基于事件预测的遥操作机器人系统的性能分析

Internet的时变时延及数据丢包严重影响了互联网遥操作机器人系统的操作性能,甚至造成了系统不稳定.为降低时变时延对遥操作机器人系统性能的影响,文中基于具可变滑动窗口的稀疏多元线性回归算法提出了单步时延预测算法,并在此基础上设计了基于事件预测的网络遥操作机器人系统.该系统在主端加入基于时延预测的离散路径管理器,它通过求解超前的优化函数,在线产生一个合适的预测路径的事件参数,从而提高跟踪性能和环境适应能力以应付突发事件的发生.根据Lyapunov稳定性定理,文中还推导得到了该系统的稳定性条件.本地实验和跨地区的遥操作机器人实验结果表明,文中方法能有效解决时变时延以及网络数据丢包引起的稳定性问题和性能下降问题.     

基于AdaBoost和遗传算法的快速人脸定位算法

针对采用AdaBoost算法构建人脸检测器时存在的特征冗余问题,提出了一种新的快速人脸定位算法.首先用AdaBoost算法选取类Haar小波特征(称作AdaHaar特征),然后用遗传算法在低维的AdaHaar特征空间进一步优选,消除冗余并得到相应的权系数,最终的人脸检测器由这些优选的弱分类器及其相应权系数线性组合而成.实验结果表明,采用文中算法训练的人脸检测器在检测正确率、检测速度及占用内存等方面的性能都得到了改善.     

人脸识别中基于互信息的特征优选

人脸识别领域中常用Gabor小波系数表示人脸特征.然而,提取的人脸Gabor特征是高维数据,不可避免存在冗余和随机噪声的干扰.为了有效利用Gabor特征进行人脸识别,提出一种新的Gabor特征选取方法.首先计算训练集上的任两张人脸图像的Gabor特征差,生成类内空阃和类外空间.用单个Gabor特征训练筒单两值分类器,以其在类内空间和类外空间的分类错误率作为判据评价该Gabor特征的分类能力.在选取分类错误低的特征的同时还要再评估候选特征与已选特征间的互信息,这样优选出具有无冗余、低误差率的特征.最后对这些优选的Gabor特征进行主成分分析和线性判别分析完成人脸识别.在CAS-PEAL大型人脸数据库上的实验结果表明,所提出的方法不但可大大降低Gabor特征的维数,而且还有效提高了识别精度.