基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

基于规则分组的DFA正则表达式匹配算法

模式匹配因误报率低和漏报率低被入侵检测所采用.在使用正则表达式构造DFA时,因状态爆炸导致匹配算法需要较多的存储空间和运行时间,算法效率低下,采用规则分组后,可以在一定程度上抑制状态爆炸问题.根据缓存中的历史记录对正则表达式进行分组,既能利用规则分组减少状态总数,抑制状态爆炸,又能减少因每次重新构建DFA所带来的开销,提高了匹配效率,有利于提高入侵检测的实时性、准确性和高效性.     

基于改进K-means算法的工件表面缺陷分割算法研究

工件表面缺陷的存在影响工件产品的质量以及工件的安全使用,传统的工件表面缺陷检测由人工完成,工作量大且易受到检测人员主观因素的影响,很难保证检测的效率与精度.本文提出了一种基于改进的K-means算法的工件表面缺陷分割算法,将自适应人类学习优化算法应用到K-means聚类算法中,使自适应人类学习优化算法初始化K-means聚类算法的聚类中心,最后将改进的K-means聚类算法结合形态学进行工件表面缺陷的检测.实验表明,该算法能够较理想的分割出工件表面的缺陷,具有分割精度高、实用价值较好的特性.     

自适应跌倒前实时检测方法

为了能利用单一传感器在跌倒撞击前实时检测出跌倒即将发生,结合支持向量机(SVM)和阈值法设计了一种自适应跌倒前实时检测方法.实验结果表明,该方法能在跌倒撞击前实时检测出跌倒即将发生,且比人工阈值法和SVM方法有更长的间隔时间,比SVM方法有更高的召回率和特异度.     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题，提出一种基于经验模态分解(empirical mode decomposition, EMD)能量占比的海面漂浮小目标特征检测方法。首先，采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function, IMF)分量，实现对接收回波的频率从高频到低频的分解。然后，分别建立IMF分量与接收回波数据的相关系数，并利用平均均值-标准差之比作为筛选IMF分量的准则，自动筛选出能量较大且波动平稳的低阶IMF分量。最后，提取IMF分量在原始信号中的平均能量占比作为特征，利用蒙特卡罗方法设置门限，进行海面目标异常检测。实测数据的结果显示，所提算法的性能优于对比算法。     

基于比特负载的非线性虚拟光网络映射机制的研究

光网络虚拟化技术的发展促进了在不同用户和应用程序之间的光纤网络物理基础设施共享。然而,光纤传输链路的非线性损伤对于系统的频谱效率、网络利用率等性能有一定影响。本文首先介绍了一种集成式虚拟网络映射机制,描述了该机制的实现原理。接着,在考虑了光纤传输非线性损伤的情况下,设计了一种基于OFDM比特负载的虚拟光网络嵌入算法(BL-VONE),并将其与基于单一调制机制的虚拟光网络嵌入算法(UM-VONE)进行比较。仿真结果表明提出的算法相较于基于单一调制机制的算法,可以提高约9%的频谱利用率和约9%的传输效率。     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。     

基于GBDT和HOG特征的人脸关键点定位

人脸关键点检测是计算机视觉领域的一个重要分支,其检测精度将在很大程度上影响人脸识别和表情分析的结果.提出一种新的解决人脸关键点检测问题的方法,即H-GBDT.H-GBDT是一种基于GBDT决策树和HOG特征的人脸关键点检测算法,该算法是将人脸图像的HOG特征作为GBDT的输入,关键点的真实坐标作为GBDT的输出来训练预测模型,在该过程中每个关键点将分纵坐标和横坐标两次在GBDT中做回归运算,并经过不断的调整GBDT和HOG特征的参数来训练出最佳预测模型.在BioID、LFW、LFPW三种数据集上验证H-GBDT算法的性能.BioID是正脸数据集,实验结果表明H-GDBT在该数据集上的检测效果最佳,其检测误差基本上可控制在2%以内;而LFW和LFPW是自然场景下的数据集,H-GBDT在这两种数据集上的检测误差一般在2%~4%之间.