基于分度台转位装置的惯性测量单元智能检测

针对惯性测量单元(IMU)批量检测效率低、人工劳动量大的现状,设计开发出一种基于分度台转位装置的IMU智能检测系统。其采用高精度分度台转位装置为IMU提供基准角度位置,利用工控机控制分度台转位装置、程控直流电源和IMU协调有序工作,通过上位机软件智能控制程控直流电源向IMU供电,以及自动发送、采集、分析和处理检测数据,实现对IMU的智能、高效、精确检测。实验结果表明,该系统可同时自动检测4套IMU 的参数指标,并自动计算、显示和保存检测数据,且检测精度、效率和智能化程度高,人工劳动量小,性价比高,此外,软件界面上所有功能均可手动触摸操控,操作十分便捷。     

自然语言文本中不确定性信息的自动识别

自然语言中存在大量不确定的表述,针对此类信息的检测任务是信息抽取领域的研究热点之一,然而,面向中文的不确定信息检测研究仍然比较匮乏,利用支持向量机(Support Vector Machine,SVM)能够很好的解决非线性、高维数、局部小样本等实际问题的优势,将中文不确定性信息识别问题转化为分类问题,通过在复旦大学发布的中文不确定性检测数据集语料上的实验,验证了本文提出的基于SVM的中文不确性信息检测方法的有效性,相比于句子评分模型,我们的系统取得了更好的召回率.     

导弹飞行视景仿真中的碰撞检测算法

针对导弹飞行视景仿真中碰撞检测实时性与精确性的不足,提出了一种优化的混合包围盒碰撞检测算法.该算法在包围盒树的上层使用Sphere,下层使用OBB;将该算法在导弹飞行视景仿真系统中实现后,分别与相交矢量碰撞检测算法、OBB包围盒算法进行对比试验和分析.结果表明,这种混合包围盒算法能够有效地提高导弹飞行视景仿真中碰撞检测的实时性与精确性.     

基于改进SUSAN算法的移动车辆检测

针对复杂行车环境下智能车辆行车安全问题,提出了一种基于改进 Susan 边缘检测算法提取车辆边界特征。首先介绍了SUSAN边缘检测算子的原理,然后提出改进的SUSAN算法,即对待检测像素粗略提取,采用一种自适应选取阈值的方法对候选边缘点检测提取边缘。实验表明,算法能在复杂图像中识别前方车辆,有较高的准确度。     

边缘检测算法的FPGA实现

边缘检测算法是最常见的图像处理算法. 分析了Prewitt算子和Sobel算子两种边缘检测算法的原理, 利用DSP Builder工具在MATLAB/Simulink下完成了这两种算子的图像边缘检测算法的设计, 并将该设计直接在FPGA中实现. 利用FPGA的并行处理能力, 大大缩短了图像处理所需的时间.     

基于YCbCr颜色空间的叶片阴影检测与去除

自然环境下获得的植物叶片图像往往由于阴影的存在而严重影响植物叶面特征的提取,为了解决这个问题,提出了一种基于YCbCr颜色空间的阴影的检测与去除方法.首先在YCbCr颜色空间中计算Y通道强度,采用阈值法检测阴影区域.然后在YCbCr颜色空间下根据光照模型对阴影区每个像素进行光照恢复.最后转化到RGB颜色空间下.相对于直接在RGB空间进行的阴影去除,该方法减弱阴影区的边缘效应,使得去除阴影后的区域与非阴影区的颜色更加一致,恢复图像看上去更加自然.     

一种新型的实效运动目标检测方法

提出一种新型的帧间差分光流的运动目标检测方法.该方法通过改进七帧差分和改进背景减除消除运动目标检测时出现的"空洞"和虚假目标;通过在光流计算方程加入权函数和引入通用动态图像模型建立新的光流约束条件,以解决常用光流场计算耗时长和亮度变化引起的约束方程不成立的问题,同时获取运动准确信息;最后通过阈值分割和形态学处理完成对目标的分割.实验对比分析表明,该方法能实现运动目标的准确快速检测与分割.     

基于超像素分割和多方法融合的SAR图像变化检测方法

针对基于像素的合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测会造成虚警较高、结果破碎的问题,提出一种基于超像素分割和多方法融合的SAR图像变化检测方法。首先引入基于简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)的超像素分割方法,通过对主辅图像进行联合分割,得到符合实际地物边界的超像素分割结果;同时,利用3种基于像素的变化检测方法获取初始变化检测结果;接着,利用超像素分割结果和初始变化检测结果进行两个层次的众数投票,去除检测结果中由于噪声引起的虚警和连通域中的孔洞。选取两个时相的苏州Radarsat-2单极化SAR图像开展变化检测实验,实验结果表明该算法在保持较高检测率和有效边界的基础上,能够显著降低虚警。     

基于改进Kalman滤波的可见光极小目标TBD跟踪方法

针对无人机可见光图像极小目标跟踪问题,本文提出一种基于改进卡尔曼滤波的 (Tracking before detection,TBD)跟踪方法。首先利用检测算法定位目标位置作为卡尔曼滤波的测量值,检测过程中的匹配相似度参数作为卡尔曼滤波测量噪声协方差矩阵的参照依据,其次利用卡尔曼滤波建立跟踪框架预测下一帧的目标位置,最后检测模块以预测位置为 参考位置进行局部搜索,完成整个检测跟踪过程。为了提高跟踪效率,本文根据检测和预测位置积累误差判决检测模式,误差超过门限值则采取全局检测模式消除积累误差,否 则使用局部检测模式,降低TBD跟踪算法的运算复杂度。仿真实验证明,本文方法可以有效检测跟踪极小目标,提高跟踪的实时处理能力。     

基于分布式聚类的有向传感器网络移动目标跟踪算法研究

针对有向传感器网络DSN（Directional Sensor Networks）中,传感器节点部署数量对目标跟踪精度、网络寿命和能效问题的影响方面,提出了一个分布式聚类算法,该算法在优化活跃传感器和节点的直接通信过程中,由分布式集群来负责协调成员间的节点,通过传输给Sink的定位信息及从多个节点聚集的传感数据来准确定位目标的位置。基于该理论的目标跟踪机制,提高了目标跟踪精度、增加了网络寿命和网络剩余能量。并进行了仿真验证,结果表明该方法能实现更高的跟踪性能。