改进的免疫粒子群算法在TDOA定位中的应用

针对无线传感器网络中的TDOA节点无源定位估计中的非线性优化问题,提出了一种改进的免疫粒子群优化(Immune Particle Swarm Optimization, IPSO)的TDOA定位算法。该算法在自适应粒子群算法的基础上,引入免疫过程,增加了粒子种群的多样性,平衡局部搜索能力和全局搜索能力,有效地解决粒子易陷入局部最优问题,更快收敛到全局最优解。仿真结果表明,提出的算法相比于标准粒子群算法、自适应粒子群算法、Chan算法,当基站数量仅为4～5个、半径达到100 m时定位精度仍然较高,当加入随机噪声时,性能更加稳定,鲁棒性较好。     

基于激光雷达数据阴影处理和图像融合的地物分类方法

城市可见光图像中高大的建筑和树木造成的阴影及部分树木区域出现的颜色失真问题使得传统的颜色量化方法不能准确描述地物谱差异,最终导致分类精度下降。针对可见光图像中的阴影和颜色失真问题提出了一种改进办法:第一阶段针对阴影导致的被掩盖区域谱信息缺失问题,对阴影区域进行采样、分析,通过双阈值提取阴影区域并以面向对象分类方法获得绿色区域阴影。第二阶段通过融合树木区域在多源信息[激光雷达强度、多次回波的数字表面模型(DSM)]中的差异特征,剔除冗余,获取准确的树木区域,弥补颜色失真使得树木区域提取不完全的缺陷。实验结果与人工获取的真实数据对比显示,该方法与传统的Dempster-Shafer(D-S)证据理论融合方法相比,分类精度有了明显的提高。     

基于时空双流卷积神经网络的红外行为识别

针对红外视频人体行为识别问题,提出了一种基于时空双流卷积神经网络的红外人体行为识别方法。通过将整个红外视频进行平均分段,然后将每一段视频中随机抽取的红外图像和对应的光流图像输入空间卷积神经网络,空间卷积神经网络通过融合光流信息可以有效地学习到红外图像中真正发生运动的空间信息,再将每一小段的识别结果进行融合得到空间网络结果。同时将每一段视频中随机抽取的光流图像序列输入时间卷积神经网络,融合每一小段的结果后得到时间网络结果。最后再将空间网络结果和时间网络结果进行加权求和,从而得到最终的视频分类结果。实验中,采用此方法对包含23种红外行为动作类别的红外视频数据集上的动作进行识别,正确识别率为92.0%。结果表明,该算法可以有效地对红外视频行为进行准确识别。     

基于压缩感知的鲁棒性目标跟踪

压缩感知算法能有效地实时跟踪视频目标,但由于无法对目标特征最优选取,且样本搜索中心由上一帧目标位置所确定,其鲁棒性不高.鉴于此,提出了一种基于压缩感知的改进算法.该算法将meanshift算法与压缩感知算法相结合,从meanshift算法中获得最佳候选区域中心作为压缩感知算法的样本搜索中心,跟踪过程中通过在线特征选择训练的分类器确定最终目标位置.实验表明,改进后的算法不仅在背景干扰大时跟踪精度更高,而且当目标受到遮挡后,也能稳定地跟踪目标.     

基于改进YOLOv3网络的无人车夜间环境感知

环境感知是无人车夜间行驶中的一项关键任务，提出一种改进的YOLOv3网络，以实现夜间对无人车获取的红外图像中行人、车辆的检测，将判断周边车辆的行驶方向问题转化为预测车辆位置的角度大小问题，并与深度估计信息进行融合对周边车辆行驶的距离和速度作出判断，从而实现夜间无人车对周边车辆行驶意图的感知。该网络具有端到端的优点，能实现整张图像作为网络的输入，直接在输出层回归检测目标的边界框位置、所属的类别和车辆的角度预测结果，并和深度估计信息融合得到周边车辆的距离和速度信息。实验结果表明，使用改进的YOLOv3网络对夜间无人车获取的红外图像进行目标检测的时间为0.04 s/帧，角度和速度预测效果较好，准确性和实时性达到了实际应用要求。     

基于自适应阈值和局部色调映射的低照度图像处理

为了解决低照度图像的细节信息缺少和清晰度低的问题,在HSV(Hue,Saturation,Value)色彩空间中,采用非下采样剪切波变换(NSST)与Retinex理论的融合算法对低照度图像进行处理。首先对HSV空间的V分量进行分解,得到多个高通子带与一个低通子带,对高通子带采用改进的基于贝叶斯萎缩的自适应阈值算法完成去噪,对低通子带采用改进的自适应局部色调映射算法提高对比度,然后对两个子带进行NSST逆变换以得到新的V分量并对其进行白平衡处理,最后将处理后的图像反转到RGB(Red,Green,Blue)空间中得到结果图像。实验结果表明,所提算法能够改善低照度图像的质量,提高清晰度与对比度。     

一种基于块模糊增强的玉米田遥感图像边缘检测方法

针对高分一号卫星(GF-1)玉米田遥感图像中玉米田光谱复杂和地块边缘模糊导致的面积统计误差大的问题,本文提出一种块模糊增强和最小值边缘提取相结合的边缘检测方法进行玉米田地块分割处理,以减小面积统计误差。首先将彩色遥感图像从RGB变换到I¹I²I³彩色空间,提取出含丰富特征的单色图I¹;然后利用模糊理论对I¹进行基于块的增强处理;再对增强后的图像进行最小值边缘提取;最后利用Full Lambda-Schedule算法对区域边缘进行优化。通过与Canny和Sobel等边缘提取方法比较,证明本文的边缘检测结果能有效地分割出玉米田地块目标,减少了玉米田光谱复杂和边缘模糊带来的影响,检测出的边缘更符合玉米田实际分布,玉米田面积统计结果更符合实际。     

基于显著性的多波段图像同步融合方法

针对多波段融合图像存在对比度低、显著目标不突出的问题,本文提出了一种基于显著性的多波段图像同步融合方法。首先,近红外图像被用来作为数据保真项,红外图像和可见光图像分别为融合结果提供红外显著信息和细节信息;其次,基于视觉显著的红外显著区域提取方法被用来构造权重图,以克服融合结果显著区域不突出和边缘模糊问题;最后,采用交替方向乘子法（alternating direction method of multipliers, ADMM）来求解模型,得到融合结果。研究结果表明,较于代表性图像融合算法,所提算法能在保留红外图像热辐射信息的同时,保有较好的清晰细节,并在多项客观评价指标上优于代表性算法。     

差异特征与融合算法的集值映射关系的建立

针对红外偏振和光强图像现有融合算法无法随着图像差异特征的变化而优化选择的问题,提出了图像差异特征和融合算法的集值映射关系的建立方法.通过图像差异特征的分析与提取构建了差异特征集,将典型融合算法构建为融合算法集,利用数据包络分析法计算每个差异特征对各融合算法的融合有效度并构造融合有效度分布,通过对多组图像的融合有效度分布合成,建立差异特征与融合算法的集值映射关系.实验证明,所建立的集值映射关系可以优化选择融合算法,将互补性强的差异特征有效融合.