得到46种适合通过减压直拔方式生产沥青的原油,并通过可行性分析明确了单值分类器在油品数据挖掘中的有效性,为炼化企业经营决策提供了理论支持,明确了生产沥青的原油选择空间,降低原油试错成本,提高沥青生产的可行性。     

基于机器视觉及深度学习的静脉药物调配机器人药瓶识别北大核心

静脉药物调配机器人需要对数百种不同类型的药物进行调配,不同药物药瓶类型的识别、测量是精准调配的关键。对静脉药物调配机器人在药瓶类型分类、药瓶关键尺寸测量等不同任务要求情况下,运用基于机器视觉方法和深度学习框架YOLOv5s,实现了一种高效稳定的识别测量方法。结合机器视觉方法的测量准确性,深度学习方法对背景、光源的不敏感性,实现配药过程中不同环节药瓶的准确识别、测量。并通过实验定量地检测背景、环境光源对于识别结果的影响。     

基于节点选择优化的DAG-SVM多类别分类

有向无环图支持向量机( DAG-SVM)对于N类别分类问题,会构造N ×( N-1)/2个支持向量机分类器(为每2个类构造一个支持向量机),DAG-SVM可能出现由于节点选择不佳而导致整个分类器分类结果较差的情况。为此,提出一种改进的DAG-SVM。通过为每一层建立备选节点集合进行节点选择,选取下层备选节点集合中训练分类精度最高的一个节点组合作为当前层节点的下层节点,从而优化DAG-SVM的拓扑结构。实验结果表明,与已有的DAG-SVM,1-vs-1 SVM,1-vs-a SVM方法相比,该方法的分类精度较高。     

基于生理振动分析的手机用户身份识别

为保护手机用户的个人信息,对用户进行身份识别认证,提出一种生物识别方法。利用智能手机内置的传感器,采集人体的生理振动信息;通过对采集数据进行去重力等预处理,提取均值、方差、能量、峰度、偏度等特征指标,利用z‐score方法进行标准化处理;进行分类器设计,得出分类器的查准率、误检率等评价指标。分析60组不同用户的生理振动数据,分析结果表明,该分类器的查准率最高可达98?33％。     

CLAHE低频DCT系数重变换在人脸识别中的应用

针对光照变化显著影响自动人脸识别系统性能的问题,为了规范化光照变化以提高人脸识别率,提出基于对比度限制自适应直方图均衡化CLAHE(Contrast Limiting Adaptive Histogram Equalization)的低频离散余弦变换DCT(Discrete Cosine Transform)系数重变换算法。首先将图像划分成多个互不重叠的局部小块,使用CLAHE对局部小块进行局部对比拉伸以实现去噪;然后,通过缩减适当数目的低频DCT系数来消除人脸图像中的光照变化;最后,利用核主成分分析进行特征提取,稀疏系数重建和k-近邻分类器完成最终的人脸识别。在扩展Yale B及AR人脸数据库上的实验验证了算法的有效性。实验结果表明,算法在识别非常困难的Yale B子集5上的识别率可高达98.20%,相比其他几种规范化技术,该算法取得了更高的识别率,同时大大降低了识别所耗时间。     

一种大数据环境中分布式辅助关联分类算法

在很多现实的分类应用中,新数据的类标需要由领域专家最终确定,而分类器的分类结果仅起辅助作用.另外,随着大数据所隐含价值越发被人们重视,分类器的训练会从面向单一数据集逐渐过渡到面向分布式空间数据集,大数据环境下辅助分类也将成为未来分类应用的重要分支.然而,现有的分类研究缺乏对此类应用的关注.大数据环境中的辅助分类面临以下3个问题:1) 训练集是分布式大数据集;2) 在空间上,训练集所包含的各局部数据源的类别分布不尽相同;3) 在时间上,训练集是动态变化的,会发生类别迁移现象.在考虑以上问题的基础上,提出一种大数据环境中分布式辅助关联分类方法.该方法首先给出一种大数据环境中分布式关联分类器构建算法,在该算法中,通过横向加权考虑分类数据集在空间上的类别分布差异,并给出"前件空间支持度-相关系数"的度量框架,改进关联分类算法面对不平衡数据的性能缺陷;然后,给出一种基于适应因子的辅助关联分类器动态调整方法,能够在分类器应用过程中充分利用领域专家实时反馈的结果对分类器进行动态调整,以提升其面向动态数据集的分类性能,减缓分类器的退化和重新训练的频率.实验结果表明,该方法能够面向分布式数据集较快地训练出有较高分类准确率的关联分类器,并在数据集不断扩充变化时提升分类性能,是一种有效的大数据环境中辅助分类应用方法.