改进的DAGSVM手势识别方法

在现有支持向量机多分类方法基础上,提出了一种改进的有向无环图支持向量机(DAGSVM)手势识别方法.分析了传统有向无环图支持向量机分类器生成顺序随机化的不足,引入类间距离和类的标准差作为生成分类器的测度.利用Kinect获取场景深度信息得到手势图像,提取手势特征并训练SVM分类器,并采用改进后的方法得到DAGSVM分类器.实验证明:与其他支持向量机多分类器相比,改进后的DAGSVM分类器能够达到更高的识别率,将这个手势识别方法用于智能轮椅的控制上,取得了良好的效果.     

国内外无人地面武器机动平台发展现状及趋势

无人地面机动平台作为20世纪机械、电子、信息、控制等技术发展的集中体现和学科交叉的典型代表,无人地面武器机动平台是无人地面机动平台的一种,他能够进行战场侦察、监视、直接作战,在反恐怖、反袭击、反劫持等方面有很大意义。文章对国内外无人地面武器平台发展现状加以介绍,并对未来的发展趋势做出了大胆的预测。     

基于伺服约束的无人作战平台跟随避让控制

针对无人作战平台在执行任务时需要跟随某一目标车辆,并护送目标车辆达到指定区域,但又要避免双方驶入自身的最小安全区域的问题,即跟随避让问题,提出了无人作战平台跟随避让控制方法。该文首先基于Udwadia-Kalaba理论的建模方法得到无人作战平台的动力学模型;考虑跟随避让和两者到达目标区域问题,分别建立跟随避让约束和到达约束,将无人作战平台系统的跟随避让问题转化成近似约束跟随问题,并建立约束跟随误差;针对无人作战平台在行驶时受到复杂的动态不确定性干扰的问题,设计自适应鲁棒控制器,利用Lyapunov稳定性理论证明系统误差一致有界和一致最终有界;最后进行数值仿真试验,验证该控制器的有效性。     

无人作战平台认知导航及其类脑实现思想

无人作战平台将是未来空天战场的主要作战力量,认知导航正是应无人化平台智能自主运行控制的需要而提出的新型导航技术。通过对认知导航进行了深入剖析,给出了认知导航的基本内涵,以及在这一内涵下的认知导航框架结构和导航信息处理流程,并分析了认知导航所具备的新质导航能力,探讨了采用"类脑"技术实现认知导航的新途径,最后提出了实现认知导航需要解决的关键技术。为实现无人化作战平台智能自主能力提供了理论框架,具有较强的指导意义。     

基于支持向量机的通信信号调制识别方法研究

支持向量机(Support Vector Machines简称SVMs)是基于统计学习理论的一种新的模式识别技术,它不仅结构简单,而且技术性能尤其是泛化能力明显提高。介绍了支持向量机为理论基础的通信信号调制识别方法。计算机仿真结果证实此方法的可行性。     

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。     

海上无人驻守井口平台控制方案研究

海上无人驻守井口平台是海上固定平台群的重要组成部分,无人驻守井口平台上生产设施较少,工艺流程相对简单。针对此特点,在确保操作人员与设备安全的基础上,提出了高集成化、简化设计、降低成本的控制方案,并进行研究分析,为今后无人平台设计和推广应用起到借鉴作用。     

基于栈式稀疏自编码多特征融合的快速手势识别方法

针对复杂背景下手势分割提取效果不佳、图像识别率不高、识别困难等问题,研究多特征融合的快速手势识别方法.利用YCbCr颜色空间模型,构建肤色分布模型,从复杂背景中去除大部分非肤色的干扰,从而实现手势分割;接着采用5层栈式稀疏自编码网络框架,分别提取手势感兴趣区域（region of interest,ROI）的纹理图像、形状图像和显著视觉图像作为自编码网络输入,将提取到的不同类型的特征进行线性融合;最后使用基于径向基核函数（radial basis function,RBF）的支持向量机（support vector machine,SVM）分类器进行融合特征数据分类,从而实现不同类型的手势识别.实验结果表明,相比其他手势识别方法,本文方法识别率较高,提取特征更具有代表性,平均识别率可达95.05%.      

基于激光雷达和摄像机融合的智能车障碍物识别方法研究

针对智能车环境感知中单一传感器所存在的局限性问题,本文提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,来实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络和SVM的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。     

一种基于面部纹理特征融合的人脸表情识别方法

针对人脸表情识别领域受噪声和遮挡等因素影响识别率不高的问题,结合局部和全局特征,提出一种基于面部表情的情感分析混合方法.首先,通过将梯度直方图(HOG)与复合局部三元模式(C-LTP)融合来进行特征提取;其次,将HOG和C-LTP提取的特征融合到单个特征向量中;最后,采用多类支持向量机分类器把特征向量进行情感分类;最后...     

基于深度学习的牙刷姿态识别方法

针对牙刷分拣中的定位问题,在确定牙刷位置的基础上采用深度学习实现牙刷姿态识别.对牙刷图像进行去噪增强,通过阈值分割提取感兴趣区域,计算图像的几何矩获得牙刷的方向角和外接矩形,以外接矩形的中心作为牙刷位置.用矩形框内的牙刷图像训练残差网络模型,当模型正确率达到要求时保存该模型,用于判断图像中牙刷的姿态.测试结果表明,该方...     

智能无人作战系统的发展

 智能无人作战系统是国际军事竞争新焦点,美国居于前茅。分析了智能无人作战系统基本特点、重要影响,归纳了美军在智能无人作战系统建设方面的总体性构想和规律性模式;针对智能无人作战系统的发展,探讨了作战概念设计、能力/效能评估、规模结构预测、智能标准体系编制与技术产业战略布局。     

基于三维视觉的运动易损动作识别方法研究

在对运动易损动作进行识别时,一直由于无法克服外界条件带来的影响,存在识别精度低、误差大的问题。提出基于三维视觉的运动易损动作识别方法,对运动动作的三维视觉空间进行三维梯度值求解,获取三维视觉梯度直方图特征;并进行降维出来,得到低维隐空间下的运动模型,在此基础上,对其进行序列映射,求出测试序列与训练序列的吻合度。通过匹配计算,获取匹配度,实现运动易损动作的识别。实验结果表明,所提方法具有很高的识别精度,所需时间较短,识别性能高。     

无人驾驶车辆智能水平等级划分

 国内外无人驾驶车辆迅速兴起,为加快无人驾驶车辆关键技术研究,进行无人驾驶车辆智能水平等级划分成为首要任务。本文以无人驾驶车辆、任务、环境三者构成的复杂交互系统为研究对象,开展无人驾驶车辆智能水平评价研究。建立了由环境复杂度、人工干预程度、任务复杂度组成的无人驾驶车辆评测模型,并根据环境复杂度、人工干预程度、任务复杂度分别对无人驾驶车辆进行5个等级划分;最后根据无人驾驶车辆行驶的环境复杂度、人工干预的程度、执行任务的复杂度及行驶质量,对无人驾驶车辆智能水平进行了10个等级划分。     

基于三支决策的触摸手势识别算法

为了提高人与机器人交互过程中对触摸手势的识别能力,提出一种基于三支决策的触摸手势识别算法.通过对触摸手势数据集CoST(corpus of social touch)的分析以及结合其他领域的研究,提出2种数据预处理方法“截取”和“去背景”,并从6个不同角度提取了特征,包括基本特征、基于直方图的特征、序列特征、梯度特征、接触面积特征和基于每个传感器的特征.以随机森林为分类器采用十折交叉方法进行了验证,发现不同的预处理对于不同触摸手势的识别有不同的效果.为了融合不同预处理的优势,引入三支决策的思想,将m分类问题转化为m个2分类问题,使用统计的方法计算每个二分类的三支决策阈值,按照一定的先后顺序和权重指标对经过不同预处理的分类结果进行决策筛选.仿真实验结果表明,基于三支决策的触摸手势识别算法在一定程度上达到了融合的效果,并提高了触摸手势的识别率.     

基于HMM的手势识别研究

利用可穿戴式加速度传感器采集手势动作信息,研究了基于隐马尔可夫模型的手势识别技术.首先采集手势加速度数据,采用改进的SWAB算法进行自动端点检测,通过提取相应的手势特征,利用HMM对手势指令建模,并采用K-means算法矢量量化手势特征序列,以提高手势识别性能.实验表明,本文采用的方法能够有效识别手势动作.     

基于LTE的分布式无人作战平台星型网络性能分析

分布式无人作战是改变未来信息化战争形态的全新作战样式,而网络通信对于未来分布式无人作战至关重要.以分布式无人战车(Distributed unmanned combat vehicle,D-UCV)在未来作战中的应用为背景,搭建了基于长期演进(Long term evolution,LTE)的分布式无人作战平台星型网络...     

无人驾驶车辆虚拟测试技术的发展

 无人驾驶车辆测试是无人驾驶车辆上路前的一个重要环节,其在实测阶段需要消耗大量的人力、物力、财力及时间,而无人驾驶车辆虚拟仿真测试技术则可以帮助测试大大减少消耗、提高效率。介绍了无人驾驶车辆虚拟仿真的应用、利用深度学习训练无人驾驶车辆的应用以及平行驾驶技术对于无人驾驶车辆虚拟测试技术的重要性;阐述了无人驾驶车辆虚拟测试技术的发展趋势;介绍了无人驾驶车辆相关平台;根据当前发展阐述了无人驾驶车辆虚拟测试的意义。     

一种复杂背景下的手势提取方法

介绍了一种在一般复杂背景条件下将手势与背景分离的新方法.该方法首先在一般背景下对获得的手势图片进行卷积滤波处理,验证了肤色的聚类特性,然后综合利用手势的肤色特征和其特有的几何特征,成功地将手势与背景分离,最后通过不同背景、不同手势提取实验验证了该方法的有效性.将该手势分割方法用于8种于形手势识别实验,静态手势识别率能达到99%.     

基于损失加权的实时篮球裁判手势识别系统

为了方便观众更好地在观看比赛直播和录像时理解裁判手势的含义,或帮助录像分析师分析比赛视频,设计了一种实时篮球裁判手势检测与识别系统Yolov5-BR(Yolov5-Basketball Referee).首先,采用目标检测中的Yolov5算法为基础模型,对其边界框的交并比(intersection over union,IoU)损失函数完全交并比(complete intersection over union,CIoU)进行加权处理,增强预测框的鲁棒性;其次,在C3模块后加入注意力机制,产生更具分辨性的特征表示,从而提升网络识别性能;此外,在检测层头部融入自适应特征融合机制,充分利用图像高层语义信息;最后,对目标置信度损失函数进行不对等加权处理,从而提高对小目标检测的鲁棒性.在自制的裁判手势数据集上,Yolov5-BR取得了95.4%的mAP值,本地视频检测速率为55.5帧/s,外接摄像头分辨率为1 280×960,检测速率为25帧/s.实验结果表明,Yolov5-BR相对于原始模型在检测裁判手势的性能上有所提升,保持了较高的准确率、稳定性与实时性.