增强现实系统中基于视觉感知的抓取识别

增强现实系统采用单目光学透视式头盔时必然会使虚拟物体呈现在真实物体之前,使用户无法得知应该在何处抓取虚拟物体,并且系统所得到的抓取数据也会受硬件本身、人和环境等因素影响而产生偏差.从人的视觉感知习惯入手,利用机器人学和光线几何理论实现基于视觉感知的碰撞检测;通过分析抓取过程,得出3条抓取知识规则,并将其与模糊理论结合应用于证据推理.实验结果表明,采用文中方法,用户能轻松地实现抓取,整个交互过程相当自然.     

视频透视增强现实系统中的运动模糊研究

针对Radon变换对增强现实运动模糊中短模糊尺度无效的问题,提出一种将Radon变换和Canny边缘检测相结合,并基于视频透视的虚拟物体运动模糊模拟算法。采用Canny边缘检测和Radon变换方法,获得点扩散函数参数和基于GPU实现运动模糊的实时渲染。实验结果证明,该算法在视频透视增强现实系统中,对于长短模糊尺度都能较好地模拟运动模糊效果,从而实现虚实场景的无缝融合。     

基于Linux的远程机器人控制系统研究

本文对远程机器人控制系统的体系结构和最新进展进行了论述,提出了一种新的远 程机器人控制系统的软件体系结构．文中就远程机器人的基本原理及远程机器人的状态监控 技术进行了详细的叙述,并详细说明了与这种系统相关的重要技术问题,最后给出了一个基 于Linux操作系统的远程机器人控制程序的具体实现例子．     

HERO型移动机器人控制器的研制和开发

本文介绍了以高档PC、PLC和无线通信作为控制器核心的HERO型移动机器人控制器的 研究开发技术．给出了移动机器人控制器硬件系统结构和控制器软件体系结构,分析介绍了 控制软件系统中的各功能模块的作用与特点,着重介绍了软件中采用的关键技术．已投入使 用的机器人的良好性能证明了其控制器技术方案的合理性．     

一种快速嘴部检测方法在视听语音识别的应用

在改进噪音环境下的语音识别率中,来自于说话人嘴部的可视化语音信息有着显著的作用.介绍了在视听语音识别(AVSR)中的重要组成部分之一:可视化信息的前端设计;描述了一种用于快速处理图像并能达到较高识别率的人脸嘴部检测的机器学习方法,此方法引入了旋转Harr-like特征在积分图像中的应用,在基于AdaBoost学习算法上通过使用单值分类作为基础特征分类器,以级联的方式合并强分类器,最后划分检测区域用于嘴部定位.将上述方法应用于AVSR系统中,基本上达到了对人脸嘴部实时准确的检测效果.     

面向对象的机器人仿真与监控系统

通过对机器人的几何建模和运动学建模进行了研究,论述了使用VC6．0语言作为开发平台,以OpenGL三维显示技术完成三维可视化,以VRML作为外部机器人模型表示,实现运行时可交互的机器人三维实时图形仿真系统的开发技术与方法。系统通过网络与机器人控制器进行通信,实时接收机器人控制器发来的状态数据,将它们动态地以三维模拟方式显示,用户能够动态地监视机器人的运动状态,在必要时对机器人的动作进行控制,为其它机器人的研究提供通用的仿真与模拟平台。     

CO2激光诱变滇糯稻诱变剂量的筛选及其效应研究

我们在进行了连续两年激光诱变滇“三角大香糯”水稻育种的研究基础上,采用CO2激光诱变剂量筛选,田间栽种试验的方法进行探索,其样品发生明显的正向变异,表明水稻种子对激光的吸收阈值确实存在。     

基于SIP协议的IP电话服务器的设计与实现

SIP协议作为VoIP的应用层控制协议已经变得十分重要。该文提出了一种以功能插件形式实现基于SIP协议的IP电话服务器方法，介绍了SIP协议及SIP服务器组件，设计并实现了IP电话服务器的系统结构，说明了实现插件功能的细节。     

基于无空洞填补的DIBR方法

针对传统DIBR空洞填补技术计算时间复杂度高的问题,提出一种无空洞填补的DIBR方法。核心思想是针对导致空洞产生的传统三维变换算法进行改进以获得更好效果。该方法首先采用深度膨胀算法对深度预处理,然后基于动态逆向插值算法的3D-WARPING直接生成虚拟视点图像,从而省去了空洞填补时间消耗。实验证明,相比传统DIBR方法,该方法重构的虚拟视点图像主观视觉质量更高;同时计算速度达到高清实时处理要求。     

基于卷积神经网络的结构化非平衡数据分类算法

卷积神经网络具有高效的特征提取能力和较少的参数量,被广泛应用于图像处理、目标跟踪、自然语言等领域。针对传统分类模型对于结构化非平衡数据分类效果较差的问题,提出一种基于卷积神经网络的二分类结构化非平衡数据分类算法。设计结构化数据处理算法Data-Shuffle,将原始非平衡一维结构化数据转换为三维数组形式的多通道非平衡数据,为卷积神经网络提供更多的特征值,通过改进的VGG网络构建适合非平衡数据的网络结构卷积组,以提取不同的特征。在此基础上,提出更新权重加权采样算法UWSCNN,在每个迭代次数之后,根据模型的训练结果对易错样本进行重新加权,以优化训练结果。在adult、shoppers和diabetes数据集上的实验结果表明,相比逻辑回归、随机森林等传统机器学习模型,所提的Data-Shuffle算法的F1值提升了1%~19%,G-mean提升了2%~24%,相比SMOTECNN、BSMOTECNN、SMOTECNN+CS等采样算法,所提的UWSCNN算法对非平衡数据的分类效果提升了1%~13%,有效提高模型对非平衡数据的分类性能。