弱磁场激励下基于阵列磁传感器的缺陷检测方法

研究在弱磁场激励条件下,铁磁性材料试件16MnR在动载荷拉伸实验中的损伤检测问题。 基于巨磁阻芯片设计了新型阵列磁传感器,搭建了铁磁构件磁信号检测系统;对不同载荷循环阶段的试件表面磁信号进行了拾取,并利用小波变换有效地抑制了噪声干扰。 最后,对降噪后的磁信号进行C扫描成像,实现了弱磁场激励下试件损伤发展过程的磁信号成像显示。 该结果可为铁磁性试件疲劳损伤的在位检测提供一种新型检测方法。      

基于增量部署的无线传感器网络目标跟踪方法研究

目的基于无线传感器网络(wireless sensor network,WSN)进行运动目标定位和跟踪问题研究。方法利用双曲线交汇法建立无线传感器网络目标定位的数学模型,并在此基础之上提出一种基于增量部署的方法对运动目标进行定位和跟踪。结果与结论仿真结果显示该方法能够有效地对目标进行跟踪定位。此外,通过仿真发现了基于此方法的无线传感器网络所需的传感器数量与目标的运动状态、传感器节点的投放距离以及角度等之间的关系。     

基于巨磁阻元件的涡流／磁一体化阵列传感器

根据涡流、漏磁以及磁记忆检测的特点,基于巨磁阻元件开发了涡流／磁一体化阵列传感器,将电磁无损检测中动态、静态电磁场的测量统一起来,按照检测要求进行常规涡流、脉冲涡流、任意波激励涡流、漏磁以及磁记忆等检测方式。通过分组引线降低了传感器的布线难度,具有较高的扫描检测速度衍4用串行通信将传感器中存储于Flash芯片内的各项参数传输到主机,进行各种补偿和设置,提高传感器的性能。该传感器具有应用范围宽、测量范围大、体积小、稳定性好以及空间分辨率高等特点。     

基于多传感器的多分辨机动目标跟踪

用小波变换和多分辨分析的思想建立了一个基于多传感器观测的机动目标跟踪新算法。     

基于超声波传感器阵列的车辆周围目标物识别

为了对车辆环境信息进行探测与识别,提高道路交通安全,该文研究了利用超声波传感器阵列识别车辆环境目标类型的方法:以分类器为核心,搭载目标物区分算法,实现对目标物的实时探测与区分。首先根据车辆周围环境信息提取了具有一定形状特征的典型目标物,分别为平板、圆柱和角形3种类型,以支持向量机(support vector machine,SVM)为分类器建立分类模型,根据目标物形状不同构造与优选分类特征指标集;依托分类结果建立目标物的类型区分算法,得到每一时刻各类目标物的概率值。仿真结果表明:分类模型的分类准确率达到91.5%;同时该方法对各种类型的目标物进行区分时,均达到较好的识别效果。在实际道路试验中,采集了汽车、行人和自行车3类目标物,采用该方法达到了良好的识别效果,具有可行性。     

基于VITAL的无人机目标跟踪方法

针对无人机飞行环境复杂及现有跟踪算法在精确性和实时性上略微不足的问题,提出了一种新型的基于VITAL的无人机目标跟踪算法.首先,设计一套完整的无人机目标跟踪控制系统;其次,对跟踪算法进行设计,将基于对抗学习的VITAL目标识别算法引入无人机目标跟踪算法,用EKF算法对其进行优化,提高实时性且防止目标跟踪失败;最后,通过实际跟踪和性能测试实验,得到相比主流的DNN等目标跟踪算法,算法在精确度上提高4%、实时性提高43%,算法在无人机目标跟踪方面具有较强的鲁棒性.     

基于多传感器数据融合的目标识别和跟踪

基于单传感器（雷达或红外）系统存在局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,它能利用不同传感器的数据互补和冗余。特征层融合能通过利用其他传感器模块提供的目标特征信号来提高目标检测概率和降低虚警概率;决策层融合能矫正因受干扰等原因而失去目标跟踪能力的传感器模块的伺服跟踪回路,并提高抗干扰性。     

无线传感器网络中基于网格的目标跟踪算法

提出了一种适用于无线传感器网络中基于网格的目标跟踪算法,以解决在目标跟踪过程中信任度(belief)更新和传感器节点信息贡献量估计问题.该算法对信任度进行非参数化表示,用基于网格的算法对序列贝叶斯滤波过程进行实现.并且利用目标位置预测和基于网格的算法在不预先获知传感器节点测量数据的情况下,对节点的信息贡献量进行估算.在资源受限的无线传感器网络中,该算法在降低计算复杂度、提高算法适用范围方面都有显著改进.最后在仿真环境中验证了基于网格的目标跟踪算法的有效性.     

基于随机森林的长期目标跟踪方法

结合正负样本相互作用思想和随机森林算法构建检测器,融合基于LK光流法的跟踪器,提出一种基于TLD(Tracking Learning Detecting)的随机森林长期目标跟踪方法。将该方法与Mean-Shift算法、TLD算法进行对比,结果表明该算法能很好应对目标丢失、遮挡情况,准确率在93%以上。在多种情况下对该方法进行实验验证,可实现刚性物体和非刚性物体在复杂背景下的长时间精确跟踪。     

基于多方法集成的目标跟踪算法

在线运动目标跟踪是目前模式识别领域的一个难点问题,目标物体角度、姿态、远近距离变化以及遮挡等给鲁棒在线跟踪算法提出了苛刻的要求,单一算法很难有效处理所有问题.多方法集成是实现鲁棒在线跟踪的一种有效手段,为此提出了一个集成on-line boosting、基于归一化互相关的模板匹配法和粒子群优化算法的自适应目标跟踪算法框架.其中,on-line boosting是基本的跟踪算法;基于归一化互相关的模板匹配法有效避免了on-line boosting过多的错误更新;而基于粒子群优化算法的跟踪策略提高了系统对快速运动、外观变化的适应能力,同时也为模板的更新提供了保障,三种算法形成了有效互补,在稳定性和可塑性之间达到了一种平衡.在不同视频测试序列上的实验结果表明,该算法有效地缓解了自适应性和漂移之间的矛盾,能够实时地完成复杂的跟踪任务.     

基于输入估计的机动目标跟踪方法

机动目标跟踪方法有变维滤波、输入估计和交互式多模等方法。由于输入估计法采用常速模型作为状态方程对目标进行滤波跟踪,避免了模型集设计而成为研究的热点,但传统输入估计方法跟踪机动目标时存在机动检测时延较长和估计精度不高的缺点。针对这些问题,对输入估计算法进行了改进。采用变检测窗长度提高机动检测的响应速度,通过对检测窗内信息序列的修正显著提高了估计精度。仿真结果表明所提出的算法比原有算法的跟踪性能有显著提高,且对加速度随时间变化的机动也有一定的跟踪性能。     

基于HOG-SVM的改进跟踪-学习-检测算法目标跟踪方法

对于经典TLD(跟踪-学习-检测)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,本文提出了一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bitBP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。     

基于响应值判断的目标跟踪ECO方法

目标跟踪(efficient convolution operator,ECO)方法因其优越的跟踪效果在各种跟踪场景中得到越来越广泛的应用,但该方法在面对遮挡、运动模糊、目标形变和背景杂乱等复杂工程实际情况时跟踪精度下降. 针对这一问题,本研究对ECO方法进行改进,加入一种相关滤波响应值判断机制,根据前几帧图像的最大响应均值和当前帧的响应峰值标准差来决定样本模型更新时机. 将改进后的ECO方法和改进前的ECO方法在相同的实验视频序列上进行对比测试,比较两种方法的跟踪效果. 在OTB2015数据集上,改进后的ECO方法的精确度达到88.0%、成功率达到79.9%,分别比改进前的ECO方法提高1.5%和1.2%,特别是面对遮挡、运动模糊和背景杂乱干扰等工程实际常见情况时跟踪效果更好,显示出改进后的ECO方法拥有更灵活的模型更新策略和更强大的适应复杂工程实际情况的能力.      

一种基于多相关滤波器组合的目标跟踪方法

针对复杂跟踪环境条件下目标的跟踪失败问题,提出一种基于多相关滤波器组合的目标跟踪方法.首先2个分别采用颜色属性(Color Name,CN)特征和方向梯度直方图(Histogram of Oriented Gradient,HOG)特征的核相关滤波器(Kernelized Correlation Filter,KCF)通过自适应融合手段进行响应图信息融合,确定目标的预测位置;然后通过以目标区域为基础进行多尺度采样,提取CN-HOG拼接特征构建尺度相关滤波器,得到目标的最佳尺度;最后设计了模型的自适应更新策略,通过判断目标是否发生遮挡来决定是否在当前帧进行模型更新.在50组视频序列上对所提算法与6种当前主流的相关滤波跟踪算法进行了实验.实验结果表明,在复杂的跟踪环境条件下,所提算法取得了最好的跟踪精度和成功率,能够有效处理目标遮挡和尺度变化等问题,且具有较快的跟踪速度.     

基于目标跟踪的信息反馈融合方法研究

针对目标跟踪问题环境的复杂性,信息的多样性,传统的信息融合方法有很多弊端,本文将反馈融合思想引入到传统的信息融合框架,提出了基于目标跟踪的信息反馈融合系统,利用信息反馈融合方法为指导,针对不同目标跟踪场景中传统跟踪技术的技术瓶颈,提出相应的改进方法。经过多次仿真验证,基于目标跟踪的信息反馈融合系统进一步提高了历史融合信息的整体利用率,并且可以得到精度更高、鲁棒性更好的融合估计效果。     

改进Camshift算法的DSP硬件实现目标跟踪方法

针对Camshift算法只对前一帧预测而导致的目标像素脱靶现象,以及目标像素在帧间位移较大的问题,本文提出一种改进Camshift算法的目标跟踪方法.该算法将加权背景直方图和贪心算法融入Camshift算法,利用贪心算法对前两帧图像信息进行处理,预测出目标在当前帧图像中的位置,再根据目标颜色概率,用Camshift算法找到目标的真实位置,最后在TMS320DM642(数字媒体应用的定点DSP)上对该文算法进行硬件系统的实现,并使用EDMA(增强型直接内存访问)方式和Cache技术对系统进行优化.实验结果表明,与传统Camshift算法相比,该文方法在背景与目标相近的情况下跟踪效果更佳,具有很好的鲁棒性和稳定性,适用于复杂环境下的目标跟踪.在系统实现上,优化后的系统平均帧率提升在3帧/s以上,增强了算法的速度.     

海底布放磁传感器的磁定位方法的模拟实验研究

对基于磁场分量的定位方法和磁梯度定位方法进行了模拟实验研究.结果表明,磁定位方法为海底布放磁传感器定位是可行的,在测量条件一般的情况下,基于磁场分量的定位方法精度较高.分析了应用磁定位方法为海底磁传感器定位的工程实现条件,为实际中海底布放磁传感器的定位工作提供了一种思路.
     

孪生压缩激励全卷积网络的目标跟踪方法

为提升目标跟踪的准确性并保证其实时性,提出一种基于改进孪生全卷积网络的新方法——孪生压缩激励全卷积网络(siamese squeeze and excitation fully convolutional networks,Siam-SEFC).Siam-SEFC通过添加具有少量参数的压缩激励网络结构融合空间通道信息,...