基于多分类器融合的多姿态人脸检测方法

针对复杂背景的彩色图像中复杂姿态人脸的检测问题提出了一种基于多分类器融合的人脸检测方法.首先使用AdaBoost层叠式算法分别训练正面人脸分类器和侧面人脸分类器,将正面人脸检测结果和侧面人脸检测结果相融合得出可能包含人脸的候选区域,然后使用YCbCr空间的肤色统计模型在这些候选区域中进一步验证人脸.该算法既利用了不同姿态人脸分类器的信息融合,又利用了人脸灰度纹理特征和人脸肤色信息的融合,对人脸姿态和图像背景有较强的鲁棒性,而且处理速度很快.实验结果表明,方法可以有效提高对复杂姿态人脸的检测概率,并显著降低虚警检测概率.     

基于疲劳孕育过程的闭环驾驶系统特性研究

为了揭示驾驶动作、车辆行驶状态与驾驶员疲劳孕育过程之间的联系,为驾驶员疲劳早期预警提供理论依据,构建了一套涵盖驾驶员疲劳孕育过程的驾驶员模型。采用预瞄—跟随理论推导出预瞄神经网络权值的解析表达,得出神经网络权值仅与车辆本身的动力学参数有关而与驾驶路径无关的结论。利用人体疲劳特征符合Sigmoid函数的高低增益区的数学特性推导出了驾驶员神经反应时间、动作反应时间与疲劳度之间的定量关系。以双移线、垂直弯道两种路况为例,对疲劳孕育过程中驾驶员操作动作及车辆行驶状态变化进行仿真,结果显示与已有的试验研究结论相符,从而证明提出模型的正确性。     

驾驶员状态模型研究

驾驶行为研究对新型车辆研发和提高交通系统智能性、安全性具有重要意义,建模与仿真技术是驾驶行为研究的主要方法。为提高驾驶行为建模与仿真的可信度,根据认知科学的研究成果,提出了基于驾驶员状态的驾驶行为模型。选择的驾驶员状态变量包括:视觉特性、注意力、疲劳程度、决策效率、风险态度和操纵时延。在驾驶行为机制的基础上,分析了影响驾驶员状态的外部环境和内部因素。根据已有的驾驶模拟器操纵数据和驾驶员生理心理数据,使用BP神经网络标定驾驶员状态模型中的参数,建立了驾驶员状态模型。通过仿真实验,验证了驾驶员状态模型的可信性,使驾驶行为模型的输出更加真实。     

面向特征因果分析的CFW-Boost企业财务风险预警模型

当前多数模型一般以单类特征进行财务预警，缺乏多类特征为背景的预警分析，模型的预警准确率及鲁棒性也有待进一步提高。以财务指标及非财务指标构建多类财务特征的前提下，結合特征因果关系集成多棵CART树构建得到CFW-Boost，并利用其他预警模型，对比训练并实证分析CFW-Boost的表现，发现：CFW-Boost对比其他模型，准确率更高、预警表现更稳定；CFW-Boost模型通过特征因果分析降低特征维度，能够很好地避免特征冗余造成对模型鲁棒性的影响；CFW-Boost最优维度的数值最大，表示CFW-Boost相比于其他模型，在高维特征中优异性更强。本文提出的CFW-Boost经实证符合市场规律，可为企业及市场监督部门提供有益参考。     

基于深浅层特征融合的舰船要害关键点检测算法

导引头对舰船要害部位的精确检测能力是精确制导武器的核心技术之一。针对导引头对舰船要害部位检测精度低、模型参数冗余、相对运动导致舰船图像尺度、角度变化剧烈等问题, 提出了基于深浅层特征融合的舰船要害关键点检测算法。首先，采用多尺度特征融合模块融合不同感受野的有效信息; 其次，利用SoftPool池化改善下采样导致的信息损失, 利于区分相似关键点; 然后，引入深度可分离卷积降低参数冗余, 结合轻量化注意力机制增强有效特征表达; 最后，利用在线难例挖掘改善样本不均衡, 提升收敛效果。改进后的舰船要害关键点检测算法准确率提升4.4%, 算法兼具检测精度与速度优势, 鲁棒性较好。     

三维人脸建模中面部特征轮廓线的提取

提出一种基于彩色Snake模型和人脸先验知识的面部特征轮廓线提取算法，并将其用于真实意的三维人脸建模。根据肤色和灰度信息，在图像分割的基础上，利用种子填充技术获得面部各非肤色特征的轮廓初值；然后采用一种改进的彩色Snake模型对轮廓初值进行精确定位；接着，根据人脸的先验知识，利用含有方向信息的形态学边缘检测算子通过一次逐点考察完成下颚轮廓线的提取。实验结果表明该算法在轮廓线的搜索效率和定位精度上都有良好表现，在真实感的三维人脸建模以及面部识别等领域具有广泛的应用。     

全角度姿态角解算方法研究与仿真

针对传统四元数法在求解捷联惯性导航姿态角受限的问题,提出了一种基于欧拉角在转动过程中的变化特性的新的计算方法.该方法利用四元数到欧拉角转换的特点,并结合三轴姿态角在不同区间的变化特点,进而作出准确的区间转移的判断,最后实现全角度范围变化条件下姿态角的转换计算.仿真结果表明,该方法可以很好的应用于大机动飞行条件下.     

特殊情况下的驾驶员操纵模型与仿真

针对特殊情况下由于驾驶员惯性感觉感受到加速度信息的特性,根据分步操纵模型对关键参数滞后时间进行研究,考虑随机特性,通过仿真产生滞后时间样本.对特殊情况下运动姿态发生剧变时,驾驶员行为特性进行分析,建立了特殊情况下的驾驶员操纵模型.采用机理分析与试验规律相结合的方法,根据驾驶员在加速度影响下的动作特征,通过数学建模方法对滞后时间进行研究,并考虑随机性建立了服从对数分布规律的概率模型.通过仿真产生滞后时间随机样本,比较发现产生的样本满足试验得到的规律.     

基于OpenGL的目标序列影像姿态仿真方法研究

详细探讨了OpenGL模拟成像特点,结合光电测量系统性能虚拟测试的需求,提出了一种基于序列影像的飞行目标姿态仿真方法,建立了运动特征仿真模型及解算方法,实现了目标运动轨迹与姿态变化的独立模拟,仿真出丰富多样的姿态变化特征。利用双站姿态交会测量算法对模拟影像姿态精度进行了检测,验证了仿真结果的可行性。该方法已有效应用于光电测量系统目标姿态提取算法性能的仿真测试。     

超小型旋翼机系统的输出跟踪控制器设计

针对复杂的超小型旋翼机系统，利用牛顿-欧拉方法建立了其系统动力学模型，包括了希勒翼的动力学；为了简化控制器设计，利用奇异扰动理论，把复杂的动力学模型降阶为两个子系统，即平移动力学和姿态动力学；采用非线性逆动力学设计了输出跟踪控制器。仿真结果表明该控制器能够跟踪理想的运动轨迹，并能达到稳定的内部姿态和有界的控制输入。     

基于级联神经网络疲劳驾驶检测系统设计

算法通过调整输入图片的大小、扩大最小人脸尺寸以及减小检测窗口层间放缩比例等方式,在保证准确率的同时极大的提升了人脸检测速率,其检测效率为原始MTCNN (multitask casaded convolutional networks)的18倍;构建新的卷积神经网络结构模型检测眼、嘴,网络检测的准确率可以达到95.6％...     

基于Poincare截面的微弱信号定量检测与幅值参数提取

为解决微弱信号定量检测问题,提出并建立了基于Poincare截面的检测统计量,并以此设计了利用Duffing振子进行微弱信号定量检测及幅值参数提取的有效实现方法。通过分析Duffing振子的Poincare截面特性,发现系统输出关于幅值的分岔特性能够清晰判定系统不同状态,由此对Poincare截面的分布点进行方差统计,构建检测统计量与检测判定区间,实现对微弱信号的定量检测。仿真实验发现，该定量检测方法的噪声鲁棒性优于传统时域特征检测方法,进一步设计了循环检测系统用以提取待测信号幅值参数并实现对未知频率信号的检测，为基于Duffing振子的微弱信号检测提供了定量检测途径与参考。     

人脸识别:一种基于特征融合及神经网络的方法

基于特征融合和神经网络构建了一个完整的人脸识别系统。首先使用广义K-L变换对人脸的自组织特征和形状特征进行融合；然后使用UDT(Uncorrelated Discriminant Transfom)对融合后的特征进行变换，以获得最优鉴别矢量；最后使用多层感知器作为分类器。仿真结果证明了该方法的有效性。     

一种改进的Gabor滤波器特征抽取算法及其应用

特征抽取是模式识别中的一个关键问题。丈中提出一种改进的基于Gabor滤波器的特征抽取算法。该算法应用Gabor滤波器的多尺度特性与样本图像进行卷积，将得到的Gabor特征矢量，根据其邻近分量的离散程度进行加权处理。与传统方法相比，该算法可以有效增强离散程度相对较小的特征分量在分类中的作用，分类效果较好；同时充分利用样本图像的统计信息，具有一定的鲁棒性。将该算法应用于车辆检测系统中，数据表明其能有效降低车辆检测的错误率，增强系统的鲁棒性。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后，通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后，对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验，结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

基于多尺度光流融合特征点视觉-惯性SLAM方法

为提高视觉-惯性导航系统在弱纹理环境下的鲁棒性和精度, 结合特征点法精度高和光流法速度快的特点以及惯性信息, 提出一种多尺度均匀化光流融合特征点法的视觉-惯性同时定位与地图(simultaneous localization and mapping, SLAM)构建方法。首先, 改进快速特征点提取和描述(oriented fast and rotated brief, ORB)特征提取过程, 采用多尺度网格化的方法提取ORB特征点并利用四叉树均匀分配特征点, 提高特征分布离散性。其次, 在帧间采用LK(Lucas and Kanade)光流法追踪特征点进行帧间的数据关联, 在关键帧对特征点进行描述子的计算和匹配从而实现关键帧间的数据关联, 保证算法速度的同时提高定位精度和鲁棒性。最后, 基于光流法建立的数据关联得到的初始位姿为后端优化提供初始值, 整合ORB特征点重投影误差、惯性测量单元(inertial measurement unit, IMU)预积分误差以及滑动窗口先验误差构建最小化目标函数采用滑动窗口非线性优化进行求解。实验表明, 所提方法相比单目视觉惯性系统具有更高的定位精度和鲁棒性, 定位精度平均提升16.7%。     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...     

基于中心点和语义信息的多方向遥感舰船检测

在高分辨率遥感影像解译中, 舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题, 本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information, RSI-CenterNet)的多方向遥感舰船目标检测方法。首先, 基于关键点检测网络, 在检测阶段添加目标角度回归分支, 以预测目标方向; 其次, 添加语义分割分支, 并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息; 最后, 引入注意力模块, 以强化目标显著区域与通道的特征, 提升检测精度。实验结果表明, 与其他多种先进方法相比, 本文方法具有更高的检测精度与检测速度, 在高分辨率船舶数据集(High Resolution Ship Collections 2016, HRSC2016)上的平均精度达到88.31%, 检测速度达到17.8 FPS。     

快速自适应鲁棒性尺度不变的特征检测子

为提高特征检测的可靠性与实时性,提出了一种快速自适应鲁棒性尺度不变的特征检测子(fast adaptiverobust invariant scalable feature detector, FARISFD)。首先提出尺度空间组数自适应选取方法改善了检测子针对不同图像的鲁棒性,然后提出基于过渡层的尺度空间构建方法加强了尺度空间的鲁棒性,最后利用基于加速段的特征检测子(features from accelerated segment test, FAST)计算特征分数,并通过简化传统亚像素级矫正方法,提高了特征分数的计算与亚像素级矫正速度。通过复现率与耗时实验进行了验证,与5种使用广泛的检测子对比结果表明,FARISFD的鲁棒性与速度较高。