基于姿态跟踪的LINS晃动基座初始对准

为了提高激光捷联惯性导航系统在晃动基座上的初始对准准确度,将惯性仪表数据的低频波动看作载体真实姿态晃动的反映,采用对准算法跟踪这种姿态变化.粗对准在惯性坐标系进行,利用惯性系对准对姿态变化敏感的特性,跟踪载体姿态角变化,确保粗对准误差为小角度;精对准采用标准Kalman滤波,避免了复杂的非线性算法,将两个水平加速引入Kalman滤波的量测向量,利用水平加速度对姿态角变化的敏感性,提高了Kalman滤波对准算法跟踪载体姿态变化的能力.提出了一种晃动基座对准准确度的考核方法,通过激光捷联惯性导航系统车载晃动对准和跑车试验,表明所提对准算法可以在风扰、发动机工作、人员晃动等干扰条件下,实现自对准,对准时间180s,对准重复性为0.04°,跑车水平定位误差达到770m/h,满足高准确度惯性导航设备要求.     

偏振光在多层散射介质中传输的蒙特卡罗模拟研究

基于米氏散射理论,运用斯托克斯-穆勒形式,结合子午面法和拒绝法,提出了偏振光在多层散射介质中传输的蒙特卡罗模型,并首次分析了当菲涅耳公式失效时,多层介质界面处的全反射行为.同时用该模型研究了微粒直径和介质折射率对漫反射和漫透射的影响.结果表明:无论是折射率匹配介质还是非匹配介质,当粒子浓度一致时,漫反射率都随微粒直径的增加而增加,随介质折射率的增加而减小,而漫透射率则相反.研究结果为生物组织的偏振光散射研究提供了理论验证模型.     

基于参数辨识α-β-γ滤波的自适应调整跟踪窗算法

针对传统a-β-γ滤波器受跟踪精度与收敛速度之间的矛盾以及系数固定的影响而难以跟踪强机动性目标的局限性,设计了一种基于参数辨识的自适应的a-β-γ滤波跟踪器.该滤波器根据目标机动性的变化,利用跟踪误差调整模糊集系统的输出,在保证精度的前提下,得到自适应的系数值,使跟踪结果快速收敛,很好地解决了跟踪精度与收敛速度之间的矛...     

自适应多波段偏振图像融合研究

为综合利用不同波段的偏振信息，以便有效地去除背景杂波的影响，提高目标检测的效果，提出一种基于伪彩色映射和窗口线偏振度熵为系数的自适应加权多波段偏振参量图像融合方法.该方法是根据目标和杂乱背景的特性及多波段成像偏振探测的基本原理，利用目标偏振特征的波长依赖性，不同波段偏振图像所反映场景信息的差异，同一波段Stokes参量图像之间的关系，以及线偏振度图像所反映的有关人造物与自然背景之间的关系.将其应用于不同真实场景下多波段偏振图像，仿真结果和评价指标表明，该方法在背景抑制方面取得了良好的效果.     

一种新的全色图像与光谱图像融合方法研究

给出了一种新的综合伪彩色映射技术和小波变换理论的图像融合方法,并将其应用于全色图像和光谱图像的融合中.通过提取两个不同谱段光谱图像的共有信息和特别信息,并进行伪彩色映射融合,来增强目标与背景的对比度.同时将伪彩色映射融合后的图像进一步用IHS变换提取空间信息,在小波变换框架下将其与全色图像进行融合以提高目标的边缘细节信息,使所获得的融合结果不仅包含丰富的光谱信息的同时还具有较高的空间分辨率.仿真图和评价指标表明,该算法在增强目标与背景的对比度以及保留目标信息等方面具有较强的优势.     

一种基于纹理特征的红外成像目标跟踪方法

提出了一种基于LBP（Local Binary Pattern)纹理特征的红外成像目标跟踪方法,将LBP纹理特征集成到了核跟踪方法中.根据目标各区域对背景的区分能力不同,提出了目标各区域置信度的评价方法,用基于区域置信度及空间距离核加权的LBP特征概率密度函数,构造了目标及候选目标的特征模型.通过相似性度量,利用均值漂移方法实现了基于纹理特征的红外成像目标跟踪.实验结果验证了该算法在红外成像目标跟踪中较基于灰度的均值漂移跟踪算法更为鲁棒.     

基于空时域约束模糊核聚类的红外多时相地下目标探测

提出了一种具有空时域约束的模糊核聚类红外多时相浅层地下目标探测算法.首先在经典模糊聚类算法基础上引入空间和时相变化信息,给出时相信息指数;然后根据时相信息指数修正时相权重因子,将空时域约束加入到多时相模糊核聚类中对红外多时相图像进行分类;最后由分类结果给出地下目标的位置及目标大致种类数,并根据地下目标的红外成像机理获得目标的大体物理性质来提高地下目标探测的准确性.结果表明,所提算法对地下浅层目标具有较好探测准确度.     

基于LTS-HD的像素跳跃式快速景象匹配算法

在分析Hausdorff距离特性的基础上,提出了一种两级实时景象匹配算法.与传统各种利用图像多尺度特征的多级匹配方法不同,该算法利用Hausdorff 距离特性直接在原分辨率图像上进行匹配,通过“减少匹配位置”以及“减少匹配位置相似性测度计算量”两种途径缩短匹配时间.跳跃式搜索极大地减少了参与匹配的位置数;而在每个匹配位置,只计算由特征点组成的两个点集间的LTS-HD相似性测度,非特征点不参与计算,从而大大减少了该匹配位置的相似性测度计算量.为了保证匹配准确度,采用由粗到精的两级匹配策略,第一级采用像素跳跃式全局搜索获得粗匹配点,第二级以第一级匹配为基础,在以粗匹配点为中心的δ邻域内局部遍历搜索获得精匹配点.仿真分析表明,提出的算法相比传统的遍历搜索及遗传算法耗时短且定位准确,在实时图存在严重遮挡的情况下仍能正确匹配.     

基于深度优先随机森林分类器的目标检测

从机载视觉传感器获取的图像中检测近距离目标,对小型无人机飞行安全非常重要,需要大量样本训练分类器以提高目标检测的准确性。然而,如果训练样本太大,随着树的层数增加,广度优先方法训练随机森林分类器会导致欠拟合问题。针对这个问题,提出了深度优先方法递归训练随机森林分类器,每次递归过程只分裂一个节点。实验表明,在SenseAndAvoid数据集目标检测的平均准确率是69.3%,比广度优先方法训练的随机森林分类器高7.6%。深度优先方法递归训练随机森林分类器,能有效抑制广度优先方法训练时的欠拟合问题,提高了随机森林分类器的泛化能力和目标检测的准确性。