基于中心距离特征的人体运动序列关键帧提取

运动捕获数据的关键帧是原始运动序列的简洁表示,对于运动压缩、运动检索和运动分割起着重要的作用。提出了一种基于中心距离特征的人体运动捕获数据关键帧提取方法,通过提取四肢到中心点ROOT的距离,得到一组中心距离特征,将特征分为上肢和下肢来分别表示,并提取上下肢的距离模,得到二维的特征向量模;然后采用主成分分析得到一维特征,并提取其局部极值点作为初始关键帧;最后通过对初始关键帧的重新筛选与插入得到最终关键帧序列。实验结果表明,该方法提取的关键帧序列在视觉上能够很好的概括原始运动序列的内容,且具有高压缩率。     

投影子空间下基于骨骼边信息的人体动作识别

近年来,基于骨骼数据的人体动作识别在计算机视觉、人机交互等领域受到了广泛的关注。现有的方法大多关注于在原始的3D坐标空间下对骨骼点进行建模。然而,骨骼点忽略了人体自身的物理链状结构,很难刻画人体运动的局部相关性;此外,由于相机视角的多样性,在原始的基于点的3D空间下难以探索动作在不同视角下的综合表征。鉴于此,提出了一种投影子空间下基于骨骼边信息的动作识别方法。定义了结合人体自身连接的骨骼边信息,用于捕获动作的空间特性;在骨骼边信息的基础上引入了骨骼边运动的方向与大小信息,用于获取动作的时间特性;采用2D投影子空间的方式在不同的子空间视角下进行动作表征;探索了合适的特征融合策略,通过改进的CNN框架对上述特征进行综合提取。在2个具有挑战性的大型数据集NTU-RGB+D 60(评价指标为cross-subject与cross-view)和NTU-RGB+D 120(评价指标为cross-subject与cross-set)上的实验结果表明,相比基准方法,所提方法在4个指标下精度分别提升了3.2%、2.4%、3.1%和5.8%。     

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%。     

基于小波特征匹配的短时人体行为识别

在人体行为识别研究中，特征选取是关键。为了获取充分且稳定的行为特征，往往对超过一个行为周期的长时行为数据进行处理，而小于一个行为周期的短时行为数据特征通常不稳定，难以做到准确稳定识别。提出一种基于小波变换和模板匹配相结合的短时人体行为识别方法。使用小波变换方法提取系数特征，将短时测试样本的特征与模板库中的特征进行匹配，根据相似性对行为动作做出分类识别。实验结果表明，此方法对于短时行为动作具有较为准确和稳定的识别性能，有助于实现对人体行为动作的实时识别。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

航天仿真技术的现状及展望

航天仿真是系统仿真技术与航天工程相结合的产物。本文综述了航天仿真技术的发展历程,介绍了卫星在轨运动的可视交互仿真、多星管理的分布交互仿真、空间飞船任务的虚拟现实仿真等几个方面的最新动向,并提出了关于测发系统仿真、航天仿真的集成与智能化、虚拟现实与遥科学相结合的双回路实验框架等的几点思考。     

基于神经网络的符号化飞行动作识别

飞行动作识别是飞行训练评估和空战智能决策等多项关键技术的基础, 实现飞行动作的快速高效识别具有重大意义。对此, 提出一种基于神经网络符号化模型的方法, 实现对基本飞行动作和复杂飞行动作高效识别。首先, 利用微分分割的思想对飞行参数进行切片处理, 然后通过卷积神经网络(convolutional neural networks, CNN)和长短期记忆(long-short term memory, LSTM)神经网络实现飞行动作的模块化处理, 有效代替了传统方法中对原始数据的逻辑推理。并且该方法可以利用基本飞行动作对飞行过程实现飞行数据分割, 具有良好的扩展性, 能够快速处理批量飞参数据。最后对13种基本飞行动作、两种复杂飞行动作和整段飞行数据进行仿真实验。仿真结果表明, 该方法具有良好的识别性能。     

基于粒子群优化的数据分类算法

设计了一种基于粒子群优化的数据分类算法。新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对数据进行分类识别。基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析。通过对UCI数据集分类实验及遥感图像目标识别实验,验证了新算法是一种有效的分类方法。     

基于神经网络的声场景数据声谱图提取方法

在复杂环境声场景识别任务中, 梅尔频谱作为输入的深度卷积神经网络有良好的识别能力, 然而梅尔滤波器组依据人耳生理特征设计, 对于声场景识别并非最优滤波器组。针对此问题提出声谱图提取神经网络取代传统梅尔频谱提取过程, 通过训练该网络使声谱图自动适应声场景数据集。声谱图提取神经网络连接ResNet50作为声场景识别架构, 在DCASE2019声场景数据集上进行训练与测试, 实验结果表明该架构比传统模型有更高的识别率, 能够有效调整频率曲线、滤波器幅值以及滤波器形状。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

基于增强现实技术的圆明园景观数字重现

提出基于关键帧匹配的增强现实跟踪注册算法,实现圆明园大水法遗址的数字重现。并采用随机树的方法将特征点的匹配问题转化为特征模式分类问题,解决图像间的宽基线特征匹配。基于该算法构建出基于视频透视式头盔显示器的移动增强现实系统。实验验证表明,该方法具有实时、鲁棒,适用于户外跟踪注册。     

融合LSTM和MoE的倒闸操作识别

为解决不同人员相同操作的个体差异以及同一人员不同时间相同操作差异的问题，提出一种基于混合专家系统(mixture of experts，MoE)和长短期记忆神经网络(long short-term memory，LSTM)的倒闸操作识别方法MoE-LSTM。基于MoE对LSTM进行集成，学习不同来源数据的特征分布。采集加速度动作数据构建倒闸操作数据集，基于滑动窗口对动作序列进行切分；将动作序列输入到MoE-LSTM中，由不同LSTM独立学习不同动作的时序依赖；通过门控网络选择对当前输入分类较好的LSTM的输出作为动作识别结果。仿真结果表明：不同LSTM对来自不同时空的动作数据都有擅长分类的特征空间。     

注意力机制下双模态交互融合的目标跟踪网络

针对当前目标跟踪难以适应低光照、运动模糊、目标快速移动等挑战,提出了空间通道注意力下的红外与可见光双模态交互融合跟踪网络.首先,红外图像与可见光图像通过backbone三层卷积提取分层特征,并降维至统一分辨率,之后级联三层特征形成各模态特征.其次,多模态特征通过所设计的空间通道自注意力模块和跨模态交互注意力模块使得模态...     

基于目标机动模式识别的VSMM算法

针对定结构多模型在高机动目标跟踪算法中存在计算量大、计算时间长、难以满足系统实时性等问题,提出了基于目标机动模式识别的变结构多模型算法。该算法能够选取与目标运动状态相匹配的模型集合,具有时变性、自适应性的优点。通过运用少量的运动模型组成一个模型组,然后不同的运动模型组合形成不同的模型组,以模型组代替原先定结构模型中的多模型,根据跟踪检测到的目标运动模式来选择是否更换模型组,从而用少量运算得到较为精确的次优解。仿真结果表明,该算法在跟踪强机动目标中不但能够有效降低计算量,而且可以使模型集合和目标的运动状态更好地匹配,从而提高目标跟踪精度。     

基于改进MHT的卫星电子信息舰船目标跟踪

针对电子侦察卫星的重访时间较长且随机、舰船目标运动模型难于精确建立、数据杂波干扰强、多辐射源扩展目标跟踪等问题,结合卫星得到的辐射源特征参数提出了基于多假设跟踪(multiple hypothesis tracking,MHT)改进的舰船目标跟踪算法。首先分析了卫星电子信息舰船目标跟踪的特点;在没有辐射源类别与个数等先验知识的情况下,利用辐射源位置和载频等信息进行了两次聚类,实现了数据压缩以及杂波抑制;再在MHT的框架上利用目标运动状态信息结合辐射源的载频特征信息实现了多目标多辐射源的边跟踪边参数估计。仿真对比实验结果表明,结合辐射源特征信息的方法具有更好的跟踪性能,具有较高的跟踪精确性与稳健性。     

空天高速飞行器多传感器协同跟踪任务规划研究

针对空天高速飞行器连续稳定跟踪难题,构建了基于多智能体（multi-agent system, MAS）的多传感器协同跟踪任务规划框架,建立了面向空天高速目标协同跟踪的多传感器协同调度优化模型,并提出了基于自适应克隆遗传算法(self-adaptive clonal genetic algorithm, SCGA)的协同跟踪任务规划算法。仿真实验验证了所建立的模型、算法的合理性和优越性,对未来空天高速飞行器探测预警系统的构建具有一定的技术支撑作用。     

利用方向角信息辅助雷达目标跟踪

传统雷达仅能提供目标的方位和距离量测,由于可利用的信息相对较少,跟踪精度很难进一步提高。利用现代雷达的高分辨探测能力,提出了一种基于距离像识别信息辅助目标跟踪的模型,并结合求根不敏卡尔曼滤波技术得到了一种高性能跟踪算法。该算法根据距离像识别结果得到目标方向角的测量,进而通过增加观测量的维数来提高目标的跟踪能力。不同条件下的仿真结果表明,利用方向角信息辅助的跟踪算法收敛速度快,跟踪精度高,且复杂度与传统算法相当。     

一种运动图像标志点识别跟踪方法的研究

提出了一种运动跟踪方法。该方法通过对人体目标图像进行差分消影和遗传恢复 ,能够从自由背景中识别出人体运动图像的标志点 ,可以提高基于普通摄像机的人体运动分析系统对环境的适应性。初步的应用结果表明 ,这种方法对实验环境要求低 ,鲁棒性强 ,识别率高 ,不仅可以用于人体运动分析 ,而且对在其它自由背景下运动目标的自动跟踪也有很大的应用潜力。     

基于优化序列提取的相控阵雷达识别方法

针对相控阵雷达工作模式识别的问题, 提出一种基于优化序列提取的雷达识别方法。首先，对相控阵雷达搜索和跟踪的工作模式进行分析, 建立工作模式序列模型。其次，通过剔除Needleman-Wunsch方法中的多余数据简化运算流程, 提出一种优化的雷达信号公共序列提取算法。然后，通过理论证明了所提算法的高效性, 并给出算法识别效果的评价准则。最后，结合雷达工作模型和所提算法, 对不同跟踪条件下雷达的识别效果进行仿真, 并对比了优化前后的运算时间。仿真结果表明, 所提算法在多种跟踪条件下, 均有较高的效率, 并且能保持91%以上的识别率。     

一种目标兴趣区的快速识别算法

本文给出了一种基于角特征的目标兴趣区的识别算法。通过对二值图象边缘点的向前和向后K步跟踪,可以得到该点两个方向的方向链码,而一个角则由该两个方向链码确定。然后根据已知目标上角分布的先验信息,将目标的主体提取出来。本文给出的算法可并行实现。计算机模拟结果表明,该算法是有效的。