基于单线激光雷达的廊道环境数字重构技术

针对廊道环境的数字重构问题,设计了一种基于单线激光雷达的数字重构系统.该系统利用移动机器人搭载单线激光雷达传感器,构建三维雷达扫描系统,实现廊道环境的自动扫描和实时重构.首先进行系统的硬件搭建,其次详细介绍了系统的数字重构过程,主要包括移动机器人控制模块设计、坐标转换、数据融合等.为了解决移动机器人运动偏离的问题,在控制系统中加入模糊PID(porportion integral differential)控制算法,保证了系统数据采集的准确性.对于2D点云到3D点云的转换的问题,提出了一种里程计数据和激光雷达传感器数据融合的方法.最后进行实验测试.结果 表明:该系统可以实现对一般复杂的廊道场景进行自动化采集和实时重构,不仅精度高而且重构特征明显.     

基于激光雷达的车辆跟踪与识别方法

提出了一种基于激光雷达的车辆跟踪与识别方法.该方法采用Kalman滤波实现目标跟踪,运用坐标变换法消除不同数据帧中物体形状差异对跟踪中心的影响,结合车辆矩形投影及速度特征识别车辆.针对由于遮挡或某部分反射率低而引起的目标分割现象,提出了一种结合车辆外形与轮廓特征的聚类合并算法.仿真实验表明,该算法精度高、实时性好且鲁棒性强.     

基于激光雷达数据的仓储物流AGV障碍物识别方法

针对智能仓储中AGV避障问题,提出了一种使用激光雷达识别AGV前方障碍物类别的方法,以便结合障碍物位置信息辅助AGV做出合理的决策.首先,将激光雷达数据进行滤波、聚类,得到纯度高的聚类簇;然后,通过提出的特征提取方法提取得到特征向量;最后,使用粒子群优化算法(PSO)在训练集上寻找径向基核(RBF)支持向量机(SVM)的最优参数,并训练得到模型.该方法在智能仓储模拟环境的数据集上测试,准确度达到了94.58%,可以准确、有效地对AGV前方障碍物进行识别.     

基于阈值分割和区域生长的车牌识别方法

【目的】改善车牌定位的质量,提高车牌识别的正确率和效率。【方法】联合使用阈值分割和区域生长算法进行车牌定位,使用垂直投影法进行字符分割,并使用字符模板匹配方法实现车牌字符的识别。【结果】基于阈值分割与区域生长的车牌识别方法能准确地识别出车牌号,识别率高,运行速度快。【结论】该方法实时性较好,具有一定的实用价值。     

基于激光雷达和摄像机融合的智能车障碍物识别方法研究

针对智能车环境感知中单一传感器所存在的局限性问题,本文提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,来实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络和SVM的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。     

基于自适应多尺度的血液细胞图像阈值分割方法研究

提出一个基于自适应多尺度滤波的阈值分割方法,对血液细胞图像进行了自动分割。首先,对图像原始直方图进行多尺度滤波,根据它的尺度空间图特性,确定合适的滤波尺度,然后完成对谷点由“粗”到“精”的定位,并作为阈值对原始图像进行分割;其次,利用松驰方法对分割图像作后处理;最后,将该方法与其他阈值分割方法做了分割性能的比较,证明了算法的有效性。     

阈值与纹理相结合的云识别方法

为了利用大气向下红外辐射进行云的地基红外遥感,分析了晴空辐射阈值的确定方法以及有云天空和晴空的LBP谱,进一步提出了阈值与纹理相结合的云识别方法.辐射阈值法可以逐像元地进行云识别,但一旦阈值确定不准,会导致云识别误差较大;有云与晴空的LBP谱有明显差异,可以利用晴空相似度周值进行云识别,但由于计算LBP谱需要在较大区域...     

基于多特征融合的疲劳驾驶状态识别方法研究

针对交通安全中疲劳驾驶状态识别问题,使用单一的疲劳驾驶特征的方法识别率较低,本文提出一种基于面部多特征加权和的疲劳识别方法.通过人眼状态检测算法提取眼部疲劳参数,即持续闭眼时间、闭眼帧数比、眨眼频率,通过打哈欠状态检测得到打哈欠次数和打哈欠持续时间,通过头部运动状态分析得到点头频率,建立融合以上六个特征的驾驶疲劳状态检测模型来评估驾驶员的疲劳等级并进行相应的预警.实验测试数据选自NTHU驾驶员疲劳检测视频数据集的部分数据.经实验调整后,发现该方法的识别准确率较高,识别效果好.     

基于蛙跳算法与Otsu法的图像多阈值分割技术

 为了快速准确地确定多阈值图像分割中的最佳阈值,提出了一种基于蛙跳算法与Otsu法相结合的多阈值图像分割方法.该方法将多阈值求解看作一种多变量的组合求解优化问题,利用多阈值Otsu法设计分割目标函数,将新兴的仿生学优化求解算法——蛙跳算法引入到图像分割技术中,通过蛙跳算法中全局搜索和局部搜索相结合的搜索机制并行求解多个阈值.实验结果表明,该方法与基于人工鱼群算法的图像多阈值分割方法相比,明显提高了图像分割速度和分割质量.     

一种单线激光雷达和可见光摄像机的标定方法

结合移动机器人实际应用.提出了针对激光雷达和可见光摄像机标定的方法.通过对激光雷达扫描特殊标定板得到距离信息的计算,求得雷达扫描线在标定板上的坐标位置,从而得到了一组雷达数据和图像数据的对应点对.以此为基础,通过参数拟合的方法实现了两者关系的求取.该方法只需要标定板就能够完成激光雷达和摄像机的空间标定,标定精度高,在此基础上的外部标定,实现了多个传感器世界坐标系的统一,避免了后续处理中数据解释的二义性,实验证明了这种方法的有效性.     

自适应多门限算法的MIMO-TDCS的设计与研究

针对已研究的多输入多输出变换域通信系统(Multiple-input Multiple-output Transform Domain Communication System,MIMO-TDCS)的基函数生成算法,利用了传统的二元判决方法不能准确反应信道质量差别的问题,提出了一种采用自适应多门限基函数生成算法的MIMO-TDCS系统。理论分析表明,此系统能够较好地克服传统二元判决算法不能充分体现各可用子信道质量差别的缺点,充分利用各可用子信道质量差别分配信号功率,提高了系统误码率性能。通过仿真分析,验证了此系统的可行性,以及此系统具有较强的抗干扰能力。     

基于非抽样小波的多阈值去噪

利用小波系数之间的相关关系,对变换后的小波系数进行分类,提出了基于多阈值的去噪方法。该方法利用非抽样小波变换的冗余性来寻找小波系数之间的依赖关系,把变换后系数分成与图像细节特征相关的系数、平滑区域相关的系数以及噪声相关的系数,对不同的系数采用不同的阈值处理策略以改进去噪效果。实验结果表明,与其它去噪方法相比,该方法不仅较好的保留了图像特征,而且具有良好的视觉效果,峰值信噪比也有较大幅度的提高。     

基于代数方法的图像特征抽取和识别

该文对文献（３）中的相似度计算了改进,用低维矩阵替代高维矩阵进行计算,先证明没有改变原有图像矩阵的相似度,然后用新方法和原方法解决一组人脸图像识别问题,实验结果表明,新方法大大减少了计算量,又能保持稳定的识别率,具有较高的识别效果。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于改进的2DPCA人脸识别方法研究

传统的主成分分析(PCA)方法在图像识别时需将图像矩阵转化成向量,造成图像向量的维数偏高,使得整个特征提取过程的计算量较大;在PCA的基础上,有人提出了二维主成分分析(2DPCA)的方法,但其本质是对图像矩阵按行进行特征提取,虽然消除了图像列的相关性,但是仍然忽视了行的相关性;因此,在此考虑一种改进的方法能同时消除图像行、列的相关性,并通过实验得到了比2DPCA更高效的识别率。     

基于叶片图像的植物识别方法

 基于计算机的植物自动识别是植物识别分类学的发展趋势,本文提出了一种基于植物叶片图像的植物自动识别方法。该方法在对叶片图像进行亮度校正、中值滤波和阈值分割等预处理后,计算植物叶片的偏心率、圆形性、圆形度指标、方向角、最小矩形宽轴/长轴、最佳椭圆短轴/长轴6个形状特征参数和植物叶片的二阶矩、对比度、相关、熵、逆差矩5个纹理特征参数,再使用径向基人工神经网络设计了植物自动识别的分类器。通过对3种植物的60个叶片图像进行实验,仅用植物叶片形状特征进行植物识别的平均正确识别率为70.83%,利用植物叶片形状特征和纹理特征进行植物自动识别的平均正确识别率为83.3%,并得到了径向基人工神经网络的参数。实验结果表明,植物叶片图像的纹理特征能够提高植物自动识别的平均正确率,基于植物叶片图像的植物自动识别是切实可行的,研究成果为深入研究植物自动识别分类系统奠定了一定的理论基础。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

基于多方向Gabor滤波器和Adaboost的虹膜识别方法

结合虹膜的整体和局部纹理信息,提出一种新的虹膜特征提取和识别方法.首先将归一化虹膜进行分块,然后利用多方向Gabor滤波器分别对整个虹膜和虹膜子块进行编码并生成特征向量,最后使用Adaboost算法训练得到识别性能较好的特征用于识别.在数据库CASIA-IrisV3-Lamp中实验,该算法的识别率达到99.85%;在包含大量低质量虹膜图像的数据库NICE:Ⅱ中实验,算法也具有较好的识别性能,表明了算法既能充分地利用虹膜的纹理信息,又能有效地减少噪声的影响.     

乒乓球挥拍动作识别方法研究

乒乓球运动中有很多不同类型的挥拍动作,准确识别这些运动模式对于挥拍动作的分析有着重要的意义,针对此需求提出并设计了一种基于MPU9250加速度传感器的挥拍动作识别方法。首先将传感器采集的原始数据做加窗和滤波等预处理,对预处理后的样本进行时域分析提取出每种挥拍动作的均值、方差、周期等22个统计学特征;再采用嵌入式特征选择进行特征筛选得到10个特异性特征,并使用支持向量机、随机森林、决策树以及基于以上3种算法的集成学习进行分类器训练;最后,充分比较了4种分类器对正手攻球、反手推球、正手搓球、反手搓球4种运动模式的识别精度。实验结果表明:集成学习分类器效果最佳,平均识别准确率为94.25%。     

基于聚类与神经网络的无线通信联合调制识别新方法

针对现有基于聚类算法的信号调制识别在低信噪比时识别率低的缺点,文中采用聚类算法提取信号特征参数,通过变梯度Polak-Ribiere BP修正算法对神经网络进行训练,以提高收敛速度,改善在低信噪比条件下网络识别性能,实现对基于星座图调制方式信号的调制识别,仿真结果表明,在低信噪比条件下,调制识别率和单独采用聚类算法或基于BP算法的神经网络识别时比较提高30%以上,在信噪比为4d B条件下识别率可达到90%,且系统易于实现,在信号调制识别中具有广泛的应用前景。