无陷入插装方式的研究与设计*

分析和比较了当前主流的性能分析工具,针对这些工具在嵌入式环境中进行性能分析的不足,提出并设计出一种无陷入插装方式性能分析模型。通过替换函数入口处的第一条指令并在转入模块内执行函数第一条指令实现快速无陷入统计方式,对函数执行时信息进行统计。实验表明,在存在大量递归调用和函数调用非常频繁的情况下,使用无陷入方式使性能分析的效率和准确性得到很大提升。     

基于有限状态机的指针解引用静态检测方法

为了产生高质量和高可靠性代码,提出一种指针解引用静态检测方法,该方法给出了指针状态转换的有限状态机定义。通过对源代码进行语义分析,得到指针指向信息,建立指针与内存单元之间的映射关系,并根据有限状态机中的指针状态判断指针解引用是否合法。本方法不仅记录了变量的作用域和指针集,还分析了指针的确定指向和可能指向,并对部分控制块采取延迟写入指向的方法,提高了指针解引用分析的精度,同时还可以检测内存释放异常的问题。实验结果表明该方法能有效检测非法指针解引用和内存释放异常。     

改进CamShift算法的眼动跟踪方法

针对CamShift跟踪算法仅采用颜色特征,在存在颜色相近干扰目标、头部快速运动或者虹膜发生形变等情况易发生眼动跟踪不准确或失败等问题,提出一种基于改进CamShift算法的眼动跟踪方法。在CamShift算法中,计算边缘直方图分布,在颜色特征基础上融合边缘特征,同时通过分析饱和度分量抑制噪声影响,并利用基于边缘特征的自定义方法判断虹膜是否发生形变。当发生形变时,自动更新模板,根据历史运动轨迹预测虹膜中心。实验表明,该方法能有效改善眼动跟踪性能,且定位虹膜精确、错误率低、速度快,预测虹膜中心与实际虹膜中心相差极小,达到了准确性、鲁棒性和实时性的要求。     

卷积神经网络研究综述

近年来,卷积神经网络在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果,其强大的特征学习与分类能力引起了广泛的关注,具有重要的分析与研究价值。首先回顾了卷积神经网络的发展历史,介绍了卷积神经网络的基本结构和运行原理,重点针对网络过拟合、网络结构、迁移学习、原理分析四个方面对卷积神经网络在近期的研究进行了归纳与分析,总结并讨论了基于卷积神经网络的相关应用领域取得的最新研究成果,最后指出了卷积神经网络目前存在的不足以及未来的发展方向。     

室内环境下移动机器人自主充电研究

为满足机器人长期自主工作的电源要求,对室内环境下的机器人自主充电进行了研究．由于里程计定位误差大,不能满足对接要求,提出了远程对接和近程对接方法,远程对接用摄像头协助完成,近程对接用激光传感器完成,并进行了试验验证,证明了该方法的可行性．     

联合多特征的自动CamShift跟踪算法

针对CamShift跟踪算法仅采用颜色作特征,易发生跟踪错误等问题,提出了一种基于特征融合的算法。采用改进的背景差分法自动检测目标,目标模型联合了颜色和梯度方向特征,并对特征的可信度进行加权处理,有效解决了CamShift算法在有颜色相近的干扰目标存在情况下跟踪可能失效的问题。实验表明,该算法提高了跟踪的准确性和稳健性。     

基于栅格地图的机器人覆盖路径规划研究*

研究了基于接触传感器的机器人覆盖问题,提出了基于栅格地图的内螺旋覆盖(ISC)算法.ISC算法通过边界探索获得环境边界地图之后,在线规划覆盖路径,用距离转变的搜索方法保证了完全覆盖,通过设置gate栅格降低了重复覆盖率.通过对三个房间组成的室内环境的覆盖仿真试验验证了该方法的可行性.     

数据结构课程教学改革探讨

数据结构是计算机专业的基础课,同时也是考研的专业课,占据着非常重要的地位。本文针对笔者在数据结构教学过程中所发现的师生精力投入与学习效果不成比例,学生不能用所学知识很好地解决现实问题的现象,在分析原因的基础上,提出一些教学改革措施。     

基于多尺度显著区域特征学习的场景识别

场景识别是图像高层语义信息理解的重点和难点领域。如何寻找场景中有效信息的位置是场景识别领域中非常困难的问题。该文提出了一种基于多尺度显著区域特征学习的场景识别方法。首先,提取一个场景中在多尺度下的显著区域;然后,通过卷积神经网络的迁移学习,利用学习到的特征在多尺度的显著区域内对场景进行识别。基于两个公共场景识别数据库上的实验证明了该方法的有效性和良好的泛化能力。实验结果表明,该方法相对于传统的场景识别方法能取得更好的场景识别准确度。