利用双级随机森林分类器的行人快速检测方法北大核心CSCD

近年来,深度学习算法发展迅速,并广泛应用于目标检测的任务。然而,在内存和计算能力等条件受限制的设备上,无法进行实时性的目标检测。针对这一问题,提出了一种在内存和处理单元受限的监视系统中检测行人的快速方法。针对一般行人检测中提取高维度行人特征导致检测效率低的问题,将改进的方向梯度直方图(HOG)和Sobel边缘图像局部二元模式算法(Sobel-LBP)进行融合作为特征,提出基于教师-学生框架的模型压缩技术,将其应用于随机森林(RF)分类器,不使用深度网络,因为经过压缩的深度网络仍然需要大量的内存用于处理参数乘法运算。通过使用教师随机森林(T-RF)输出的soft target来训练学生浅层随机森林(S-RF),也称再生随机森林(BARF),让其模仿T-RF的表现;通过BARF分类器进行行人检测,最后使用滑动窗口法检测出行人。实验证明,与T-RF相比,提出方法的速度提高了2.05倍,压缩率提高了5.39倍,并且其检测性能也较为理想。     

基于深度图像利用随机森林实现遮挡检测

提出了一种新颖的利用随机森林检测深度图像中遮挡现象的方法。该方法从一幅深度图像中提取每个像素点的遮挡相关特征,利用随机森林分类器检测每个像素点是否为遮挡边界点,得到图像中的遮挡边界。主要贡献在于:提出了一种新的遮挡相关特征深度值离散度特征,同时引入高斯曲率特征,并将它们与现有特征相结合来检测遮挡边界;以特征重要性和特征提取时间为衡量标准,对深度图像中的各遮挡相关特征进行了分析评估,在此基础上,选取平均深度差、最大深度差、平均曲率、高斯曲率和深度值离散度5种特征用于设计遮挡检测分类器;一种新的遮挡检测方法,利用随机森林解决深度图像的遮挡检测问题。实验结果表明,同已有方法相比,所提方法具有较高的准确性和较好的通用性。     

基于信息熵的机械传动油液光谱监测数据选择方法

机械传动装置磨损产生的金属微粒在润滑油中均匀混合并不断积累,是一个缓慢退化过程,可通过油液光谱分析监测。MOA Ⅱ型原子发射光谱仪能够分析得到多达15种元素浓度数据,应用分析得到的油液光谱数据,便能够实现机械传动装置健康状态的监测与评估。然而,并不是所有的油液光谱数据都能够表征装备的健康状态,只有部分油液光谱数据能够提供有用的退化表征信息。应用全部油液光谱数据进行机械传动装置的健康状态监测会增加退化模型的复杂性。鉴于此,为实现机械传动装置健康状态的准确表征,提出了基于信息熵的油液光谱监测数据的选择方法,旨在为机械传动装置的健康状态监测与剩余寿命预测提供有效的退化数据。与传统的油液光谱监测数据选择方法相比,该方法使用信息熵表征各监测数据中蕴含退化信息量的大小,并以此为指标定量选择机械传动装置的退化数据。通过对综合传动装置可靠性试验油液光谱监测数据的实例分析证明了该方法的有效性,能够实现油液光谱数据的定量选择,提高了综合传动装置寿命预测的准确性,也为其他装备监测数据的选择提供了指导。     

基于高维拉曼光谱数据的变压器油纸绝缘老化评估方法研究

采用激光拉曼光谱技术对变压器油纸绝缘老化状态检测是一种有效的方法。随着样本量的扩充,亟待处理的数据集维度逐渐增大,研究适用于高维拉曼光谱数据的变压器油纸绝缘老化评估方法具有重要的意义。设计与现场变压器内部绝缘结构相似的油纸绝缘环境,进行加速热老化实验并定期采样,获取到10类老化程度依次递增的油样本,采用激光拉曼光谱技术对样本进行检测。选用复合稀疏导数建模法对样本原始拉曼光谱数据预处理,可以一步完成去噪与基线校正;引入差异特征选取方法筛选不同老化程度下光谱中变化显著的特征,计算同一拉曼频移下不同老化程度的特征点数据集方差,选择差异较大的数据序列所对应的拉曼特征变量,设定方差阈值为0.5进行特征选择,每个样本都从1 023个光谱特征点抽取出304个特征点进行后续分析;针对变压器油纸绝缘老化拉曼光谱高维样本数据集,引入多种不同类型的算法对其处理。分别运用K-means聚类算法、Fisher算法与随机森林算法对获取到的样本预处理后的数据建立模型,引入评估准确度、提升度以及Kappa系数对各算法建立的模型判别效果进行评估。结果表明：有监督学习的Fisher算法与随机森林算法效果较好,相对于无监督学习的K-means聚类算法,模型判别能力分别提升了1.166 6和1.95,论证了有监督学习模型在变压器油纸绝缘老化的评估中具有判别优势;从模型判别准确度和Kappa系数来看,强分类器随机森林算法建立的判别模型均高于Fisher判别模型,其准确度提升了10%,且Kappa系数上升了0.111 5,论证了随机森林算法作为由多个单一分类器组成的强分类器,相对单一分类器来说,在变压器油纸绝缘老化的评估中模型的泛化能力较好,且模型较为稳定可靠。通过对三种不同类型的算法对比,确定了在变压器油纸绝缘老化评估中,有监督学习强分类器随机森林算法的判别优势,为变压器油纸绝缘老化的有效评估打下了基础。     

基于位移特征与随机森林的表情识别方法研究

为了有效地对图像序列进行面部表情识别,提出一种基于主动形状模型(active shape model,ASM)结合Lucas-Kanade(LK)光流法的方法提取位移特征,采用随机森林分类器对提取到的位移特征进行分类与识别。在Extended Cohn-Kanade(CK+)人脸表情数据库上的实验表明,该特征提取方法能够很好地描述图像序列中所包含的表情信息和特征点运动变化信息,比常用的K-近邻、贝叶斯网络和支持向量机等分类器所表现出来的效果要好,其识别率达到95.1%。     

融合多特征基于图割实现视频遮挡区域检测

为了准确检测视频中的遮挡区域,提出一种融合多特征基于图割的视频遮挡区域检测方法。基于光流和亮度信息提出三种新的遮挡相关特征—亮度块匹配特征、最大光流差特征和光流残差特征,并定义了所提特征的计算方法。以像素点为单位将所提特征组成特征向量输入随机森林分类器,获取像素点及邻接像素点对的遮挡相关信息。综合利用所获取的遮挡相关信息,通过构造遮挡检测能量函数将遮挡检测问题转化为优化问题。根据该能量函数构造无向图,并基于图割理论对能量函数进行求解,从而得到最终的遮挡区域检测结果。实验结果表明,同现有表现较好的遮挡检测方法相比,所提方法具有较高的准确性和较好的实时性。     

具有内部相移的分布反馈半导体激光器电路模型

以耦合波方程为基础,经过适当的近似处理,给出一个比较简单的适用于有内部相移的单模分布反馈半导体激光器电路模型。该模型可用于直流、交流和瞬态分析。适于在开发光电集成回路电路级模拟软件中采用,亦可加入到现有电路模拟软件中。     

基于能力区域的交通状态预测方法

交通状态预测是交通流诱导和交通信息发布系统的重要依据.本文提出了一种基于能力区域的城市快速路交通状态预测方法,该方法通过构建神经网络分类器的能力区域,根据样本数据与交通状态类簇之间的空间距离,预测道路交通状态等级.神经网络分类器的能力区域能够有效融合时间、空间等多种特征,并且不需要考虑各特征之间的相关性,具有很强的适应性.实验结果表明,与经典的预测方法相比,其预测误差明显降低,均等系数增大,基于能力区域的方法预测交通状态具有较高的准确性.     

基于光流法的气体排量计算模型研究及验证

针对污染气体监测系统中机动车尾气排量计算问题,提出了基于光流法的气体排量计算模型。该方法先通过红外相机获取多帧气体图像序列,再经过光流法处理得到气体羽流一段时间之内的光流速度场矩阵,最后与二维气体浓度图相结合处理得到气体瞬时排量。经过使用不同的光流法进行实验对比可知Farneback光流法在该模型中的适应性更好,能够得到更好的处理效果,该光流法计算得到的气体排量拟合度最大达到了93%,并且在保证处理精度的同时运算速度也优于Lucas-Kanade光流法和Horn-Schunck光流法,在低排放速度和高排放速度的气体排量计算中也有更好的稳定性。该方法为非接触式气体监测提供了新的思路。     

基于Adaboost及谱回归判别分析的近红外光谱固态发酵过程状态识别

为了实现固态发酵过程状态的快速监测,以饲料蛋白固态发酵为实验对象,开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱,并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理;其次,采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取;最后,采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型,并对测试集样本进行识别。结果显示,与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较,SRDA-NN识别模型获得的结果最佳,在测试集中的正确识别率达到94.28%;为了进一步提高识别模型的准确率,将自适应提升法(Adaboost)与SRDA-NN方法结合,提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强,Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。试验结果表明：在近红外光谱定性分析模型校正过程中,SRDA方法能有效地对近红外光谱数据进行特征提取,以实现维数约简;另外,Adaboost算法能很好地提升最终分类模型的预测精度。