背景自适应的GrabCut图像分割算法

图割用于图像分割需用户交互,基于激光雷达传感器,提出了阈值法得到目标的外截矩形,再映射到图像完成交互.针对GrabCut算法耗时、对局部噪声敏感和在复杂背景提取边缘不理想等缺点,提出了背景自适应的GrabCut算法,即在确定背景像素中选取可能目标像素邻近的一部分像素作为背景像素,使背景变得简单,尤其适用于前景像素在整幅图中所占比例较小和在目标像素周围的背景相对简单的情况.实验结果表明,所提算法与GrabCut算法相比,减少了图的节点数,降低了错误率,有效的提高了运行效率,提取的目标边缘信息更加完整、平滑.     

基于改进的领导-跟随者编队算法研究

针对领导-跟随者算法的不足,提出了基于先驱者的多机器人编队控制方法.先驱者采用SLAM方法规划编队行进轨迹的关键点,领导者则根据关键点和环境信息,调整运动轨迹,并计算与跟随者间的相互距离和夹角,决定跟随者的实时位姿.当编队队形遇障不能通过时,采用基于逻辑层次的变换策略进行队形变换.同时在Player-Stage仿真平台上,对算法进行了比较和分析,实验结果表明,改进的领导-跟随者算法能更好的保证编队队形的完整性和编队系统的稳定性,控制效果较好.     

融合偏微分方程和中值滤波的图像去噪模型

针对基于偏微分方程(PDE)的图像去噪模型不能有效地去除脉冲噪声,并且低阶偏微分方程在去噪的同时会出现“块效应”现象的问题,提出一种融合偏微分方程和自适应中值滤波的图像去噪模型。该模型通过对图像梯度的分析,在梯度变化剧烈区域和梯度变化微小区域利用二阶模型去噪以提高去噪效率;而在梯度渐变区域利用四阶模型平滑图像以避免出现“块效应”现象。同时,利用脉冲噪声梯度值远大于边缘梯度值的特点,定位脉冲噪声所在区域,在该区域利用自适应中值滤波消除脉冲噪声。该方法能有效去除脉冲噪声,保护图像边缘并消除“块效应”现象,同时提高了去噪效率。实验表明了该模型的有效性。     

非重复宽间隔跳频序列的优化

跳频序列发生器是跳频通信系统的核心部件,寻求理想的跳频序列是研究跳频通信的重要课题之一.通过对RS码跳频序列相关技术的研究,改进了基于RS码宽间隔非重复跳频序列的优化方法,利用Matlab软件进行了仿真,并绘制出了某个跳频序列的汉明相关性.计算结果表明,该方法克服了对偶频带法产生的宽间隔的跳频序列随机性较差的缺点,提高了整个跳频序列的平均间隔,满足相邻频率值大于某个固定的常数,同时也满足宽间隔非重复跳频序列族的理论界限.     

基于CC2530的改进TPSN算法

针对无线传感器网络(WSNs)振动监测同步精度低的问题,提出了一种基于帧首定界符(SFD)硬件捕获机制的改进传感器网络时间同步协议(TPSN).采用硬件捕获时间戳的方式消除部分软件延迟因素,如发送延迟、访问延迟和接收延迟,在补偿时钟偏差的同时采用最小二乘法估计补偿时钟漂移.为验证算法可行性,选用链状拓扑结构,在CC2530硬件平台上进行了单跳及多跳同步测试.试验结果表明:单跳误差0.727μs,2跳误差2.65 μs,3跳误差6.833μs.相比典型TPSN,提出的算法具有较好的同步效果,可满足振动监测应用需求.     

基于自适应神经-模糊推理的计算机网络性能评价研究

根据带宽、时延、丢包率3个网络关键性能指标,建立了网络性能评价的自适应神经-模糊推理系统.通过对网络不同业务服务质量进行分析,实现了在给定输入负载下对网络性能的判定.仿真结果表明,建立的自适应神经-模糊推理系统能描述网络性能指标和输出的映射规律,能较准确的拟和数据,评价结果符合规律.因此,该方法合理有效,能够为网络信息传输提供决策支持.     

多传感器信息融合在移动机器人定位中的应用

机器人自定位是实现自主导航的关键问题之一。为了满足机器人在导航时精确定位的要求,提出一种基于多传感器信息融合的自定位算法。根据对机器人运动机构的分析和运动机构间的刚体约束,建立起机器人的运动学模型;由传感器的工作原理建立里程计和超声波传感器的观测模型;利用扩展卡尔曼滤波(EKF)算法将里程计和超声波传感器采集的数据进行融合;最后,由匹配的环境特征对机器人的位置进行修正,得到精确的位置估计。实验结果表明:该算法明显地消除了里程计的累计误差,有效地提高了定位精度。     

基于FPGA的网络延时模拟器设计

本文针对在实验室范围内进行网络测量的需要,设计了以FPGA为核心的网络延时模拟器.介绍了网络延时模拟器的硬件电路的设计以及FPGA内主要模块:以太网接口、SDRAM时分复用、延时控制器的设计.给出了一种对多路以太网数据分时进行处理的方法,实现的网络延时模拟器能够完成数据0～200ms的延时处理,在实验室中已经应用于TCP/IP网络的测量与评估研究.     

基于RPkNN-Sarsa(λ)强化学习的机器人路径规划方法

基于kNN-Sarsa(λ)强化学习的机器人路径规划方法虽然收敛速度快,但该算法容易陷入局部最优值,且未考虑环境信息的不完全可观测性。为此,设计了一种随机扰动(random perturbation)kNN-Sarsa(λ)强化学习算法,利用Bayesian规则对传感器探测信息的不确定性进行了处理,建立了基于栅格地图的仿真环境模型。仿真实验结果表明,该方法不仅收敛性好,能有效缓解kNN-Sarsa(λ)算法易陷入局部最优的现象,且在传感器探测信息不确定的情况下仍能搜索到最优路径。     

尺度自适应的核相关滤波跟踪器

为了解决核相关滤波（KCF）跟踪器中目标尺度固定的问题,提出了一种尺度自适应的跟踪方法。首先利用Lucas-Kanade光流法跟踪相邻视频帧之间特征点的运动,引入前向后向跟踪方法保留可信特征点;其次将可信点用于尺度变化估计;然后将尺度估计应用到可调高斯窗上;最后运用前向后向跟踪算法来判断目标是否处于被遮挡状态,修改了模板更新策略。解决了核跟踪滤波器中目标尺度固定的限制,使得跟踪器更具鲁棒性与准确性。在目标跟踪视频集上测试算法效果。实验结果表明,所提算法在成功率图与精确度图排名上均优于原KCF、TLD、Struck算法。与原方法相比,改进后的方法能更好地适用于有尺度变化与遮挡的跟踪。