基于姿态估计的驾驶员手部动作检测研究

为有效检查驾驶员在行驶过程中的不当行为,本文研究结合人体姿态估计信息的检测算法,通过对检测目标的约束,建立起一套具有多阶段的手部动作检测方法。该方法包含三个模块。第一,人体姿态估计模块,选取人体姿态估计网络关节的高斯热图层,通过输出的人体姿态高斯热图信息,达到对检测目标的空间信息的获取;第二,手部检测模块,基于CNN的检测网络,在网络输入层融合人体姿态高斯热图后,达到对手部的检测率提高的效果;第三,手部动作分类模块,通过接受手部检测模块的输出,消除对检测结果产生干扰的背景,将分类网络的特征提取约束在手部局部位置,提高手部动作分类的准确率,将手部区域输入至分类网络得到驾驶员手部动作,从而判断驾驶员是否存在抽烟、接听电话等不当行为,实现驾驶员的行为检测。为了验证本文提出的多阶段的手部动作检测方法,已在自制数据集上进行了相应实验。      

使用物体交互模型的车辆违停事件检测

随着平安城市与监控摄像头的发展,车辆违章停靠事件的自动检测在视频自动检测方法中具有重要意义.当前的目标检测算法,例如基于特征+分类器、基于视频背景差分、基于深度学习的方法等,大多关注车牌、交通标志的定位与识别,而忽略了对车辆违章等事件的判别.因此,发展了一种基于物体交互模型的车辆违章停靠事件检测方法:首先基于轮廓提取和SVM进行车牌检测;其次基于形状和颜色进行交通标志检测;最后基于物体交互模型来判断是否违停.上述方法在真实视频场景中的实验验证了方法的有效性和可靠性.     

MC14489与MCS—51的接口通信与抗干扰

文章介绍了ＭＯＴＯＲＯＬＡ公司的单片机外围芯片五位ＬＥＤ驱动器ＭＣ１４４８９与Ｉｎｔｅｌ公司的ＭＣＳ－５１系列单片机的接口技术中两种芯片串行通信时存在的问题，从分析时序入手，针对芯片间串行端口时序的不同，在程序编制时用软件进行时序变换，方便地实现了两者的数据通信；然后又对这两种芯片在接口电路中存在的干扰问题提出了解决的方案。     

基于区域的MRF模型用于SAR图像分割

本文提出了一种建立在流域算法过分割结果区域图上的马尔可夫随机场模型的SAR图像分割算法.由于将马尔可夫场随机场(MRF)模型建立在预分割的基础上,极大减少了计算复杂度,并利用SAR图像的分布模型建立多层MRF模型,采用模拟退火优化得到MAP估计的分割结果.实验证明较传统的基于像素的马尔可夫随机场分割算法,该方法极大提高了运算速度,并能取得较为满意的分割结果.     

一种基于非参数密度估计和马尔可夫上下文的SAR图像分割算法

在研究传统的基于参数的合成孔径雷达(SAR)图像统计模型基础上,为了精确估计高分辨率SAR图像的统计分布,该文提出了一种结合基于核函数的非参数估计和马尔可夫上下文的SAR图像分割算法。该算法首先采用基于核函数的非参数方法估计SAR图像的统计分布,然后将此统计量作为图像分割的似然函数,利用马尔可夫上下文约束进行SAR图像分割。该文通过软件仿真对新算法和基于参数的统计模型的算法的效果进行了比较。研究发现,基于核函数的非参数估计方法仅仅依赖实际数据,在无法准确获取分布函数解析式的情况下往往具有更好的效果。实验证明,基于核函数的非参数估计方法对高分辨率SAR图像中较为复杂的场景如城区的提取取得了更为满意的结果。     

自编码扩频通信技术研究

扩展频谱通信是军事保密通信的基本方式，它是采用信息的频谱展宽进行传输的，从而达到抗干扰和信息保密的目的。而目前采用的PN序列具有周期性，为了寻找一种具有真正的随机性扩频码，并具有较强的抗干扰和信息保密能力的扩频通信技术，人们提出了自编码扩频的概念，文中介绍了自编码扩频原理，分析了系统的性能，并且进行了仿真。     

一种空间磁场可视化测量系统的设计

为了精确测量并形象展示空间磁场分布,我们设计了一种基于单片机的空间磁场可视化测量系统。该系统由磁场数据采集存储模块、数据传输模块、测量结果显示模块三部分构成。首先由霍尔磁敏传感器测量空间各点的三维磁感应强度分量,然后通过单片机采集、存储空间特定区域内的磁感应强度数据,并通过USB串口导入计算机,最后用计算机显示测量结果并进行数据仿真,模拟空间磁场强度矢量分布图,实现空间磁场的可视化测量及展示功能。实验结果表明,该磁场测量系统的精度为1μT,量程范围为±8 500μT,测量误差为0.62%。这种空间磁场可视化测量系统精度高,量程范围广,能形象展示空间磁场分布,可以辅助大学物理实验教学,也可以应用于复杂多变磁场的测量。     

面向移动端的单阶段端到端目标检测压缩算法

近30年间,深度学习异军突起。它在各项计算机视觉任务中都取得了令人瞩目的进步,加之大量高质多样化数据的出现,使得各种依赖数据的目标检测方法重现曙光。然而,这些深度网络算法通常需要大量数据来支持数百亿参数的计算,其运行效率较低并且对存储空间的要求越来越高,使得在小型设备或移动端中无法嵌入大型神经网络。因此,本文提出优化目标检测算法以适应移动端环境,利用CNN卷积核多样性和可分离的原理,应用深度可分离卷积（Depthwise Separable Convolution）结构的理论,提出单阶段-端到端目标检测压缩网络DW-YOLOv3。最后,在带有详细标注的地面观测实况大规模基准数据集VisDrone2018数据集上的结果表明,本文提出的改进单阶段-可分离卷积目标检测压缩网络算法可以将网络参数压缩8-9倍,由于其增加了整体网络的深度,在对网络整体性能影响较小的同时提升了对无人机视角图像中小目标物体的识别性能。      

自选择混合分布模型的CFAR用于SAR图像舰船检测

为了解决恒虚警率检测算法（CFAR检测）在合成孔径雷达图像舰船检测中,用已有分布建模,不能应对所有的场景,对于一些复杂场景建模拟合效果不理想的问题,本文使用一种自选择混合分布的CFAR检测方法:首先,对图像进行预处理,减少目标像素对海杂波的影响;其次,利用学习出来的混合分布模型对预处理后的每一块图像进行建模,计算全局阈值,并根据阈值把图像像素分为目标和背景杂波;然后,为防止漏检,重新对场景像素进行建模、检测,重复此过程直到背景杂波中检测不到目标为止;最后加入后处理,减少虚警的产生。这一方法不仅能得到更好的海杂波模型,同时还能提取舰船的更多细节,实验结果证明了这一方法的有效性。