一种改进的中值滤波方法进行背景估计

背景估计主要是构建场景中的背景,这些场景通常是一系列视频帧,并且包含有运动物体。场景的背景估计在虚拟现实和人机交互上有很多重要的用途,而且在一些安全场合也有很多运用,如视频监控、视频分割等。通过运用时间中值滤波和高斯滤波,提出了一种非常鲁棒的场景背景建模方法。具体而言,即先从这些视频序列中训练一个概率密度函数(PDF),再使用这个密度函数对背景象元进行建模。从而过滤出来其中低概率密度的象元,将其作为前景运动物体或者噪音。最后,用时间中值滤波过滤视频序列中剩余的象元。在2016的场景背景建模竞赛中(SBMnet),对该方法从多个指标进行了测试。实验结果表明,与传统中值滤波器及其他扩展方法相比,改进的方法在背景杂乱和有运动的情况下也可以取得很好的效果。     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

无风度风向测量的无线传感器网络气源定位技术研究

通过无线传感器网络来检测气体浓度,采用基于湍流扩散理论的烟羽模型,得到气体浓度表达式。传感器检测到的浓度,通过偏差平方和来得到需要的目标函数,计算传感器测量值与真实值的误差平方和,并利用优化的粒子群算对目标函数求解,得到定位结果和环境信息。在不增加检测手段的情况下,对风速和风向进行在线估计,提高气源定位的鲁棒性和准确性。     

基于深度学习和稀疏表示的害虫识别算法

对农作物害虫种类和数量进行有效的预测是农作物病虫害防治的关键环节,因此基于捕获害虫的样本图片对农作物害虫进行准确的种类识别可以为病虫害的防治提供一定的先验知识.由于农作物害虫种类和形态的多样性及不同种类害虫颜色和纹理的相似性,增加了害虫分类识别的难度.为提高害虫图像识别的准确率,提出了一种基于深度学习和稀疏表示相融合的方法来进行害虫的检测分类识别,进而实现对农作物病虫害的有效防治.该算法首先利用高效的深度学习caffe框架来构建提取害虫特征的网络模型,然后利用该网络模型来提取训练害虫样本的特征向量,从而建立不同种类害虫的超完备字典,最后采用稀疏表示算法来对测试样本进行分类识别.实验部分对10种常见害虫进行了检测识别,实验结果表明新提出的算法有很好的检测分类效果.     

基于改进的线性约束最小方差圆阵方向图研究

本文提出一种改进的LCMV算法,解决了传统LCMV算法在被干扰或者接收天线平台快速移动时,可能由于干扰位置的扰动而出现自适应加权矢量和数据失配的问题.     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.