基于耦合度量学习的特征级融合方法及在步态识别中的应用

根据耦合度量学习方法能够直接处理不同集合的数据这一特性,将其应用到数据融合领域,提出了一种基于耦合度量学习的特征级融合方法.该方法首先通过增加对原始单个集合中具有相关关系的数据的优化处理,将耦合度量学习方法的目标函数改进成在耦合空间中所有具有相关关系的投影特征均彼此接近,从而使得这些特征的整体分布更满足特征级融合的需求,而后采用串行方式对特征进行融合,最终得到更加有效的特征用来分类识别.将上述方法应用到步态识别中,以解决步态识别中的数据融合问题.采用CASIA(B)步态数据库进行实验分析,结果表明该方法识别效果较好.     

径向电磁轴承气隙磁阻理论计算方法

根据磁通总是沿磁阻最小路径流通的原理,在忽略边缘效应和漏磁通的条件下,利用微元法给出了径向电磁轴承的气隙磁阻理论公式,为径向电磁轴承的设计、建模及控制提供一定的借鉴作用。     

基于共面圆的双目立体视觉分步标定法

计算机视觉中,在对景物进行定量分析或对物体进行精确定位时,都需要进行摄像机标定,即准确确定摄像机的内外参数.为了快速、有效地进行摄像机的标定,针对常用的带有一阶径向畸变的小孔摄像机模型,提出了一种简单有效的分步标定方法.先用预标定法得到左右摄像机主点坐标参数,然后再用TSAI两步法获得左右摄像机的内外参数,最后以左摄像机光心为世界坐标系原点,通过坐标转换关系,进而得到双目视觉的各种标定参数.该方法实验要求低,不需要移动摄像机.通过实验,验证了该方法能够准确、有效地求出各标定参数.     

基于回声状态网络的船舶横摇运动预报

针对普通的递归神经网络训练过程较复杂,而且存在记忆渐消等问题,提出一种基于回声状态网络的船舶横摇运动预报方法.该网络将隐层设计成一个巨大的动态记忆库,具有记忆功能,隐层中的神经元在学习过程中不进行权值调整,而通过线性回归的方式训练网络,使网络记忆功能加强,学习速度加快.运用该网络对某型船舶在海浪遭遇角为90°海况下的横摇运动进行预报.结果表明:回声状态网络训练简单,加速了网络的训练速度,有更好的记忆性能,以预报60步为例,回声状态网络和对角递归神经网络预报的均方根误差分别为0.003 9和0.024 9,提高了近8倍,在相同的预报精度下,回声状态网络的预报时长明显增长,验证了该方法的可行性与有效性.     

交通视频中的Kalman滤波的多车辆跟踪算法

提出了一种交通视频中的Kalman滤波的多车辆跟踪算法.该算法利用Kalman滤波器反馈控制系统估计运动状态进行预测和修正,并为运动目标建立模型;利用当前车辆的信息对下一帧目标的位置进行预测,以便缩小目标的搜索范围和搜索时间,从而快速跟踪车辆.利用车辆的外接矩形框大小、质心等特征对车辆进行特征匹配,为交通视频中的车辆建立对应关系,利用新的系统参数更新模型,获得车辆的轨迹,如此反复,从而实现对车辆的跟踪.实验结果表明,此算法运算速度很快,对于车辆这样的快速运动目标,也具有较好的跟踪效果.     

指纹与指静脉双模态识别决策级融合方法

针对单模态生物特征识别系统固有的缺点,提出一种新的指纹与指静脉识别的决策级融合方法.首先对指纹及指静脉2种模态分别进行第一级分类器设计,得出各自的识别结果;然后将提取出的指纹与指静脉特征点集以特征串联的方式形成新的特征矢量,构成第二级分类器,再得出一个识别结果;最后将上述3个识别结果进行决策级融合得到系统最终的识别结果.实验结果表明本方法克服了单一模态识别方法的局限性,有效地提高了系统的性能.