基于证据理论的驾驶行为险态识别方法

针对驾驶过程中危险性驾驶行为状态的有效辨识问题,基于证据理论提出一套系统的驾驶行为险态辨识方法.在设定的显著性水平下,采用因子方差分析法,从驾驶行为状态因子中提取若干因子构建驾驶行为险态辨识特征集.在此基础上,分别采用贝叶斯模型、FCM模型、神经网络模型,构建3类驾驶行为险态辨识器,实现驾驶行为危险状态辨识.针对3类辨识器辨识结果的差异性,采用D-S证据理论,对3类模型的辨识结果予以融合,实现了驾驶行为状态危险等级的融合识别.最后结合实例予以试算,结果表明,对于危险性驾驶行为状态的误判率为1.73%,方法具有可行性.     

基于改进HMM的驾驶疲劳险态识别方法

驾驶疲劳的产生是渐进的动态生成过程,基于隐马尔可夫模型(hidden Markov model,HMM)的相关研究需首先确定模型训练初值,且训练过程易陷入局部最优.基于此,通过在HMM训练过程中引入粒子群优化(particle swarm optimization,PSO)算法对训练过程存在的上述问题进行了改进,并结合驾驶疲劳状态典型数据集对所提出的改进方法和前向后向算法(forward-backward(BW)algorithm)进行了详细对比.实验及分析测试结果表明,所提出的改进方法在驾驶疲劳预测结果准确性和稳定性上都优于BW算法.     

基于触觉图像序列的三维规则物体识别方法

提出一种基于二值化触觉图像序列的三维规则物体识别方法.触觉图像序列是通过装有高分辨力和高柔性触觉传感阵列的平行移动式夹持型手爪系统来获取的.实验表明,所述方法不仅能有效地识别一般平面物体,而且能有效地识别接触面是非凹曲面的物体。     

基于时间序列模型的结构损伤识别方法

针对现有结构损伤识别方法中因模型参数物理意义不明确而导致的损伤信息遗漏等问题,提出一种基于时间序列模型的损伤识别方法.首先,推导了具有外部输入的自回归模型(ARX)的一般表达式,并通过联立多自由度体系运动方程建立了考虑结构动力特性的ARX模型.随后,运用该模型预测得到未损伤情况下的节点加速度时程序列,根据其与实测数据的差异程度构造表征结构损伤的参数,即损伤因子.最后,根据损伤因子数值大小与分布情况评估结构损伤状态.数值算例结果表明,该方法在较少的测量数据样本下,能够较好地识别单位置与多位置损伤,并可较为准确地判断损伤程度,同时识别结果受激振位置与测量噪声的影响较小.     

改进主动形状模型的遥感图像飞机目标识别方法

提出一种基于梯度方向直方图（H OG ）的飞机目标方向估计方法,通过改进主动形状模型（ASM）对不同类型目标之间的形变进行建模,利用核密度估计方法（KDE）得到目标的全局统计形状约束以实现目标识别,并设计了一种针对飞机目标的半自动图像特征点标定策略,提高了对训练样本特征点的标定效率。对遥感图像中飞机目标的识别实验表明,与现有方法相比,研究提出的方法对飞机目标具有更好的识别性能。     

基于改进的KPCA的TOFD图像缺陷识别方法

针对TOFD D扫描图像缺陷提出一种新的缺陷识别方法.该方法首先采用KPCA(核主元分析算法)进行特征提取,并采用微粒群算法(PSO)自动优化核参数δ,最后用SVM分类器完成特征识别.在134幅TOFD缺陷图像中,分别采用(PCA+SVM)、(KPCA+SVM)和(PSO-KPCA+SVM)三种方法进行试验,试验结果表明,所提出的方法识别正确率更高.     

基于BP神经网络模型的驾驶行为环境影响评价

分析了不同驾驶行为对车辆污染物的排放对环境安全的重要影响,运用BP神经网络模型对驾驶行为环境影响进行评价,并与灰色关联模型评价进行比较．评价结果合理可信。     

基于序列图像的古建BIM模型构建

古建筑是传承人类文明,地方文化的载体.古建的BIM模型能为古建的保护和管理提供数据.然而古建的形态复杂,又缺少图纸,信息化建模存在困难.利用相机采集古建的序列图像,在Agisoft软件中生成点云,利用Dynamo可视化编程平台的各种功能强大的节点,搭接节点网络,实现点云切片,边界拟合和放样融合并将实体模型输出至Revit中.该方法能实现点云数据到BIM模型的快速创建,提高了建模效率.     

基于改进双流算法的矿工行为识别方法研究

针对目前矿工行为数据集构建不全面、行为识别实时性较差、对相似行为的细粒性识别精度较低等问题,提出了一种端到端的自主学习行为特征并实现行为分类的识别方法.首先,对原始矿工行为视频进行特征提取,生成用来描述时间特征的光流图以及可以描述空间特征的三原色(RGB)图像,使用双流网络对提取的特征进行学习并得到行为分类结果;然后,...     

基于流形正则协同训练模型的行为识别方法

本文提出了基于流形正则协同训练模型的行为识别方法。该方法将拉普拉斯正则引入到协同训练模型中,利用大量未标记样本数据从不同视角数据上训练出两个分类器,两者之间互换未知信息并更新分类器,以提高识别精确度。在动作数据集UCF-iphone上进行了大量的实验验证算法的有效性,结果表明,引入拉普拉斯正则能有效地提高动作识别精确度。     

基于改进的隐马尔科夫模型的语音识别方法

针对隐马尔可夫（HMM）语音识别模型状态输出独立同分布等与语音实际特性不够协调的假设以及在使用段长信息时存在的缺陷,对隐马尔可夫模型进行改进,提出马尔可夫族模型。马尔可夫族模型可看作一个数学上由多个马尔可夫链构成的多重随机过程,HMM模型则是双重随机过程,因而,HMM模型可视为马尔可夫族模型的特例。马尔可夫族模型用条件独立性假设取代了HMM模型的独立性假设。相对条件独立性假设,独立性假设是过强假设,因而,基于马尔可夫族模型的语音模型更符合语音实际物理过程。在马尔可夫族语音识别模型中引入状态段长信息,能自动根据语速对语音单元段长进行调整。非特定人连续语音实验结果表明,利用状态段长信息的改进语音识别模型比经典HMM模型的性能明显提高。     

基于SSD网络模型改进的水稻害虫识别方法

针对目前主流的目标检测算法在虫害监控系统中识别速度慢、准确度低的问题,提出一种基于SSD网络模型的水稻害虫识别方法。该算法用表征能力更强的特征金字塔代替SSD原有的多尺度特征图,同时改进了归一化和激活函数,使得模型对小目标的识别率更高、收敛性更好,从而提高了水稻害虫的识别率与检测速度。实验表明,相比于faster R-CNN算法,基于SSD改进的水稻虫害识别方法的mAP最高提升了6.6%,其识别速度最高提升8倍。     

基于改进的2DPCA对近红外人脸图像的识别方法

基于二维主成分分析（two dimensional principal component analysis, 2DPCA）算法与近红外人脸识别方法, 提出一种双向2DPCA算法和双向对称2DPCA
算法, 得到了识别率更高的人脸识别方法, 解决了环境光照对人脸识别的影响.     

基于变形模型的肝CT序列图像分割

研究了一种基于变形模型的肝轮廓提取方法。该方法以人的经验知识作为先验信息，利用灰度特征、肝CT序列图像特点、肝区轮廓的整体几何信息作为区域聚合依据进行肝区图像分割。实验表明该方法能够较好地克服噪声和轮廓初始位置的影响，对肝CT序列图像的分割效果较好。     

基于驾驶行为的驾驶倾向特征辨识

驾驶倾向特征的实时辨识,对安全驾驶有积极的意义,但实时并准确识别驾驶倾向却是难点.通过分析驾驶倾向的外在表现,选取驾驶行为中的刹车频率、加油频率、刹车紧急程度和加油紧急程度作为评价指标,以实车试验获取的各评价指标数据为基础,运用BP神经网络构建驾驶倾向特征辨识模型,实现从驾驶行为到驾驶倾向的辨识.经验证,该模型识别率可达89.2%.     

基于序列图像的相似材料模型变形测量

针对传统模型观测方法中存在的缺点,提出利用基于非量测数字相机的数字近景摄影测量技术进行相似材料模型变形测量.推导了利用二维直接线性变换分解相机内外方位元素初值的实用算法,利用最小二乘影像匹配对控制格网点和变形标志点进行高精度定位.结合自检校光束法平差进行变形标志点坐标的高精度解算.利用模型模拟开采不同时刻的序列立体影像像对的解算结果,完成相似材料模型的变形测量和实时位移分析.试验得出变形标志点的平面测定精度高于±1mm.可以满足本次试验条件下相似材料模型变形监测的精度要求.     

序列超声图像边缘检测与跟踪的改进Snake模型

提出了一种序列超声图像边缘检测与跟踪的离散动态模型.在基于动态规划的Snake模型中,引入目标边缘的形状信息改进了内部能量约束形式;充分利用序列图像相邻层间的灰度相关信息弥补了传统Snake模型中图像梯度能量对噪声敏感的不足.实验结果表明,改进的Snake模型仅需少量的用户交互就能快速、准确地从超声序列图像中检测、跟踪出目标物体的边缘,在医学图像分析中具有一定的实用价值.     

基于改进Sobel算法的焊缝X射线图像气孔识别方法

提出一种具有自适应能力的焊缝X射线图像气孔检测方法.通过局部动态阈值分割法设计了多方向的焊缝X射线图像模板,采用Sobel算法对复杂背景下的焊缝进行边缘检测和区域标记,并在标记区域对原始图像x和y方向的灰度梯度进行分析,以增强小气孔和粘连气孔的识别能力.检测应用效果表明,所提出的方法具有良好的自适应能力且准确快速,能够有效地克服人工评片中产生的漏判与误判等缺点,并且能够存储和查询检测数据.     

基于自然驾驶数据的危险事件识别方法

利用阈值法从自然驾驶数据中识别可能的危险事件,再采用随机森林模型和支持向量机模型深度筛选,克服了阈值法误报率过高的缺陷。基于上海自然驾驶数据,建立提取危险事件的阈值标准,从原始数据中识别出3 623起可能的危险事件;利用随机森林模型筛选出重要特征作为输入变量,训练机器学习模型,对测试集进行预测。结果表明,起到关键作用的变量有:纵向加速度的最小值和均值、与前车距离的最小值以及车速的标准差。相比随机森林模型,支持向量机模型预测效果更优,在控制漏报率的同时,可过滤85.9%的无效事件。