中国航空科学基金(2012ZC53043)
- 作品数：17 被引量：129H指数：7
- 相关作者：曲仕茹杨红红夏余李珣丁松涛更多>>
- 相关机构：西北工业大学更多>>
- 发文基金：中国航空科学基金航天科技创新基金国家教育部博士点基金更多>>
- 相关领域：自动化与计算机技术交通运输工程航空宇航科学技术更多>>
- 改进的粒子滤波在四旋翼姿态估计中的应用被引量：7
- 2013年
- 针对四旋翼飞行器非线性模型的姿态估计问题,提出了一种基于重要密度函数优选的改进粒子滤波(IDOPF)姿态估计算法。该算法通过扩大重要密度函数的覆盖范围,主动从众多重要密度函数中选择更优初始化粒子群。结合动力学模型和基于反步法控制器的相关控制数据,进行了IDOPF粒子滤波算法在四旋翼飞行器姿态估计中的仿真实验。与EKF算法相比,该算法具有更高的估计收敛速度和估计精度,避免了不稳定滤波,改善了滤波效果,验证了IDOPF算法在四旋翼姿态估计的可行性和有效性。
- 曲仕茹马志强
- 关键词：粒子滤波扩展卡尔曼滤波
- 球极平面逆投影迭代谱聚类算法
- 2014年
- 提出一种相似矩阵迭代修正并聚类算法,分为偏振定理的谱分离数据和球极平面逆投影的几何分离数据两步.首先将数据谱分解,得到低维距离矩阵;然后投影到双随机矩阵,隐式进行一次球极平面逆投影,几何对称分离数据;最后解算投影后坐标,得到新相似矩阵.实验在人工合成数据和自然数据上进行,结果表明所提出算法修正了数据的相似度,并获得了正确的聚类个数,对尺度参数变化有较强的鲁棒性,聚类性能比修正前有较大提升.
- 何力曲仕茹
- 关键词：谱聚类模式识别
- 基于改进2D-2DPCA的图像融合算法被引量：1
- 2014年
- 针对基于主元分析的图像融合算法存在结构利用率低、光谱信息损失多的缺点,同时考虑到色彩图像融合时空间变换产生的色彩畸变以及RGB色彩空间各通道间的强相关性,提出一种基于改进双向二维主元分析的图像融合算法。针对RGB色彩图像的结构特点,以待融合图像行、列方向的RGB分量作为基元进行二维主元分析得到各级主元,采用线性权重分配方法对待融合图像进行重构,依照重构图像第一主元的结构特性进行主元替换后,经加权逆变换得到融合图像。为验证算法的有效性,选取校园近红外光谱图像与对应的清晰彩色图像,以及彩色可见光图像与对应的红外图像进行实验,实验结果表明使用文中方法得到的融合图像可取得理想的融合指标和较好的空间分辨率。
- 夏余曲仕茹李珣
- 关键词：主成分分析红外图像
- 改进（2D）2PCA的彩色图像融合框架被引量：4
- 2014年
- 针对彩色图像融合时空间变换产生的色彩畸变以及红绿蓝(RGB)色彩空间各通道间的强相关性,同时考虑到基于主元分析(PCA)的图像融合算法存在图像结构利用率低、光谱信息损失多的缺点,提出了一种基于改进双向二维主元分析[(2D)2PCA]的图像融合框架。针对RGB色彩图像的结构特点,以待融合图像行、列方向的RGB分量作为基元进行二维主元分析(2DPCA),采用基于协方差的线性权重分配方法对融合图像进行重构,依照重构图像的结构特性进行主元替换,经基于协方差的加权逆变换得到融合图像。为验证算法的有效性进行了二次实验:1)是选取模糊彩色图像与对应的清晰灰度图像;2)是彩色可见光图像与对应的红外图像进行实验。实验结果表明使用该方法得到的融合图像可取得较好空间分辨率和理想的融合指标。
- 夏余曲仕茹
- 关键词：图像处理彩色图像融合红外图像
- 基于稀疏约束深度学习的交通目标跟踪被引量：7
- 2016年
- 针对车辆视觉跟踪过程中普遍存在背景复杂、光线变化、尺度旋转等干扰,而现有跟踪算法抗扰动能力差、鲁棒性低的问题,构造了一种基于稀疏约束及深度学习的车辆目标跟踪算法,采用去噪自编码神经网络对包含正负样本的训练集进行特征提取。在正向传播过程中对隐层进行稀疏约束,反向传播微调阶段,对连接矩阵进行权值衰减的稀疏调整,增加神经网络的鲁棒性,实现神经网络不同隐层特征的高效提取,将网络的输出作为Logistics分类器的输入,学习获得车辆分类器,并采用粒子滤波在线跟踪目标。试验结果表明:对连接矩阵和隐层进行稀疏约束的去噪自编码神经网络具有较高的跟踪精度和较强的跟踪鲁棒性,在场景光照剧烈变化、车辆发生遮挡、三维旋转、尺度变化及快速移动时都能进行较好的跟踪,平均中心位置误差远小于对比方法,仅为2.3像素;而增量式学习(IVT)跟踪、在线自适应增强(OAB)跟踪、多示例学习(MIL)跟踪算法的平均中心位置误差分别为17.52像素、28.76像素和17.66像素;该方法的平均重叠率达83%,较IVT跟踪、MIL跟踪和OAB跟踪算法分别提高24.5%、42.2%、28.8%,满足智能交通监控的实际需求。
- 杨红红曲仕茹
- 关键词：交通工程智能交通目标跟踪
- 基于权值分配及多特征表示的在线多示例学习跟踪被引量：2
- 2016年
- 针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习(MIL)框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。
- 杨红红曲仕茹米秀秀
- 关键词：多示例学习权值分配目标跟踪分类器
- 基于深度学习的交通目标感兴趣区域检测被引量：15
- 2018年
- 为了提高交通目标检测的实时性和准确性,针对交通目标检测过程中普遍存在的背景复杂、光线变化、物体遮挡等干扰问题,以及基于深度学习的目标检测算法在进行区域选择时滑动窗口遍历搜索耗时的问题,提出一种基于时空兴趣点(STIP)的交通多目标感兴趣区域快速检测算法。像素级时空兴趣点检测在处理目标遮挡时具有较好的鲁棒性,利用这一特点,首先在传统兴趣点检测算法的基础上加入背景点抑制和时空点约束,以减少无效兴趣点对有效兴趣点检测带来的干扰。通过改进均值漂移算法,使得聚类中心数量随目标数目的变化而改变。然后对被检测出的多目标附近的候选兴趣点分别进行聚类,获取各个目标聚类中心位置信息。根据聚类中心点与筛选后的目标兴趣点之间的相对位置关系进行特定组合获得感兴趣区域。在这些感兴趣区域上使用选择性搜索算法生成1 000~2 000个候选区域,并将这些候选区域放入训练好的深度卷积神经网络模型中进行特征提取。最后将特征提取结果送入支持向量机中进行目标种类判别并使用回归器精细修正目标识别框的位置。研究结果表明:通过对候选区域进行预处理,送入模型中的候选区域数量减少了82%,对应算法整体运行时间减少了74%,能够满足智能交通监控的实际需求。
- 丁松涛曲仕茹
- 关键词：交通工程卷积神经网络感兴趣区域
- 基于PLS-VIP特征降维的车辆检测被引量：7
- 2014年
- 为了提高车辆视频检测和训练速度,针对车辆视觉特征维数较高的普遍问题,构造了一种特征降维方法,采用偏最小二乘(PLS)法对包含正、负样本的训练集图像进行分解;通过变量投影重要性分析(VIP)法评价原始特征对分解结果的贡献得分,将得分降序排序并选用高分特征直接张成低维空间,实现数据降维,并以低维数据为输入项,学习得到车辆分类器。对于新图像,直接抽取对应的高分特征进行检测,避免了常见的数据投影过程。研究结果表明:采用PLS-VIP降维,车辆图像的聚类性更明显,聚类正确率优于传统的主成分分析法、PLS法、非线性降维的等距映射法、特征脸法以及PLS衍生方法,降维后检测耗时达到降维前的22%。
- 何力曲仕茹
- 关键词：交通工程智能交通偏最小二乘法
- 采用Kalman_BP神经网络的视频序列多目标检测与跟踪被引量：6
- 2013年
- 针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。
- 曲仕茹杨红红
- 关键词：多目标检测多目标跟踪KALMAN滤波BP神经网络
- 基于包级空间多示例稀疏表示的图像分类算法被引量：5
- 2017年
- 基于多示例学习框架的图像分类算法以其特有的多义性对象表示能力在图像分类中表现出较好的分类效果。但传统的包级空间多示例学习算法在特征选择过程中存在忽略小目标概念区域且包含大量冗余信息的问题,造成部分训练包信息损失,影响分类性能。为此,基于多示例学习与稀疏编码理论提出1种改进的多示例图像分类算法。该算法首先根据同类样本示例聚为一簇的特性,应用聚类算法构造每类图像的视觉词汇,并利用负包中所有示例都为负的特性,对视觉词汇进行约束,消除冗余信息;依据训练样本示例与视觉词汇的相似度,获得每类训练样本的包特征向量。然后,基于稀疏编码理论,对训练包中的包特征向量进行稀疏编码,获得每1类训练样本的字典矩阵。最后,对待分类样本特征进行稀疏线性组合,预测待分类样本的类别标签。通过对COREL数据集图像进行测试,结果表明,与其他多示例学习算法相比,文中提出的方法能较好地解决图像分类问题,具有较高的分类精度。
- 杨红红曲仕茹金红霞
- 关键词：多示例学习图像分类
