被动行走周期性步态不动点搜索的新算法

为解决机器人被动行走研究中不动点搜索的时间和结果都依赖于初始值的问题,该文研究了形成周期性步态的充要条件,得到不动点处状态变量之间的约束关系,从而将搜索空间从二维降低为一维,并提出了一维空间中不动点搜索的新算法。该算法能在固定的搜索时间内一次性找到所有稳定和不稳定的周期性步态的不动点,而不需要进行初始值的选择。该文通过数值仿真验证了新算法的有效性。     

被动行走周期性步态不动点搜索的新算法

为解决机器人被动行走研究中不动点搜索的时间和结果都依赖于初始值的问题,该文研究了形成周期性步态的充要条件,得到不动点处状态变量之间的约束关系,从而将搜索空间从二维降低为一维,并提出了一维空间中不动点搜索的新算法。该算法能在固定的搜索时间内一次性找到所有稳定和不稳定的周期性步态的不动点,而不需要进行初始值的选择。该文通过数值仿真验证了新算法的有效性。     

三维惯性传感参数表征下的行人混合步态分类

在行人步态分类研究领域中,传统的基于微机电系统(micro-electro-mechanical system,MEMS)惯性传感器技术的步态分类方法侧重于对行人单一步态模式进行区分,忽略了两个单一步态模式之间的过渡步态模式,从而降低了行人行走过程中走、跑、停等混合步态的分类精度,还会在时间上造成缺失,进而造成行人航迹推算产生不可估量的定位误差.从人体运动学角度出发分析了行人步态特点,同时利用9轴MEMS惯性传感器采集了行人步态原始数据并对其进行剖析,设定了人体三维惯性传感参数,以供后续分类算法使用.为了进一步提高整体混合步态的分类精度,针对朴素贝叶斯算法对相反过渡步态模式区分精度不高的问题,在其基础上通过加窗判断前后两个步态的连续性,完成了行人混合步态的最终分类.验证结果表明,和传统的样本熵与小波能量相结合方法相比,提出的三维惯性传感参数表征下的行人混合步态分类方法,不仅能区分出行人混合步态中的多种单一步态模式和多种过渡步态模式,同时整体分类精度提高了14.46%,从而有效证明了该方法在行人步态分类领域具有良好的理论价值和应用价值.     

基于稀疏表示分类行人检测的二级检测算法

利用快速特征金字塔的方法进行行人检测,在检测的结果中存在许多误检的窗口,降低了检测行人的精确度。为了减少误检窗口数,本文提出了一种两级级联的行人检测方法:在快速特征金字塔检测结果的基础上,利用稀疏表示分类的方法进一步地减少误检窗口的数量。在训练阶段,分别对正负样本提取改进的HOG和改进的HOG+LBP特征,建立过完备字典;在检测阶段使用带有局部区域权重的稀疏表示求解稀疏系数,分别求取正负样本稀疏系数之和,以它们的比例作为误检窗口的判别依据。实验结果表明,加入二级检测器大大减少了误检窗口的数目,降低了对数平均漏检率,提高了检测的平均精确度,在检测时间上基本满足了实时检测的要求。     

基于CLSTM的步态分类方法

步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法:采用卷积神经网络(CNN)操作,通过计算多轴步态数据提取步态特征;基于长短期记忆(LSTM)构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。     

基于峰度系数方差的加权自适应引导滤波

针对传统局部窗口方差提取有噪图像边缘困难的问题,本文介绍了峰度系数方差准确感知有噪图像边缘,并基于此提出一种加权自适应引导滤波器.自适应调节引导滤波中固定正则化系数,解决边缘模糊、边缘光晕的问题;基于像素的多邻域窗口边缘权重,实现聚合加权滤波,进一步抑制边缘模糊.实验结果表明:本文方法在不同噪声级别下,PSNR、SSIM均值提升率分别大于65%、78%;滤波结果图像在噪声平滑和边缘保持两方面均有更好性能.      

基于被动行走原理的双足机器人步态规划

为解决四连杆双足机器人的平面步态规划问题, 提出基于被动行走的平面步态规划。基于3毅向下坡面完全被动行走的动力学方程, 利用角度不变控制方法施加控制力矩, 得到机器人在水平面上的动力学模型。结合常数时间放缩方法对平面参考轨迹进行时间放缩, 得到机器人在水平面上步幅不变, 周期可变的行走步态。通过Matlab 软件数值仿真结果表明, 该研究方法是可行、有效的。     

用于步态识别的行人轮廓提取

采用针对静态背景下的基于Surendra背景更新算法的背景减除法对运动人体进行检测.为视频场景建立自适应的背景模型,通过原始图像和背景模型差分获得前景图像,再对检测出来的图像进行了二值化、数学形态学分析、连通分析、尺度归一等一系列图像预处理工作,为跟踪与识别奠定了基础.重点讨论了二值化自适应阈值选择的多种方法,总结出Kapur熵阈值选取法的优越性.     

基于线性插值的步态识别算法

为避免识别时的动态时间规整的复杂过程,提出一种基于线性插值的步态识别算法,利用线性插值法,将一个步态序列图像的特征表示为一个单独的矩阵.采用基于线性插值的FanBeam映射结合一般矩阵低秩估计的特征提取方法,为了验证步态特征提取的有效性,采用最近邻分类器在CASIA(B)库上实验,识别率可达88.71%.     

基于数学形态学的细化算法

对二值图像处理中细化的算法进行了研究,介绍了基于形态学的细化算法,同时,对数学形态学的相关理论做了介绍。并利用该算法对地图图像进行了细化处理,取得了良好的实验效果。通过实验研究可以看出,该算法设计灵活,便于实现,具有一定的实用性。     

基于非负矩阵分解最小二乘的多视角行人分类算法

针对不同视角的行人样本具有较大的类内差异性,造成多视角行人识别错误率较高的问题,提出一种基于非负矩阵分解最小二乘的多视角行人分类算法.采用非负矩阵分解的方法对多视角的行人样本图像进行子空间分解,提取基向量;引入协同表示的方法并在最小二乘约束下,对子空间进行稀疏表示获得稀疏分解系数;利用近邻子空间方法对分解系数进行分类.基于自行构建的多视角行人数据库进行对比实验,结果表明该算法的准确性和有效性优于其他方法.     

基于时—频分析的步态模式自动分类

针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题,提出了一种基于时--频分析的步态模式自动分类方案.利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号,利用五阶Daubechies小波基对其进行特征提取,并采用线性判别式分析进行降维,最后利用决策树和支持向量机对得到的精简步态特征进行模式分类.实验结果显示两种分类器的总体分类准确率均达到90%以上,个别步态分类可达到100%,验证了特征提取和降维方法的合理性和有效性.     

基于过程神经网络的步态模式自动分类

为克服步态辨识中特征向量法存在的步态特征难于提取、计算量大和算法复杂等局限,提出一种基于过程神经网络的步态模式自动分类综合方案.为感知人体步态,在测试者下肢安装加速度传感器来采集步行过程中的时序运动学信息.采用巴特沃斯滤波处理并将其拟合为时变函数直接输入到过程神经网络,利用其对任意连续泛函的逼近能力来实现对不同步态模式...     

基于小波系数相关性的MRI图像像素点分类处理算法

由于图像软组织的对比度和信噪比均较低的原因,传统的二进小波算法在进行磁共振图像的增强处理时效果不明显.文章首先在分析小波变换对噪声影响规律的基础上,结合磁共振图像(MRI)特点,对二进小波变换中各尺度上小波系数间的相关性进行分析和归类.其次,文章通过改进的小波系数相关性置信度方法,将MRI图像的像素点分为信号点、噪声点和性质未定点,并采用不同的增强函数对信号点和噪声点进行有效处理.最后,文章提出了一个基于三阶分段函数的性质未定点处理算法.实验表明,文章中所采取的方法能较好地实现像素点的分类,抑制其中的噪声点,有效地增强目标像素点.     

基于Trace变换的步态识别算法

提出了基于Hu矩的步态周期检测算法,该算法具有尺度、平移不变性,在预处理的标准中心化之前进行,缩短了步态识别前期处理工作的时间,为实时的步态识别提供可能。在分析步态的投影特征具有身份判别的能力之后,进而引出并说明使用Trace变换特征对步态表达的想法是合理的。提出基于Trace变换的步态识别算法,详细地讨论了三种Trace变换的泛函形式,在CASIA(B)步态库上进行验证实验,最佳识别率可达84.14%。这种方法避免了动态时间规整以及线性时间归一等算法的复杂的调整过程。     

基于行人计数算法的改进研究

视频监控中的行人计数是人体目标检测的重要应用,针对该应用对实时性的要求,本文提出了将混合高斯背景模型和HOG(Histograms of Oriented Gradients)特征结合的方法,该方法首先通过混合高斯背景方法检测出视频中的运动前景,再用HOG SVM对提取的感兴趣区域内的行人进行计数,大大降低了计算量,提高了HOG算法的实时性,经试验证明,改进的算法可以将行人计数的准确度提高到95%左右。     

正常青年人行走步态的实验研究

以VICON步态分析系统对5名年龄身高体重均相近的正常青年人的常速行走步态进行了实验研究.得到了青年人常速行走步态的基本参数,给出了关节角度的统计曲线,并对单支撑期内各关节角度进行了分析.比较了左右两侧关节角度的差异.结果表明,正常行走左右两侧关节角度存在着差异,以左右侧关节角度差异度结合时相对称性指标可以更合理地评价步态的对称性.单支撑期内关节角度范围为假肢设计及正常人步态的模拟提供了参考.     

基于改进RetinaNet的行人检测算法

为提高实际应用场景中行人的检测精度,提出使用高分辨率特征提取网络HRNet（High-Resolution Representation Network）并引入Guided Anchoring机制对RetinaNet算法进行改进,维持了特征图在特征提取过程中的高分辨率信息,同时使网络中的锚框自适应生成,提高了算法的检测精度。结果表明：该改进算法在Caltech行人数据集上取得了0.905的平均精度均值（mean average precision,简称mAP）,相比于标准的RetinaNet算法提高了6.0%,在每帧图像尺寸为1280×720像素的视频上检测速度达到了19FPS（每秒检测帧数） ,达到了检测精度与检测速度的均衡。     

基于BING-casDPM的快速行人检测算法

行人检测是计算机视觉技术中一个热门的研究热点,在汽车辅助驾驶和视频监控等方面具有重要作用.由于传统的可变形部件模型(deformable part model, DPM)采用滑动窗口检测方式,在背景区域花费大量检测时间会导致检测速度降低,因此提出了一种基于BING-casDPM的快速行人检测算法.首先基于二进制化梯度范数特征(binarized normed gradient, BING)训练一个二级支持向量机(support vector machine, SVM)分类器,通过该分类器快速标定出所测图像中包含各类物体的候选区域;然后根据候选区域窗口的特点进一步提取待检测框;最后将待检测框作为输入,使用级联DPM(cascade DPM, casDPM)模型进行精确检测,并将结果返回至原图.实验结果表明,该算法在基本不降低检测率的情况下,其检测速度比经典DPM模型检测速度提高了约16倍,比casDPM模型提高了约40%.