联合行稀疏与l_(1/2)-范数稀疏表示的红外小目标检测算法

针对红外图像的小目标检测问题,提出了一种联合行稀疏与l_(1/2)-范数稀疏表示的小目标检测算法。首先采用滑动窗口对原始红外图像进行分块,构建分块图像矩阵;然后,根据稀疏与低秩表示理论建立行稀疏与l_(1/2)-范数稀疏表示的模型,并利用交替方向乘子算法求解得到稀疏矩阵和低秩矩阵;最后,通过图像重构,得到小目标的图像,并采用阈值分割的方法确定小目标的真实位置。实验结果表明,算法可以实现对不同背景红外图像中的小目标准确检测,与红外块图像建模算法相比,检测后的图像信杂比接近的情况下,检测速度提升了约1倍。     

基于结构低秩编码的复杂环境红外弱小目标检测算法

针对复杂环境红外弱小目标检测难的问题,依据背景慢变特性,提出了一种将背景优化和低秩表达相结合的结构低秩编码小目标检测算法。首先,利用梯度0l范数约束提取背景中梯度较大的成分,保留灰度快变结构,同时平滑慢变结构,对背景进行优化;其次,使用核函数刻画背景图像块之间的低秩特性,用秩描述背景的主要结构并进行建模;最后,分解得到的误差矩阵具有稀疏性,主要包含快变的小目标结构,通过稀疏矩阵1,2l范数定位红外弱小目标。实验结果表明,结构低秩编码检测算法能够有效发掘复杂背景图像块之间的关系,抑制杂波干扰,在虚警为2时,最低检测率为92%。提高了复杂环境下红外弱小目标的检测性能,基本能满足实际应用要求。     

复杂环境下基于自适应极线约束的AGV视觉SLAM算法

针对传统视觉同步定位与地图构建（SLAM）算法不能有效处理复杂环境中的动态及潜在动态目标而影响定位与建图性能的问题,提出一种基于Mask R-CNN神经网络以及ORB-SLAM3算法改进的视觉SLAM方法。针对动态目标,提出一种基于语义信息的运动一致性检验算法,使用自适应阈值的极线约束方法实现图像中动态特征点的精确剔除;针对潜在动态目标,提出一种改进的长期数据关联方法,通过增大关键帧选取密度及优化关键帧中的潜在动态目标信息,对算法的回环优化和地图融合过程进行改进,提高回环优化效果与地图复用性。在TUM数据集和真实场景中进行验证,实验结果表明与ORB-SLAM3算法相比,采用TUM数据集在低动态场景和高动态场景中的绝对轨迹均方根误差分别减小8.5%和65.6%;在真实场景下测试,所提算法的定位精度提高了62.5%。     

基于MEMS加速度传感器的步态识别

针对最小采集约束条件和经历长时间跨度下识别率低的问题,提出一种基于MEMS加速度传感器的步态识别算法。该算法以右髋部位置采集加速度信号构造多个高斯差分尺度空间,利用局部关键点生成稀疏表示的步态特征位置模板,并采用模板融合来有效转换稀疏性步态周期特征,最后利用最近邻算法和投票机制对步态特征进行识别。在公开的含175名测试者的步态加速度数据集上进行测试,实验结果显示识别率为98.67%和认证率为99.89%,并进一步研究了测试集和训练集样本数目对识别效果的影响,验证了特征提取的有效性和稳定性。     

基于改进OPTICS算法的磁罗盘椭圆拟合误差补偿方法

为了避免磁罗盘原始数据中的奇异误差点对椭圆拟合精度造成不利影响,在常规最小二乘椭圆拟合算法中引入了基于密度聚类的OPTICS算法,并对OPTICS算法进行了改进,以降低复杂度,减小计算耗时。在椭圆拟合之前,使用改进的OPTICS算法对原始传感器数据进行分类,识别并剔除数据中的奇异误差点,防止其污染原始数据集,提高椭圆拟合算法的拟合精度,从而提高航向角的解算精度。实验结果表明,与常规椭圆拟合算法相比,所提出的算法在东、南、西、北四个方向上合计航向角误差的均方根降低了27.5%,且改进后OPTICS算法的计算耗时比改进前降低了43.6%。     

基于SALDE-UKF-SVM算法的WLAN室内定位方法

针对室内复杂环境,WLAN信号强度信息高维时变特性,提出一种引入监督能力的自适应局部线性判别嵌入算法(SALDE)和改进支持向量机(SVM)的室内无线定位算法。首先,该算法利用SALDE对所采集的WLAN信号进行特征提取,达到降低维度和增大类别间判别信息的双重作用。然后,在低维流形空间中,利用SVM对数据进行特征分类判别,缩小定位区域,同时建立位置坐标与信息强度的非线性映射模型;最终利用无迹卡尔曼滤波算法(UKF)对估算位置进行滤波处理,提高定位精度与稳定性。仿真结果表明,该算法在定位误差2 m范围内精度达到72.4%,在4 m范围内精度已经高达95.8%,相比于传统SVM算法2 m内精度提高18.2%,在4 m内的精度提高17.7%,定位精度得到明显提升,可以较好地满足室内定位的需求。     

基于深度卷积神经网络的SAR图像舰船小目标检测

针对合成孔径雷达(SAR)图像舰船目标背景复杂的特点,提出一种基于改进YOLOv3的SAR图像舰船小目标检测算法。首先,通过分析残差网络的设计原理,针对不同场景下舰船目标的特点,重新设计底层残差单元;其次,改进特征金字塔的网络结构,解决感受野与定位之间的矛盾问题,提高了小尺度舰船的检测效果;最后,通过引入平衡因子,优化损失函数中的小目标权重。实验结果显示,相比原始YOLOv3方法,所提方法在舰船目标公开数据集上F1值提高6.3%,同时,较快的检测速度使得所提算法可用于实时目标检测。     

基于磁航向约束的视觉惯性定位算法

针对视觉惯性导航系统绝对航向信息缺失导致精度下降的问题,提出了一种基于磁航向约束的视觉惯性定位算法。首先,建立了视觉/惯性/地磁导航系统模型,并对惯性数据采用预积分进行处理,降低状态更新时系统计算负担,提高实时性;其次,在视觉惯性数据对齐后,引入地磁观测数据作为约束,获取真实航向信息,完成系统初始化;最后,构建目标函数,通过非线性优化实现视觉、惯性和地磁数据融合。通过搭建车载实验平台,在室外环境下对所提出算法进行了验证,实验结果表明,相比于VINS-mono,引入磁约束后,视觉惯性导航系统的平均定位均方根误差减小了约25%。     

高超声速机动目标的强跟踪UKF自适应交互多模型算法

针对高超声速强机动目标的运动具有复杂性、突变性和强非线性等特点,单模型跟踪算法难以实现精确跟踪的问题,提出了一种基于多重渐消因子的强跟踪UKF自适应交互多模型算法。考虑现有强跟踪UKF算法引入单渐消因子的不足,根据正交性原理推导得到了引入多渐消因子的强跟踪UKF算法,完成了对非线性目标状态的滤波估计;在交互多模型算法的子模型中选用改进的CS-Jerk模型;对交互多模型中各子模型间的转移概率进行在线自适应调整,并与改进CS-Jerk模型结合克服了单模型算法跟踪强机动目标的不足,实现了模型与目标运动模式的实时最优匹配。仿真结果表明,与单模型算法和经典多模型算法相比,提出的算法使得不同条件下位置和速度的跟踪误差至少降低11.89%,有效提高了高超声速强机动目标跟踪精度。     

基于双向重投影的双目视觉里程计

针对视觉里程计中的特征点漂移与累积误差问题,提出一种基于双向重投影的双目视觉里程计方法。为降低特征点匹配的高错误率及改善匹配效率,提出一种改进的随机采样一致(RANSAC)算法。该算法依据特征点寿命长短、环形匹配、优质匹配等方法选取优质特征点以降低特征点样本容量,从而改善RANSAC算法的效率;为抑制视觉里程计累积误差、提升位姿估计精度,提出一种双向重投影的位姿估计算法,该方法通过解算下一帧图像中的最小化重投影误差得到相机位姿以更新空间点集,更新后的空间点重新投影至当前帧图像以提升位姿解算精度。最后利用KITTI数据集进行了仿真。结果表明该算法的150 m内定位误差在X方向小于1 m,在Z方向小于0.9 m;相对于ORB-SLAM2算法,定位精度提升了约20%,系统的稳定性更好,有效削弱了累积误差,验证了该算法的正确性与可行性。     

基于Retinex理论的稀疏直接法VSLAM三维重建

基于视觉的同时定位与建图(VSLAM)已广泛应用于室内机器人导航任务中。面向自主导航及地图复用性的需求,实时三维重建需克服环境光照不均、角点提取数量及质量不高、位姿漂移等问题。为此,提出构建一类基于稀疏直接法单尺度Retinex的SLAM(RDSOL)系统。RDSOL继承稀疏直接法里程计(DSO)主体框架,算法上打破后者前端光度标定及无回环检测模块的设计,通过单尺度Retinex图像增强及添加闭环,有利于避免ORB特征缺失及消除位姿漂移累积误差,获得全局一致的轨迹及地图。所开发的RDSOL在开源数据集及实际场景测试中,均取得轨迹拟合性较好的三维重建效果。基于数据集TUM-mono对算法的速度进行了测试,测试结果表明,RDSOL相对于DSO而言运行加速比达到了10.91%,序列平均耗时大幅减小。     

投影栅相移法中的相位波动误差及修正算法研究

分析了因测量系统非线性响应及局部饱和投影栅图像所导致的相位误差及其波动特性。经过实验验证,四步相移算法在抑制系统非线性响应所引起的相位误差方面优于三步相移算法。通过模拟分析得出,在采用传统相移算法对局部饱和条纹图像分析时,相位误差较大,且相位分布具有周期波动特性。为减小因图像局部饱和而产生的相位误差,文中采用了新的算法提取相位。实验分析结果验证了算法的正确性。     

基于四元数卷积神经网络的移动机器人闭环检测

为提高复杂环境下移动机器人闭环检测的准确性,减少视觉里程计的累积误差,提出了四元数卷积神经网络的闭环检测算法。首先,利用超像素分割,提取多尺度路标,提升图像描述的视角和外观不变性;然后,扩展卷积神经网络的卷积层为四元数卷积层,增加红绿蓝三通道的关联性,提取彩色图像的深层信息,更好地体现彩色图像的整体性;最后,在图像相似度度量中,不仅计算路标距离,还考虑路标形状和空间分布信息,提高相似性度量的准确性。在卡内基梅隆大学和昆士兰大学公开数据集上对算法有效性进行了验证。实验结果表明,相比传统闭环检测算法,所提算法在保证较高召回率的同时,提高了闭环检测的准确率,在数据集上分别取得87.64%和90.12%的平均准确率,显著提高了光照、视角和季节变化等复杂环境中移动机器人闭环检测的准确性。     

基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法

针对在卫星信号拒止、视觉系统退化场景中无人机MEMS-IMU零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆（LSTM）网络的零偏在线标定方法。首先,为解决MEMS-IMU零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导航过程中使用训练后的网络对MEMS-IMU零偏在线标定,补偿后的IMU量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统LSTM方法减小了6.5%;在EUROC数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统LSTM方法减小了15%。     

一种改进RANSAC校验的失效卫星位姿估计回环检测方法

为解决失效卫星位姿估计中视觉SLAM方法回环检测效果差的问题,结合空间特殊的应用环境,提出一种改进RANSAC校验的空间失效卫星位姿估计回环检测方法。首先利用深度学习提取图像的全局特征和局部特征;然后对全局特征进行快速检索,建立回环候选帧集合;最后,将图像网格化并提取优质特征点作为RANSAC算法的随机抽样点集,采用改进的RANSAC算法对回环候选帧集合进行图像匹配校验,挑选出匹配程度最高的作为回环检测结果。实验表明：在牛津数据集上,所提方法与无校验的方法对比,100%准确率下的最大召回率提升了30.6%,说明改进RANSAC校验在回环检测中的有效性;在失效卫星数据集上,所提方法无需预训练,对光照变化的空间场景具有高适应性,和基于词袋模型（BoW）算法相比,缩减时间24.1%。     

基于边缘采样UKF滤波的捷联惯导初始对准方法

设计了基于四元数的捷联惯导非线性初始对准模型,同时指出该模型仅仅是姿态误差四元数和速度误差的非线性函数,而对于惯性器件误差而言则是线性的。针对该模型的部分线性特性,设计了基于边缘采样的UKF滤波算法,该算法仅对状态量中的非线性子集进行采样,因此对于部分线性模型而言,该算法在不损失滤波精度的前提下能够有效降低算法计算量。仿真及车载实测数据实验表明所研究的初始对准模型和相应的滤波算法是有效的,而且较传统方法具有明显的计算量方面的优势;在达到相同对准精度的前提下,所设计算法的计算量较传统算法降低了52%。     

基于点线视觉/惯性SLAM和目标检测的测距方法

针对无人平台在未知环境中自身定位和对远距离目标测距精度不高的问题，利用单目相机和惯性器件组成视觉/惯性导航定位系统，结合目标检测提出“动态基线+三角测距”方法实现自身定位和对目标测距。首先，建立基于点线融合的视觉/惯性系统模型，提高系统自身定位精度，给出运动前后相对位姿变化；其次，利用目标检测算法对目标进行检测和识别，得到运动前后物体对于图像平面的视差；最后，通过三角测距实现对目标的高精度测距。公共数据集实验测试结果表明，引入线特征的视觉/惯性系统的平均定位均方根误差（RMSE）为0.15 m。无人平台搭载系统对目标进行测距实验表明，系统在100 m以内对目标测距的误差小于测距距离的2%。     

非线性模态的分类和新的求解方法

引入不可分偶数维不变流形的概念来定义非线性模态．在此基础上，揭示出了一种新的模态——耦合非线性模态，并对实际系统中各种可能的模态进行了分类．这种分类可能是新的构筑非线性模态理论的框架．用此方法构造非线性模态，得到的模态振子具有范式的形式，形式最简、却能反映原系统在平衡点附近的主要动力学行为，且易于得到非线性频率及非线性稳定性等方面的信息．不仅适用于分析一般的多自由度系统，还可用于分析奇数维系统；不仅可构造内共振系统的非耦合模态，还可用于构造内共振耦合模态．从掌握的资料看，以前的方法还不能解决上述所有问题     

高效双非线性平面梁单元算法研究

基于随转坐标法和场一致性原则发展了一种用于结构几何与材料双非线性分析的平面梁单元算法,并编制了相应的计算机程序。在随转坐标系下计入材料非线性,采用截面纤维积分法处理任意形状的平面梁单元截面并导出截面切线刚度矩阵,并利用虚功原理得到单元切线刚度矩阵,此过程无需迭代,因而使计算效率得到很大提高;几何非线性效应则通过变量在随转坐标系与结构坐标系之间的转换得以体现。用本文方法对肘式框架的几何非线性进行分析,计算结果与试验结果吻合良好;对简支梁进行分析,在只考虑材料非线性而不考虑几何非线性情况下,本文结果和已有文献结果与解析解的误差分别为1.5%和4.2%;在考虑几何与材料双非线性情况下,本文结果和已有文献结果与ANSYS程序解的误差分别为2.9%和5.9%,与已有文献结果相比,本文所得受力后期的荷载-位移曲线更接近实际情况。     

基于深度学习的室内动态场景下的VSLAM方法

当前应用于室内的视觉同时定位和地图构建算法(VSLAM)主要面向静态的环境,算法的定位精度和稳定性会大大受到环境中运动物体的影响。针对这一问题,提出了一种面向室内的动态场景下的VSLAM方法。在ORB-SLAM2架构上进行改进。在相机捕捉图像后,首先利用GCNv2神经网络对图像提取出特征,同时利用轻量级的ESPNetV2神经网络对图像完成语义分割。然后,结合改进的移动一致性检测来确定动态物体,剔除其动态特征获得其静态特征点来完成位姿估计,最终生成含有语义信息的点云地图和八叉树地图。采用TUM数据集验证所提出算法,实验结果表明在高动态场景下绝对轨迹误差的均方根误差平均减少95%,显著提升了在动态场景下的定位精度。