基于改进的AdaBoost和支持向量机的行人检测

针对AdaBoost算法在训练样本和特征较多时训练时间过长的问题,提出了一种改进的AdaBoot算法与支持向量机组合的分类器.对多重分类器的输出结果以非线性的方式组合,采用交替的方式轮流对不同的特征进行学习,将多重分类器处理完后的结果作为另一种输入样本,再以一个分类器做一次分类.实验表明该算法用于行人检测可行、性能稳定.     

一种基于步幅长度及频域特征的步态识别方法

步态识别作为一种较新的生物认证技术有其独特优势,它旨在根据人行进过程中的行走步态模式来识别其身份.提出一种基于步幅长度及频域特征的步态识别方法:首先采用背景减除算法实现运动人体检测,并根据步幅长度变化特征进行周期分割.然后提取步幅长度极值结合关键帧的频幅均值构成五维特征向量,最后用标准模式分类器在中科院自动化所提供的CASIA步态数据库中进行实验,在降低了算法复杂度的同时,获得了令人鼓舞的实验结果.     

多通道Haar-like特征多示例学习目标跟踪

目的 提出一种基于多通道Haar-like特征的多示例学习目标跟踪算法,克服了多示例跟踪算法在处理彩色视频时利用信息少和弱特征不能更换的缺点。方法 首先,针对原始多示例学习跟踪算法对彩色视频帧采用单通道信息或将其简单转化为灰度图像进行跟踪会丢失部分特征信息的缺点,提出在RGB三通道上生成位置、大小和通道完全随机的Haar-like特征来更好地表示目标。其次,针对多示例学习跟踪算法中Haar-like弱特征不能更换,难以反映目标自身和外界条件变化的特点,提出在弱分类器选择过程中,用随机生成的新Haar-like特征实时替换部分判别力最弱的Haar-like特征,从而在目标模型中引入新的信息,以适应目标外观的动态变化。结果 对8个具有挑战性的彩色视频序列的实验结果表明,与原始多示例学习跟踪算法、加权多示例学习跟踪算法、基于分布场的跟踪算法相比,提出的方法不仅获得了最小的平均中心误差,而且平均跟踪准确率比上述3种算法分别高52.85%,34.75%和5.71%,在4种算法中获得最优性能。结论 通过将Haar-like特征从RGB三通道随机生成,并将判别力最弱的部分Haar-like弱特征实时更换,显著提升了原始多示例学习跟踪算法对彩色视频的跟踪效果,扩展了其应用前景。     

Gabor小波和改进LBP的零件表面粗糙度识别

目的 为了提取零件表面图像的纹理特征并对其表面粗糙度分类识别,有效提高识别的正确率,提出了联合Gabor小波和改进局部二值模式(LBP)的纹理特征提取方法。方法 针对传统LBP算子忽略了邻域内灰度差幅值特征的问题,提出了M_LBP(magnitude considered LBP)算子。采用Gabor小波对零件表面图像滤波,并计算各子图像 Gabor幅值特征GMM(Gabor magnitude maps)。应用M_LBP算子计算各GMM的M_LBP特征谱,进而构造得到零件表面图像的纹理特征向量,最后通过KNN(K-nearest neighbor)算法对零件粗糙度分类识别。结果 本文提出的算法有效细化了表面图像纹理特征,对粗糙度差别为0.2 μm的零件识别准确率达到98%,远高于利用传统LBP算子提取的纹理信息的识别准确率。结论 本文提出了一种有效细化LBP纹理特征的M_LBP算子,并通过与Gabor小波的结合,突破了传统LBP算子尺度、方向单一,幅值信息被忽略的局限性,能实现较高精度的粗糙度识别。     

基于时序特征和集成算法的用户购买预测

大数据时代,电商平台积累了大量用户在平台上的行为数据,比如浏览、点击、下单和加入购物车等等.如何使用机器学习算法去探索大数据背后的用户消费喜好和习惯成为了一个新的研究热点.本文主要在特征工程和模型搭建两个方面对用户购买预测的效果做出提高.通过深入理解电商业务知识,利用统计学知识,分别从用户、商品和评论数据等多个方面的数据构建了115个特征;在模型搭建方面,主要设计了一个两层融合模型,第一层采用了XGBoost、CatBoost和逻辑回归作为基分类器,从不同的角度考虑用户购买预测,第二层采用加权平均的方法对基类模型的预测结果进行融合,其权重由线性分类器学习生成.实验结果表明该融合模型的F1评分要高于个体分类器,并且多次实验证明,融合模型的稳定性也要比个体分类器好.     

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。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。     

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。     

轮胎在侧向力、纵向力联合工况下的神经网络模型

建立了轮胎在侧向力、纵向力联合工况下的神经网络模型，分析了不同训练方法对模型精度的影响。通过对轮胎实测值与神经网络预测值的对比表明，轮胎神经网络模型的精度能满足工程要求，BP前馈神经网络可有效地应用于车辆轮胎特性的数学建模。