涡流检测中的可调带通滤波器设计

涡流检测作为一种常用的金属表面缺陷检测方法,其一般包括单线圈激励、单线圈接收,单线圈激励、多线圈接收,或者多线圈激励、多线圈接收等几种检测方式。但是在同频激励下,接收线圈的信号通常很微弱并且伴随着很强的背景噪声,因此需要对采集到的接收线圈信号进行滤波处理。本文采用频带分段方式和多路复用思想,利用低噪声和低失真运放THS4011和THS4012分别设计了二阶无限增益多路反馈型(MFB)和二阶双运放型(DABP)两种可调频的有源带通滤波器。仿真和实验测试结果表明,所设计两种滤波器的通频带宽均为1 kHz～1 MHz,且均可实现在通频带范围内任意调节中心频率。二者均可适用于复杂涡流检测场景下不同的带通滤波需求。     

基于MAX456的视频切换器设计

本文介绍了交叉点开关矩阵芯片MAX456的特点和功能。给出MAX456在视频切换器中与AT89C51单片机的硬件电路和软件设计。     

双模式互补高精度太阳跟踪系统的设计

提出一种时间/传感器双模式互补的太阳跟踪控制方法,并研制出聚光型阳光传感器,提高了太阳跟踪精度.以ARM Cortex-M3为内核的STM32为控制器,设计一套高精度太阳跟踪控制系统,主要由阳光传感器、模数转换芯片MAX197、时钟芯片、光电隔离、驱动、LCD12864液晶、机械部分(含东西方向、南北方向直流电机)组成.经过实验测试及某公司1200W砷化镓发电系统的实际应用表明,系统跟踪精度达0.1°,能够满足太阳能聚光发电、太阳能热发电、太阳光照明等应用中太阳跟踪要求.     

基于强跟踪滤波的机器人运动轨迹控制系统设计

机器人运动信息采集的抗噪性较差,导致系统运动轨迹与实际轨迹不符,轨迹控制效果较差。因此提出基于强跟踪滤波的机器人运动轨迹控制系统设计。系统通过软硬件协同工作,实时控制机器人轨迹。采用IPM电机驱动控制系统硬件结构,根据指令和感知信息,采用多CPU结构控制方式,控制一个机器人关节运动。使用PCI9052接口控制PCI-485接口卡,实现了上下位机之间通讯。以TMS32OF240XDS为核心,设计DSP控制器,完全分离程序空间与数据空间。在软件设计方面,通过CAN-TTLG单片机光隔离超远程驱动器,使系统具有一定抗噪能力。构建机器人运动方程,引入强跟踪滤波弱化因子,计算运动轨迹偏差,并对机器人运动控制进行重力补偿,由此设计轨迹控制流程,完成机器人运动轨迹控制系统设计。实验结果表明,该系统运动轨迹与实际轨迹相符,且轨迹控制效率较好,具有良好控制效果。     

基于H.263协议的视频监控报警系统

介绍一种数字式视频监控报警系统的设计.该系统采用H.263视频编码协议和云台控制技术,直接利用编码中的运动矢量信息,在不增加码率和计算量的前提下,实现对入侵者的自动检测和跟踪.     

基于MAX6675的温度采集系统的设计

研究探讨了温度采集系统是由MAX6675将热电偶测温应用时复杂的线性化、冷端补偿及数字化输出等问题集中在一个芯片上解决,简化了将热电偶测温方案应用于嵌入式系统领域时复杂的软硬件设计,克服了用传统手工方法和测量手段测量温度精度低,速度慢,可靠性差的缺点,因而该器件是将热电偶测温方案应用于温度采集系统领域的理想选择。     

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。     

基于MAX7456的OSD系统设计与实现

给出了一种基于MAX7456的OSD系统的设计和实现方法,该方法利用ARM7进行配置和控制,并通过RS232及RS485接口实现配置参数的在线修改,可实现在视频信号中叠加显示字符、汉字及用户自定义图形。     

基于多相带通滤波的变带宽数字下变频器设计

为了使数字下变频器适应多种带宽信号的处理能力,在研究数字下变频和多相结构运算特点的基础上,提出一种多相带通滤波结构.首先通过将下变频运算等效为带通滤波有效降低了运算量,分析得出一定条件下,采用适量乘法器就能完成各种抽取比下的乘法运算的结论,并以此对多相结构进行改进,得到带通滤波的多相通用结构;然后利用恒速乘法、多速率输入输出技术巧妙实现变带宽滤波.文中还对不同带宽下的滤波器系数和性能进行了分析.软硬件仿真表明,该结构不仅能够实现多种带宽信号的数字下变频,而且具有低复杂度、较高的运算效率和较少的硬件开销.     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

基于相关滤波的尺度自适应目标跟踪

针对视频目标跟踪中的尺度问题,提出了一种基于相关滤波的尺度自适应目标跟踪方法。首先利用核相关滤波获得目标的中心位置,然后将目标均分为四个子块,通过计算找出子块中心的最大响应位置,最后根据前后两帧目标子块中心位置的相对变化计算出尺度的伸缩系数,进而计算出目标尺度。在具有尺度变化的公开数据集上对本文方法进行测试,并和多种跟踪方法作对比,实验结果表明,该方法将尺度的计算问题转化为对子块中心的定位,其平均跟踪性能优于其它方法,验证了方法的有效性。     

基于多子块联合估计的相关滤波跟踪

针对遮挡情况下相关滤波算法跟踪精度下降的问题,提出了一种基于多子块联合估计的核相关滤波跟踪方法。首先依据初始帧跟踪框的几何特征对目标自适应分块,并采用KCF方法对各子块独立跟踪得到联合置信图;然后以上帧目标的位置及尺度作为先验信息对搜索区域采样,同时将样本框中置信图的权值密度作为观测值,利用粒子滤波算法实现候选目标的最优估计;最后对置信度较低的子块反向投影至上帧图像进行遮挡检测,防止模板错误更新。定性和定量实验结果表明,该方法与原始KCF算法相比跟踪精度提升约10%,具有良好的抗遮挡性,并对目标尺度变化具有一定的估计能力。     

一种多特征融合的粒子滤波跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种有效的多特征融合跟踪方法,该方法同时结合了颜色和运动边缘特征,并通过粒子滤波方法合理地进行概率融合。实验结果表明,算法能够在一种特征受到背景干扰导致目标鉴别能力丧失时,其它特征仍能稳定可靠地跟踪目标,算法简单,鲁棒性高,能够有效适用于复杂背景下的目标跟踪。     

一种基于卡尔曼滤波的运动物体跟踪算法

针对实时视频监控领域中传统的Camshift算法不能有效解决遮挡和高速运动等问题,提出一种改进的Camshift算法与卡尔曼滤波相结合的运动物体跟踪算法。首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪。实验表明该方法具有较好的实时性,并能够有效地解决遮挡等问题。     

基于逆滤波器的时变MIMO信道跟踪算法

对时变多发多收（MIMO）无线数字信道,在信道接收端应用逆滤波器算法,得到无线MIMO数字系统的信道冲击响应函数,并将此函数作为初始值,应用改进的粒子滤波器算法,完成时变MIMO数字系统的盲信道跟踪。该算法同时利用了信号的时间分集信息和空间分集信息。计算机仿真表明,与仅利用信号空间分集信息的逆滤波器算法相比,该算法在输入信号小信噪比情况下有更好的全局收敛特性;与卡尔曼滤波算法相比,得到的归一化信道误差更小。     

基于粒子滤波的人脸跟踪算法

人物跟踪技术是目前智能监控系统的核心方法之一,针对人脸运动的非线性非高斯的特点,引入粒子滤波算法来进行运动预测估计,抵抗遮挡干扰。同时,根据人脸结构特点,提出了一种分块颜色直方图,用以描述人脸的特征。并且根据预测精度对预测过程中目标运动速度和过程噪声方差进行自适应更新。实验结果表明,在人脸的旋转,肤色和部分遮挡影响下跟踪精度较高,抵抗光照环境变化,以及人脸大小变化等的鲁棒性较强。     

一种基于粒子滤波的红外目标跟踪方法

为解决红外运动目标跟踪中的遮挡、形变等问题,提出一种基于粒子滤波的跟踪方法。该方法首先利用目标区域的灰度分布,建立了一种基于统计直方图的系统观测概率模型。并将飞机目标的运动看作惯性受限的非平稳过程,采用微分线性拟合模型作为系统状态转移模型。序列图像的实验表明：该算法能够在目标高速运动或发生遮挡的情况下稳健跟踪目标,其总体性能优于Mean Shift算法。     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

基于均值漂移与卡尔曼滤波的目标跟踪算法

均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,在目标受到干扰时容易跟踪失败,而Kalman滤波能够较为准确地预测目标的速度和位置。因此,提出了一种结合均值漂移与Kalman滤波的跟踪算法,使用Kalman滤波对目标运动速度和空间位置进行预测。根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置。实验结果表明该算法是可行有效的。