跟踪窗口尺度自动更新的Mean—Shift跟踪算法

Mean—Shift算法作为一种高效的模式匹配算法,已经广泛地应用在实时性要求较高的目标跟踪系统中,但标准的Mean—shift跟踪算法缺乏窗口尺度自动更新机制无法满足图像中运动目标尺寸变化的需要。在分析图像的轮廓检测的基础上提出了一种窗口自动更新方法,实验证明本算法能够有效地跟踪尺寸变化的目标并且提高了跟踪精度,增强了跟踪稳定性。     

单神经自适应PSD 预测控制在过热汽温切换系统中的应用

提出一种基于单神经元自适应PSD(proportional sum differential)预测控制器的新型火电厂过热汽温切换控制系统.采用单神经元自适应PSD控制与Levinson预测器相结合的控制方式以改善大滞后、多干扰系统的控制特性,同时利用Foxboro公司I/A系列的DCS控制系统平台对其组态设计(包括无扰切换、前馈补偿以及抗积分饱和等),以实现手自动切换和各控制器之间的合理切换.实验室的多次仿真研究和某火电厂的现场运行均表明该控制系统具有良好的控制品质.     

不确定切换奇异时滞系统鲁棒指数容许性分析

讨论一类连续时间不确定切换奇异区间时变时滞系统的鲁棒指数容许性问题. 通过定义衰减率依赖李亚普诺夫函数并利用平均驻留时间法, 给出一个时滞区间依赖充分条件保证标称系统正则、无脉冲且均方指数稳定. 同时该准则也被推广至不确定系统. 本文获得的结论为连续时间切换奇异时滞系统的基本问题提供了一个解, 即识别切换信号使得切换奇异时滞系统正则、无脉冲且均方指数稳定. 数值例子说明本文结果的有效性.     

视频目标跟踪中的提升分类算法

针对目标跟踪过程中各类图像特征分离背景和目标能力的动态变化,提出一种基于协同训练框架的在线提升分类特征选择算法.该算法采用两组特征描述目标与背景区域各像素,并分别训练一在线提升分类器对特征组进行选择,然后综合分类结果,得到最优似然图像,基于该似然图像,采用粒子滤波对目标进行琅踪并通过图像处理方法获得最佳前景分割图.该方法的主要优点是仅需对首帧图像进行训练,并在跟踪过程中通过协同训练在线更新提升分类器.同时,实验表明该算法运算速度快,并能适应环境光照变化、遮挡等恶劣条件.     

一类不确定切换奇异系统的动态输出反馈鲁棒H∞控制

研究一类由任意有限多个不确定子系统组成的切换奇异系统的动态输出反馈鲁棒H∞控制问题. 利用共同 Lyapunov 函数方法和凸组合技术, 给出由矩阵不等式表示的控制器存在的充分条件, 并设计了相应的子控制器和切换策略. 采用消元法, 将该矩阵不等式转化为一组线性矩阵不等式 (LMIs). 最后, 数值实例验证了所提方法的有效性.     

基于小波子空间、支持向量机和模糊积分的信号多类分类算法

为了对音频信号进行有效的分类，提出一种在小波变换子空间中基于支持向量机和模糊积分进行信号特征提取和分类的新算法．首先，对信号进行预加重和窗化处理；其次，用小波变换把信号分解到不同的子空间并提取每个子空间的特征；再次，对每一个子空间信号特征向量进行标准化、降维和分类；最后，用模糊积分将子空间分类结果融合，得出最终类．试验表明本算法速度较快、精确度高．     

一种基于相位变换的布匹疵点检测方法

为了实现布匹瑕疵检测的准确性和实时性要求,通过对纹理结构的分析,针对织物表面的疵点检测,提出了一种简单快速有效的方法.该方法首先采取中值滤波,并利用离散傅里叶变换(DFT)对布匹采取单相位的变换方法,去掉图像中任意大小尺度的规则性纹理,从而只剩下那些被看成是疵点的不规则部分.然后再利用标准的统计方法,根据实验所得的阈值,最后进行反变换给出疵点信息.该方法易于代码实现,并有很高的运行效率,可满足实时性要求.不同对象之间只需要根据几次实验,得出相对合适的阈值,就可以提高算法的检测精度.     

具有数据丢包的非线性奇异脉冲系统量化控制

考虑网络传输中存在的数据丢包和信号量化问题, 研究了基于数据丢包的非线性奇异脉冲系统设量化反馈控制器的设计方法. 首先给出一般非线性奇异脉冲系统的数学描述, 并在此基础上建立相应的具有丢包的闭环量化反馈控制系统的数学模型. 其次, 根据李雅普诺夫稳定性理论, 给出了奇异脉冲系统的渐近稳定的充分条件以及量化反馈控制器的设计方法. 应用本设计方法, 可以选择满足代数矩阵不等式条件的量化反馈增益, 实现系统渐近稳定. 最后通过对Chua混沌系统仿真, 表明利用本文设计的量化控制器能够保证闭环非线性奇异脉冲系统在具有数据丢包的情况下渐近稳定.     

基于自适应双边全变差的图像超分辨率重建

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准的MAP算法引入了自适应概念,引入了图像自适应加权系数矩阵;据此给出一种基于自适应双边全变差的图像超分辨率重建算法,该方法不仅能在图像超分辨率重建过程中抑制噪声,而且能锐化图像中的边缘信息;建立了自适应重建模型并用梯度下降法推导出迭代计算公式.实验表明,该算法在收敛性和精确性上都达到了较好的效果.     

雾霾图像清晰化算法综述

雾霾图像不仅影响视觉效果,而且模糊不清晰的图像容易为后续识别、理解等高层次任务带来困难。雾霾图像清晰化问题是一个典型的不适定问题,其成像过程难以精确建模,消除图像中的雾霾面临巨大的挑战。近年来,研究者提出大量的图像去雾算法克服雾霾引起的图像降质退化,为全面认识和理解图像清晰化算法,论文对其进行梳理和综述。首先,对雾霾图像清晰化算法进行整理,根据雾霾退化过程是否有模型支持,将清晰化算法分为基于Retinex模型、大气散射模型去雾算法和无模型图像去雾算法。大气散射模型是有模型算法中主流模型,本文详细剖析了模型成像机理,并根据其成像机制揭示大气散射模型容易受大气浓度均匀分布假设的限制,较难处理非均匀雾霾图像问题。基于深度学习的无模型图像去雾算法则不仅可以应对非均匀雾霾图像,而且去雾性能获得了极大地提升。其次,本文汇总了近年来常用去雾数据集,从数据集适应范围、规模、可扩展性等多个维度进行总结。并根据雾霾图像形成方式,对人工合成雾霾数据集和真实拍摄数据集分别从定性和定量的角度探讨了数据集对图像去雾算法的影响。