蠕动式步行机器人研究

提出了一种可在复杂地面环境下行走的需蠕动式步行机器人本体结构。该结构采用一种地面被动态适应技术，使得腿部可根据地面情况自动调整伸缩长度，以获得较为稳定的支撑。机器人依靠本体变形及被动适应地面的方法产生步行，在很大程度上简化了步行过程中复杂的动作协调控制问题。根据机器人的结构特点，给出了两种步态规划方式。仿真试验表明，该机器人控制简单，运动灵活，具有较广的应用前景。     

两种新的光照方向估计方法

光照方向估计是计算机视视的重要研究内容，提出了两种新的光照方向估计方法：改进的Pentland方法和加权平均法，前者修正了Pentland方法在数学上的缺陷，利用了图像中不同区域对光照方向估计的贡献，其性能比原方法有较大改进，后者利用图像中奇点的作用，并且考虑了图像中不同地形区域的特点，是一种稳定精确的光照估计方法，通过实验证明了它们的有效性。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于图像匹配品质评价的航迹规划

为评价基准图上各区域图像匹配品质的优劣，提出了一组适配性度量指标参数（尖锐性、唯一性和抗噪声性），以描述基准图上每点的适配性能，在此基础上，探讨了航迹规划算法，包括：区域提取、获取结点、搜索最佳结点以及曲线拟合4个方面，研究结果表明，将区域作为结点进行A搜索，可克服盲目性，保证全局上的最优或次优。     

景象匹配中的快速畸变校正算法

景象匹配在精确制导中具有非常重要的地位,快速实现不同环境下图像畸变校正是其中的一个棘手问题.在常用的方法中,基于区域灰度平均的算法使图像模糊,而基于样条插值的算法计算耗时.提出了基于欧几里德距离的畸变校正方法,该算法不仅满足实时性的要求,而且具有保持图像细节的良好特性.利用傅里叶相关技术对姿态校正后的实时图与基准图进行匹配,整个过程大约耗时0.3s.     

光寻址空间光调制器前置滤波

分析了光寻址空间光调制器对加续图像采样和能量量化所产生的噪声和假频，判别出产生噪声主要高斯噪声，借助电子学中A／D转换前置滤波概念，提出了一种光学前置滤波的方法，即在傅立叶变换透镜前加入矩形窗函数用于作假频和抑制噪声，将比函数入系统的设计中，既没有使系统结构复杂，同时又使此系统具有滤波，抑制噪声和提高信噪比的功能。     

基于K近邻局部结构的截断二次谱匹配算法

针对存在大量非对应点的点模式匹配问题,提出了一种基于K-近邻局部结构的截断二次谱匹配算法。该算法首先对点模式利用截断模式谱方法匹配得到初步匹配结果。再以匹配点对为参考点构造K-近邻局部结构,对局部结构利用谱方法进行二次匹配来寻找剩下的匹配点。两次匹配的点对合并得到最终的匹配结果。仿真结果表明该方法在不同条件下都具有较好的性能。     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。