基于GVF Snake和边界跟踪的主动轮廓图像分割

梯度向量流蛇(GVF Snake)模型在处理图像分割问题上取得了较好的结果,但它对初始轮廓曲线的依赖程度较大且梯度向量场计算时间较长,故此提出一种基于GVF Snake模型和边界跟踪的轮廓提取图像分割算法。该算法利用边界跟踪算法进行粗糙的分割,获取边缘位置有效信息点,经采样后生成一条初始轮廓线。同时,基于拉格朗日法求解梯度向量场的方法,提出一个距离终止条件以提高计算速度。实验结果表明,与GVF Snake、手动GVF Snake和CV活动轮廓算法相比,该算法有效提高了图像分割的自动化程度和分割精度。     

基于移相控制的软开关臭氧电源

研究了一种基于直流母线开关和谐振电容实现所有开关器件软开关的新型高效臭氧发生电源,分析了电路半周期的6个工作模态,得到了软开关实现的时序控制条件.采用IGBT模块作为电源开关,使用TMS320F28335作为控制器,设计了一台160g/h规格的臭氧发生器样机.该样机中,通过PSPWM移相调功实现臭氧产量调节,采用臭氧发生管端电压的PI闭环控制和软件锁相负载频率自动跟踪技术保障负载工作在准谐振状态.电源长期运行稳定可靠,运行测试波形与理论分析及仿真相当吻合,具有较大的实用价值.     

一种无线视频传感器网络的协同目标追踪算法

无线视频传感器网络由嵌入摄像感知装置的无线传感器节点组成。节点可以获得图像视频等更加直观的客观物理量,通过参数标定直接获取目标位置坐标,实现快速精准的目标定位。相比传统传感器网络, WCSN使得目标跟踪内容更加丰富。基于WCSN的特点,提出了运动趋势动态分簇目标追踪算法。该算法在网络中形成一个动态簇,根据目标的移动而动态更新簇内成员,选举新簇头对目标进行追踪,直到目标走出监测区域。仿真实验结果表明,WTDC算法较传统目标追踪方法计算简单、效率更高。     

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.     

无线传感器网络自适应动态簇目标跟踪策略

考虑到无线传感器网络的特点及目标跟踪对实时性要求较高,提出一种基于动态簇的无线传感器网络目标跟踪策略.当目标出现时,基于节点管理机制采用层次分析法选举簇首,定义节点跟踪权值作为参与跟踪的依据,并建立动态簇.目标监视过程中,根据实际跟踪质量自适应调整动态簇规模;为了避免目标丢失,在自适应机制的基础上提出目标恢复机制.目标离开后,解散动态簇,释放节点资源.采用NS2对所提算法进行仿真测试,结果表明,基于动态簇的跟踪策略能够以较少的通信开销为代价获得很好的目标捕获率.     

双门限值变步长光伏最大功率点跟踪

针对传统的干扰观察法和变步长干扰观察法的不足,提出了双门限值变步长光伏最大功率点跟踪法.该方法分别将功率曲线的斜率值乘以和除以输出电流而得到2个步长选择标准,每一标准下设一门限值.利用Matlab/Simulink工具建立相应的光伏阵列控制模型,对该方法和变步长干扰观察法的仿真.结果表明：该方法跟踪速度快、稳定性高,特别是当光强突变时也能快速地追踪到最大功率点.     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

一种简单的轮式移动机器人控制器设计

研究了轮式移动机器人的轨迹跟踪控制问题.针对传统控制器设计较为复杂的问题,通过构造Lyapunov函数,并根据Lyapunov稳定性定理,推导出了具有全局渐近稳定的跟踪控制器.该方法设计简单并具有直观的稳定性分析.仿真结果证明了该控制器能过保证闭环系统所有状态渐近稳定,达到了轮式移动机器人的轨迹跟踪控制目的.     

基于偏最小二乘分析和稀疏表示的目标跟踪算法

经典的基于子空间学习的跟踪方法通过主成分分析(principal component analysis, PCA)建立并更新目标的特征模型,只考虑目标的特征信息而忽视模型中每个样本的类别特征,从而降低了目标的跟踪精度。为此,提出一种基于偏最小二乘分析(partial least squares analysis, PLS)和稀疏表示的目标跟踪算法。通过PLS去分析关于目标与背景中纹理特征和类别信息之间的相关性,建立一个可区分的低维特征空间。将目标模板线性表示为所有目标候选的线性组合,当存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,通过L1范数最优化求解稀疏表示系数,根据最小的重构误差得到最优的目标位置。在多个视频场景下的实验结果展示了改进的跟踪算法具有较好的跟踪性能。     

适用于光伏多峰功率跟踪的改进型粒子群优化算法

针对在自然环境下光伏阵列上时常发生的局部阴影而引起P-V曲线由单峰转变成多峰状态,从而导致常规最大功率跟踪算法失效的问题,在研究传统粒子群算法的基础上,提出了一种改进型控制算法。该算法采用全局模式和局部模式两种运行手段定位最大峰值点,在对粒子群优化的速度更新方式上,去除了大量的随机变量干扰,使结构优化非常明显。改进后粒子群优化算法能够使功率跟踪避免陷入局部最优,使之找到真正的最大功率点。通过与传统粒子群算法对比仿真及试验,结果表明,在光伏阵列局部遮荫的情况下,改进后的粒子群优化算法可以快速准确地搜索到最大功率点,追踪精度高达95%,并且比传统的粒子群算法在搜索效率上提升28%,较好地避免了陷入局部最优。