交互式多模型算法过渡过程的仿真分析

交互式多模型(IMM)是混合估计理论中比较优越的算法。混合系统假设模式的切换能够瞬时完成。然而由于量测噪声和滤波系统惯性的作用，混合系统的模式切换具有过渡过程，对于实际运动模式切换存在漏检与误报。本文利用。Monte Carlo仿真分析了两模型IMM算法过渡过程的滤波残差的统计特性，研究结果对于分析和改进算法具有重要的意义。     

基于两点外推法的跟踪滤波器启始方法研究

对于多目标跟踪系统，滤波器的起始波门的设计是一个关键问题，首先给出了利用量测标准差与采样周期比值的相对大小来确定滤波器启始的方法，然后利用目标速度极限的先验信息构造环状波门，并考虑量测量噪声对环状波门的影响，利用矩阵范数特性，导出一种更精细的基于两点外推的滤波器启始法，仿真结果表明利用本文方法的构造出的波门的置信区间比其他两种方法所构作出的更为合理。     

正多边形的一个性质

给出了当 n阶完全图 Gn 的 n个结点恰为一正 n边形的顶点 ,且 Gn的边为具有长度的直线段时 ,Gn 的 n( n - 1) / 2条边的边长与该正 n边形的半径之间的关系 .     

有关与轴线成定角的螺旋铣刀刃口设计问题

指出了对于球面螺旋铣刀、带角圆的螺旋铣刀不宜采用与轴线成定解的定义来设计螺旋刃口，并给出了其数学上严格证明和直观分析，为同类研究提供了借鉴。     

二值图像的自动表述

提出了一种通过对图像中物体的边缘进行描述来表征二值图像的方法 .该方法对二值图像进行边缘提取、周线跟踪、特征点提取、边缘分割及曲线匹配 .经处理后的图像由一系列描述物体边缘的数学方程来表征 ,有利于图像数据压缩及重构 .     

一类参数未知的分数阶混沌系统的自适应追踪控制与同步

针对一类参数未知的分数阶混沌系统,基于分数阶系统稳定性理论,通过设计控制器和未知参数辨识规则,研究了混沌系统的自适应追踪控制同步问题;并以分数阶Newton-Leipnik系统为例进行了数值模拟,验证了方法的可行性和有效性。     

基于全景视觉的目标跟踪方法研究

文章充分利用全景视觉具有360°视域的特点,将其引入视频监控领域,提出了一种基于全景视觉的目标跟踪方法。该方法基于多摄像机跟踪的思想,通过分析全景视觉的构造,将其分解为基于静态相关联多相机的跟踪。通过划分视场分界线,确定摄像机间的重叠区域,并对摄像机间相互关联关系进行描述和判断。当目标进入重叠区域时,通过同一目标在相邻视域中的关联实现目标交接,以达到在整个全景视觉中实现目标连续跟踪的目的。以全景视频中的行人跟踪为例,对文中所提的跟踪方法进行验证。实验结果表明,该方法可以有效解决多相机间的目标交接问题,实现全景视觉下目标的连续跟踪。     

多PAN太赫兹无线个域网边缘节点信息高效报告方法

针对太赫兹无线个域网络中跨个域网(personal area network, PAN)通信存在的常规信道时间分配时段(normal channel time allocation period, N-CTAP)部分常规节点数据传输受干扰影响节点通信的成功率等问题, 提出一种太赫兹网络的高效自适应报告方法(efficient adaptive reporting approach of terahertz network, EARA-T)。该方法将常规节点细分为正常节点和边缘节点, 在节点入网前及入网后将节点类型信息及时高效地报告给所在PAN的微微网控制器(piconet coordinator, PNC), 以便于PNC在时隙分配上采取有效措施降低甚至消除网间干扰对数据传输的影响。通过使用OPNET软件进行仿真验证, 相较于FDP协议和FCP协议, 所提方法信息报告控制开销和时延的降低分别不少于14.1%和3.7%, 信息报告成功率提高了0.4%。     

基于孪生神经网络的目标跟踪算法进展研究

目标跟踪作为计算机视觉领域的关键课题, 广泛应用在智能视频监控等领域。随着深度学习的迅速发展, 基于孪生神经网络的跟踪算法(简称为孪生跟踪算法)因其速度和精度的平衡优势成为了主流算法。尽管已有大量研究, 但仍缺乏从跟踪框架层面对孪生跟踪算法进行系统分析。为了梳理目前孪生跟踪算法的研究进展, 首先介绍了孪生跟踪算法的常见挑战、主要组成、跟踪流程、常用数据集和评价指标; 其次按照对跟踪框架的改进方向分为改进特征提取的算法、优化相似度计算的算法和优化跟踪结果的算法, 并分别详细介绍; 然后对20个主流跟踪算法进行测试与分析; 最后总结目前孪生跟踪算法存在的问题以及对未来的研究方向。     

基于模板更新的深层孪生网络跟踪算法

针对跟踪过程中因尺度变化、遮挡及运动模糊等造成的目标定位不准确问题,在SiamFC(fully-convolutional siamese network)的跟踪框架基础上提出了一种具有高置信度模板更新机制的深层孪生网络目标跟踪算法.首先,主干网络采用ResNet-50残差网络进行特征提取,并融合多层特征图进行目标预测;其次,为避免模板频繁更新带来的模板漂移问题,构建了高置信度的模板更新模块.在OTB100数据集上的实验结果表明,相比基准算法,文中算法的跟踪成功率和精确度分别提高了3.4%和2.6%;在多种挑战因素下的对比实验表明,文中算法可以较好地抵抗目标遮挡、尺度变化、运动模糊等多种复杂因素带来的影响,有很好的鲁棒性.