视觉信息下移动机器人目标识别算法

智能移动机器人的应用目的在于为人类的工作提供帮助,因此构建起类似于人眼识别能力的视觉信息系统是智能移动机器人能否更加直观获取外部信息的关键。在目前的视觉信息研究应用于移动机器人的工程当中,大多依赖于传感系统,利用呈像设备转化真实世界为二维图像,从而丢失了深度信息。本文将从传感系统的角度出发,简要叙述移动机器人视觉信息系统的目标识别算法。     

假设检验方法在目标识别算法评估中的应用

提出了一种应用假设检验方法对目标识别算法进行评估的方法。利用该方法，对一个基于一维距离像的目标识别算法的识别率在全姿态角范围内是否达到指标要求以及是否稳定进行了评估。结果表明，该方法具有实用价值。     

离散不变矩算法及其在目标识别中的应用

该文分析了在离散状态下不变矩特征受比例因子变化的影响,提出了一种修正归一化中心矩的方法,保证了不变矩特征具有平移、旋转和比例因子的不变性,并将此用于目标识别,最后通过仿真实验,比较了修正前后的识别率,表明本文采用的方法是行之有效的方法。     

同态增晰耦合改进的区域生长的键盘字符目标识别算法

键盘作为诸多智能设备指令输入端口,其表面字符完整程度直接影响到设备使用。为了提高键盘在制造过程中的生产质量,需要对其生产流水线完成视觉检测。而在当前键盘表面字符目标检测过程中存在成像模糊、分割不准确以及识别率低等问题。对此,设计基于同态增晰与区域生长的键盘按键识别检测算法。首先,引入同态增晰算法,对模糊图像清晰化处理。然后嵌入全局特征,改进了区域生长算法,准确分割并提取出图像中数字按键目标区域。最后基于最近邻算法对数字按键图像样本库进行机器学习,完成按键数字识别,从而建立起键盘数字按键质量检查系统。实验数据显示,与当前数字识别算法相比,面对成像模糊的按键数字图像时,该数字按键检查算法具备更高的准确性与稳定性。     

自动目标识别在图像末制导中的应用

实现图像末制导导弹发射后不管和远程精确打击,自动目标识别的工程化应用是关键技术。概述了国内外精确制导武器自动目标识别的发展历程、识别方法、技术水平和应用效果等现状,分析了基于目标特征和模板匹配的识别方法与应用场景,指出了两类经工程化验证有效的自动目标识别方法,梳理了任务规划、主要执行内容、规划质量对不同识别方法的影响等自动目标识别流程。为了适应未来精确制导武器智能化发展需求,深度学习识别技术工程化应用成为了新趋势,针对解决好深度学习算法效率与应用精度的平衡问题,重点分析了网络剪枝、权值量化、低秩近似和知识蒸馏等实时加速推理关键技术;针对网络模型训练,提出了有效解决训练样本不足或军事目标样本获取困难等问题的思路。随着多波段、多模复合制导技术的广泛应用,信息融合为目标识别的工程化应用提供了新技术途径。如何适应各种复杂场景和人工主动干扰是图像末制导面临的重大挑战,阐述了在干扰条件下目标识别鲁棒性,是自动目标识别技术在图像末制导应用中需要迫切解决的工程化问题。     

用区域生长分割算法进行动目标定位

本文给出了一种有效的动目标定代方法,它可以快速准确地从复杂背景中确定动目标的位置和大小。此法充分利用序列图象特性,采用减影法提取目标,由于实际条件噪声不可避免,故提出了两种快速中值滤波方法以有效地滤除大量噪声。为了快速准确地定位目标,事先采用了映射算法,然后提出了一种区域生长分割算法RGSA(Region Growing Segmentation Algorithm)定位动目标。RGSA还适用于多目标情况。而且利用映射系数的调整,进行类似于金字塔结构的RGSA,提高了RGSA的速度和准确度。经实验证明,结果是令人满意的。     

分形理论在空中目标识别中的应用

以分形理论为基础，为空中人造目标的外图像建立了一个新模型，提取出具有较好几何不变性的特征－目标和干扰物灰度曲面的分形维数随尺度的变化规律，并以这种规律作为识别特征，将分形特征与传统的特征作了比较，大量的实验及理论分析表明，该特征具有较高的识别能力和识别可靠性。     

基于相似度的双搜索多目标识别算法

在分析远距离多目标特性的基础上，提出了一种基于相似度的粗精双搜索多目标识别算法。在粗搜索阶段，首先利用圆形形态学模板在滤波后的二值化图像中快速搜索候选目标，再利用“距离相似度”原则进行候选目标的聚类分析，以同一目标内各候选目标点的形心位置作为局部熵处理区域中心。在精搜索阶段，以最大熵值点为种子点进行目标区域生长。为了减少运算量，提高实时性，还采用基于熵相似度、简单连接法与子区合并法相结合的改进型区域生长法，重构单个目标。仿真结果表明该算法可快速、准确地实现对5个目标的识别。     

目标识别技术及其在现代战争中的应用

讨论目标识别在现代战争各个领域中的应用,总结目标识别技术的发展方向,提出目标识别技术工程化实现方法。     

BP神经网络在雷达目标识别中的应用

针对雷达目标信号复杂多样的特点,提出了基于BP神经网络的雷达目标识别方法。BP神经网络具有学习功能,能够有效地提高雷达目标识别系统的效率。实验结果证明了该方法的有效性和实用性。     

基于自组织可增长映射的移动机器人仿生定位算法研究

为提高移动机器人在同步定位和地图构建(SLAM)中的定位精度,该文提出一种基于自组织可增长映射 (GSOM)的仿生定位算法。该方法将位置细胞的激活特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建空间的拓扑地图,利用感知距离信息实现位置细胞的激活响应从而估计机器人位置,以此还原机器人的运行路径。实验结果表...     

基于自组织可增长映射的移动机器人仿生定位算法研究

为提高移动机器人在同步定位和地图构建(SLAM)中的定位精度,该文提出一种基于自组织可增长映射 (GSOM)的仿生定位算法。该方法将位置细胞的激活特性和神经网络输出层神经元建立响应连接,通过GSOM神经网络构建空间的拓扑地图,利用感知距离信息实现位置细胞的激活响应从而估计机器人位置,以此还原机器人的运行路径。实验结果表明细胞间隔R对定位精度有较大影响,选取合适的细胞间隔能有效地减少神经网络的学习时间,提高定位精度,该文算法平均误差在0.153 m以内,定位精度达到90.243%,均优于原有算法。经验证该文算法建立的模型能够实现机器人的空间位置表征,提高了机器人在实验场景下的定位精度,表现出良好的位置估计性能。     

遗传算法在移动机器人静态全局路径规划中的应用

遗传算法自诞生以来,凭借自身优越的全局寻优、不依赖目标函数梯度信息等特性,已在科研领域内得到了广泛应用.应用遗传算法解决移动机器人静态全局路径规划,利用神经网络模型描述环境信息,得到神经网络输出与无碰撞路径的关系,然后将路径的二维编码简化为一维编码,从而将无碰撞约束和最短路径约束合并在一个适应度函数中.在一定程度上提高了运算效率,通过计算仿真证明,方法是正确有效的.     

免疫算法在移动机器人路径规划中的应用

具体阐述了免疫算法在移动机器人路径规划中的应用,使机器人从给定点到目标点可以有效地躲避障碍物而且找到一条最短的路径;构建了机器人的数学模型和亲和力函数,并且说明了机器人的控制方式,给出了算法的具体实现步骤以及仿真实验。实验结果表明,免疫算法在应用到移动机器人路径规划时具有良好的性能。     

Implementation of a Moving Target Tracking Algorithm Using Eye-RIS Vision System on a Mobile Robot

A moving target tracking algorithm is proposed here and implemented on the Anafocus Eye-RIS vision system, which is a compact and modular platform to develop real time image processing applications. The algorithm combines moving-object detection with feature extraction in order to identify the specific target in the environment. The algorithm was tested in a mobile robotics experiment in which a robot, with the Eye-RIS mounted on it, pursued another one representing the moving target, demonstrating its performance and capabilities.     

一种新的移动机器人全局定位算法

粒子滤波器能够给出移动机器人全局定位非线性非高斯模型的近似解.然而,当新感知出现在先验概率的尾部或者与先验相比感知概率太尖时,传统的粒子滤波器会退化导致定位失败.本文提出了一种重要性采样跟中心差分滤波器(central difference filter,CDF)相结合的新算法,并对测量更新步的加权粒子集应用基于KD-树的加权期望最大(weighted expectation maximization,WEM)自适应聚类算法获得表示机器人位姿状态后验密度的高斯混合模型(Gaussian mixture model,GMM).实验结果表明,新方法提高了定位准确率,降低了计算复杂度.     

双向ACO算法应用于静态机器人全局路径规划研究

提出双向蚁群算法并应用于静态环境下的机器人全局路径规划问题.对栅格法环境建模进行改进,将传统的栅格法改进为膨胀栅格法;使用双向蚁群算法在出发点和目标点设置带有不同标记的两族蚂蚁相向爬行完成搜索,启发信息主要通过目标点、出发点和蚂蚁的当前位置二维坐标值计算得出;信息素存储采用方向信息素矩阵.仿真实验证明:即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径.     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于数学形态学和自动区域生长的红外目标提取

针对具有复杂背景干扰,信噪比低的红外图像目标提取问题,提出了一种结合数学形态学和自动区域生长的红外目标提取方法。首先对图像进行中值滤波和灰度变换预处理,然后利用数学形态学高帽变换去掉大面积背景干扰区域,接着采用基于局部小波系数能量特征的方法找到感兴趣区域,再通过基于窗口均值的方法自动获取种子点进行区域生长分割。实验结果表明：本文方法能有效的消除复杂背景干扰,并很好的提取出目标。     

移动机器人非结构场景图像边缘检测算法

针对非结构场景没有规则形状,传统算法不易识别以及红外图像对比度低很难区分灰度值相近的道路、水、天等目标的难点,提出了一种新的改进蚁群算法;新算法针对复杂背景图像的微弱边缘检测问题,围绕现有蚁群算法的关键步骤,从两个方面对其进行了改进,一是对信息素的表达式进行了改进,二是改进了启发信息值的计算方法;通过实例对新算法进行了验证,结果表明,新算法具有边缘检测位置准确、连续性好且干扰少的优点.