基于强跟踪的自适应PHD-SLAM算法

同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术使移动机器人在缺乏先验环境信息的条件下,能够在估计自身位姿的同时构建环境地图。然而,在海洋、矿洞等复杂环境中,移动机器人容易受到随机突变噪声的干扰,进而导致SLAM性能下降。现有的概率假设密度(Probability Hypothesis Density,PHD)SLAM算法未考虑随机突变噪声,受到干扰时在线自适应调整能力较弱。为解决移动机器人因随机突变噪声导致状态估计和建图精度降低的问题,本文结合强跟踪滤波器(Strong Tracking Filter,STF)与PHD滤波器,提出了一种基于强跟踪的自适应PHD-SLAM滤波算法(Strong Tracking Probability Hypothesis Density Simultaneous Localization and Mapping,STPHD-SLAM)。该算法以PHD-SLAM为框架,针对过程噪声协方差和量测噪声协方差随机突变问题,本文通过在特征预测协方差中引入STF中的渐消因子,实现了对特征预测的自适应修正和卡尔曼增益的动态调整,从而增强了算法的自适应能力。其中渐消因子根据量测新息递归更新,确保噪声突变时每个时刻的量测新息保持正交,从而充分利用量测信息,准确并且快速地跟踪突变噪声。针对渐消因子激增导致的滤波器发散问题,本文对渐消因子进行边界约束,提高算法的鲁棒性。仿真结果表明,在量测噪声协方差和过程噪声协方差随机突变的情况下,所提算法相较于PHD-SLAM 1.0和PHD-SLAM 2.0的定位和建图精度都得到了提高,同时保证了计算效率。

利用伯努利滤波的多目标机动雷达误差配准方法

传统的组网雷达多目标误差配准方法通常假设数据关联关系已知,但在平台机动的情况下,系统同时存在雷达测量偏差和平台姿态角偏差,且雷达观测过程中会受到杂波干扰,导致数据关联尤为困难。针对这一问题,该文提出一种基于伯努利滤波的多目标机动雷达误差配准方法。首先建立系统偏差的量测与状态方程,然后将系统偏差建模成伯努利随机有限集,利用公共坐标系下的原始量测可实现系统偏差在伯努利滤波框架下的递推估计,有效避免了数据关联问题。同时,为了充分利用多目标量测信息,提出一种修正的贪婪量测划分方法,在每个滤波时刻挑选出系统偏差对应的最优量测子集,利用量测子集中的多量测信息实现系统偏差的集中式融合估计,提高了系统偏差的估计精度和收敛速度。仿真实验表明,所提方法能够在数据关联未知的多目标多杂波场景下对雷达测量偏差和平台姿态角偏差进行有效估计,在平台姿态角变化率较低时,所提方法具有较强的适应性。

基于改进特征描述的SLAM动态算法研究

针对原ORB描述符算法匹配精度低、匹配耗时长,动态场景中移动的物体严重影响视觉SLAM系统的定位精度和鲁棒性,以及ORB-SLAM3系统只能构建稀疏点云地图,无法构建稠密地图的问题,提出一种基于BEBLID描述符和目标检测的改进型ORB-SLAM3。在跟踪线程中融合轻量级YOLOv5s动态目标检测网络和动态特征剔除模块,提高系统的定位精度;利用增强高效局部图像描述符BEBLID代替原特征描述算法,与原ORB特征提取方法结合,增强图像的表现力和描述效率,提升特征匹配精度和效率;增加稠密建图线程,根据关键帧与相应位姿完成稠密点云地图的构建。在公开TUM RGB-D数据集上的实验表明,与原ORB-SLAM3相比,本文算法特征匹配精度提高了7%以上;在高动态环境下系统定位精度提高98%以上,在低动态环境下最大提升60%以上,有效提高了系统在动态环境下的定位精度和鲁棒性;并构建了三维稠密点云地图,为后续应用于机器人自主导航、避障和路径规划等工作奠定了基础。

自适应特征融合的加权响应孪生网络跟踪算法

针对复杂场景下跟踪器难以提取丰富的特征信息导致出现漂移或者跟踪丢失的问题,提出了一种基于自适应特征融合的加权响应目标跟踪算法。首先,使用改进的VGG16网络来提高判别能力;其次,采用残差语义嵌入模块,将深层语义信息引入浅层特征;然后,将浅层特征响应和深层特征响应进行加权融合,提高定位精度和判别能力。实验结果表明,相比基准算法,所提算法在OTB2015和VOT2017数据集上的跟踪成功率和精度等评价指标均获得提升。

基于双目深度筛选的ORB-SLAM3算法

针对ORB-SLAM3算法中特征点存在易丢失、精度低,进而导致双目在复杂场景下运动轨迹误差大的问题,本文设计了一种改进的ORB-SLAM3算法。首先,在ORB特征匹配算法中引入自适应角点检测技术,增加特征点的采集数量,并采用光流法跟踪图像特征,提高关键帧的创建成功率;其次,以特征点为中心,作区域搜索,提高实时性;然后,采用双向左右一致性检验筛选最优视差,应用Prosac算法去除误匹配点对;最后,结合深度信息对关键帧进行筛选,提高关键帧的质量,优化相机位姿。采用KITTI和EuRoc数据集进行了试验,验证了改进算法在绝对轨迹误差上具有良好的优化效果。

基于Innovus混合放置的布局规划方法优化

随着集成电路后端设计中宏单元数量增多,传统布局规划方法效率低且耗时,而自动布局规划的混合放置(MP)技术存在物理规则违例数量多、电压降大和功耗高等问题。针对传统方式和MP方式的不足,提出了一种优化的MP布局规划方法,通过控制宏单元通道空间和标准单元密度大小、固定边界宏单元位置及脚本修复TSMC芯片集成检查(TCIC)违例的方法解决MP技术存在的问题。研究结果表明,优化的MP方式保留了MP技术的性能、功耗和面积(PPA)优势,且相比于传统方式布线长度优化了28%,时序违例优化了65%,功耗优化了609%。该方案可为多宏单元大规模设计的布局规划提供参考。

基于天牛须种群算法的整周模糊度解算算法

如何快速、准确地固定整周模糊度是载波相位测量中的一个关键问题。为了提高整周模糊度搜索速率,提出了一种基于天牛须种群算法(beetle antennae colony search, BACS)的整周模糊度解算算法。通过与BAS算法、BAS-Nadam算法、LAMBDA算法以及MLAMBDA算法进行解算速率、稳定性的对比实验,在三维模糊度解算时,BACS算法在与LAMBDA和MLAMBDA算法解算成功率相当的情况下,能利用更少的时间搜索到模糊度最优解。为了验证BACS算法在高维模糊度解算以及工程解算情况下是否适用,进行了高维模糊度解算的实验以及单频单GPS系统下BACS算法的应用实验。分析及实验表明,BACS算法能很好保证高维模糊度解算的实时性和鲁棒性,对于12维模糊度解算,平均解算时间0.068 s,解算成功率为92%,对于低维模糊度解算,解算速率更快,解算成功率更高。在单频单GPS系统工程解算中,x、y、z方向定位精度分别为±0.008、±0.01、±0.01 m,能达到厘米级精度定位。

基于改进二维混沌映射的彩色图像加密算法

针对数字图像在网络传输中的安全性和可靠性问题,提出了一种由一维Logistic和Sine映射耦合而来的新的二维混沌映射(2D-SLSM),进而提出了一种基于2D-SLSM的彩色图像加密算法(SLSM-IEA)。首先使用Arnold变换分别对彩色图像的R、G、B分量进行位置混淆,接着将其旋转不同角度后水平组合成一个二维矩阵,最后应用一种改进的置乱和扩散结构,对图像信息进行混淆和扩散,循环移位和像素异或操作穿插其中,从而确保更好的加密效果。结果表明,上述加密算法的密钥空间大且敏感性强,比特变化率在整个范围内都逼近50%,加密过的图像相邻像素相关性被极大减弱,近似于0,且具有一定抵抗数据丢失和差分攻击能力,能够实现高安全的图像加密处理。

基于LDPC的联合调度译码算法的研究

针对低密度奇偶校验码(LDPC)动态调度中存在的贪婪性以及非动态调度中译码性能低的问题,提出基于动态调度与非动态调度的联合优化算法(ELNWRBP)。该算法合理分配动态调度算法(NWRBP)和非动态调度算法(LBP)权重占比。NWRBP算法提高译码性能,而LBP算法缓解了动态调度中的“贪婪性”问题。两种调度算法联合使用,在译码性能和译码效率之间达到一种平衡。仿真结果和数据表明:在码字为(1296,1/2)、误码率为3×10^(-5)的条件下,相比于NWRBP算法和LBP算法的性能分别提高了约0.15 dB和0.45 dB。

基于SIFT改进的无人机图像匹配算法

针对无人机图像匹配时间较长的问题,提出了一种基于SIFT改进的无人机图像匹配算法。引入了FAST算法检测角点,它能快速通过比较中心像素点和一定领域内像元的灰度值以判断是否为角点,从而提高算法的速度。同时,为了弥补FAST算法在高斯差分金字塔上搜索的不足,使用了基于Ostu和GA的图像分割算法对图像进行分割,对分割图像构建高斯金字塔,在高斯金字塔上进行特征点搜索。实验结果表明,与传统的SIFT算法相比,改进算法提高了无人机图像匹配的速率和正确率。

基于双目视觉的无人机实时测距算法

无人机对目标进行测距时,其算法的实时性和准确性一直是研究的重点。针对算法的实时性,提出双向搜索策略以及采用三条数据流并行处理实现GPU加速,并引入蝶形排序算法,提高了运算效率;针对算法的准确性,提出改进AD算法与改进Census算法融合,有效地解决了算法过度依赖中心像素的问题;为了降低算法复杂度,在基于背景差法的目标检测中引入移动平均算法;针对无人机平台存储空间有限,提出存储数据优化方案,减少了数据的占用空间。在Middlebury数据集下与BM算法、SGBM算法进行对比实验,采集室外场景与BM算法进行测距性能对比,最后实现室外无人机测距。通过大量实验数据验证了所提算法可满足无人机实时测距的高精度要求。

改进的Sage-Husa自适应算法及应用

针对标准卡尔曼滤波和Sage-Husa自适应卡尔曼滤波不能同时满足实时在线估计状态量测噪声阵和抑制滤波发散的问题,提出一种改进的Sage-Husa自适应卡尔曼滤波算法。在检测到量测异常时,在协方差匹配技术的最严格收敛判断条件,计算出次优滤波方法中新的状态估计均方误差阵的加权系数,通过新的状态估计均方误差阵对原来的状态估计均方误差阵进行修正,能有效抑制滤波器的发散。提高实际应用中,Sage-Husa自适应卡尔曼滤波算法在复杂不稳定环境中的稳定性与可靠性。将改进的算法放在BDS/INS系统中进行实验验证,实验结果表明,相比常规Sage-Husa自适应滤波算法,改进的Sage-Husa自适应卡尔曼滤波算法改善了上述系统的可靠性和自适应能力,最终有效的提高组合导航系统的性能。

基于强化特征学习和表达策略的孪生网络跟踪算法

针对基于全卷积孪生网络跟踪算法在面对相似物干扰、光照变化等复杂环境时容易出现跟踪漂移的问题,本文在分析与实验基础上提出如下特征强化策略。首先,将改良的深度卷积神经网络VGG16引入跟踪框架来提高模型的特征学习能力;其次,针对单一特征无法充分描述目标信息,且对干扰物比较敏感的问题,本文设计一种特征增强模块,由浅至深融合不同层次语义信息来提高特征的表达能力;最后,提出一种轻量级的三元注意力机制,帮助模型自适应关注优势特征,进一步提高了模型在复杂环境下的鲁棒性。将上述策略应用到全卷积孪生网络算法上取得了显著的效果。在OTB100数据集上,本文算法成功率曲线下面积较基准算法提升了15.1%,距离精度提升了16.3%,在复杂环境下也能对目标进行有效跟踪。

基于改进粒子群优化PID的双补偿时钟同步算法

在无线传感网络系统中,主节点和从节点存在大量实时传输的数据,为了保证数据传输的准确性,需要传感网络上全部节点的时钟保持同步。其中,时钟偏差和时钟漂移的精确测量是实现主从时钟同步的关键。针对实际工作环境中出现的时钟漂移和时钟偏差,提出了一种基于改进粒子群算法优化PID的双补偿时钟同步算法。利用卡尔曼滤波器对时钟偏差和时钟漂移进行同时估计,利用估计值对从节点时钟进行补偿和修正。在粒子群算法更新方程的基础上引入环境因子,使粒子适应时钟不断变化的动态环境。实验结果表明,在无线传感网络系统引入改进粒子群优化PID的双补偿时钟同步算法,减少了由于动态环境中传统粒子群陷入局部最优值的影响,增强了粒子群算法的全局寻优能力,提高了时钟同步的精度,消除了从节点时钟不稳定性对时钟同步的影响。

基于改进RRT与DWA融合算法的路径规划

针对传统的快速搜索随机树(RRT)算法搜索效率低、算法的随机采样特性导致规划路径时间长、路径曲折且不适用于动态环境等问题,提出了一种改进融合算法,对传统的RRT算法加入智能采样和路径优化。首先,根据传统RRT算法规划出可行路径,找出路径上障碍物附近的节点,在该节点处以一定大小的圆内进行采样,减少了算法的随机采样,然后通过回溯,根据三角不等式原理思想对路径进行优化,使得路径更加平滑,距离更短,最后,融合动态窗口算法(DWA),解决了动态环境下路径规划问题。仿真结果表明,改进融合算法相比传统RRT算法,搜索时间缩短30%左右,路径缩短6%左右。在真实环境下进行实验,能够实现自主避障导航,证明了改进算法的有效性,且能够满足实际需求。

融合超像素和多属性形态学轮廓方法的高光谱图像分类

基于超像素分割的图像处理方法近年来被广泛应用于高光谱遥感图像(hyperspectral image,HSI)分类过程中,但是其单一尺度下无法充分提取HSI的丰富信息,且分类过程受参数依赖严重。因此针对基于超像素分割的HSI分类技术利用空间信息不足的问题,提出一种超像素分割方法和扩展多属性轮廓(extended multi-attribute profile,EMAP)方法相结合的HSI图像分类方法。该方法首先采用超像素分割方法提取超像素级特征,同时利用EMAP方法提取像素级HSI特征,融合2种特征后的图像具有完整的HSI结构特性,考虑到融合之后的信息冗余,采用递归滤波的方法进行光谱学滤波,最后将特征输入到支持向量机(support vector machine,SVM)分类器中,确定像素的标签。在Indian Pines和University of Pavia这2个数据集上实验,分析了参数的变化对分类精度的影响,并与其他同类算法相比较,分类精度和Kappa系数较S3-PCA方法分别提高了3.55百分点和2.88百分点。

特征增强和双模板更新的目标跟踪算法

为改进在复杂场景下的跟踪性能,提出了一种特征增强和双模板更新的目标跟踪算法。首先,提出了一种改进的特征提取网络,并将深层特征和浅层特征融合,再利用通道空间注意力模块对该融合特征进行强化,获得表征能力增强的特征。其次,提出了一种双模板更新策略,将近邻高置信度图像帧保留为备份模板,当跟踪响应图置信度较低时,将初始模板与备份模板进行加权融合得到新的模板,再重新进行跟踪预测。最后,在数据集OTB-100和VOT-2017上进行跟踪性能评估,实验结果表明,所提算法提升了在遮挡、光照变化、背景杂乱等复杂场景下的跟踪成功率和跟踪准确率。

基于多尺度连接的区域自适应去雾算法

针对传统单幅图像去雾算法中细节信息丢失导致去雾后物体轮廓不清晰,以及雾浓度分布不均匀使得去雾不完全等问题,提出一种基于多尺度连接的区域自适应去雾算法,设计了一个由编/解码部分以及区域非局部块构成的自适应去雾网络;首先在不同编码层中使用密集连接残差块和非局部操作提取不同尺度的特征信息。然后将来自不同编码层的特征信息聚合后,送入各级解码器中进行解码操作。最后将解码输出的特征图与原始雾图逐元素相加后恢复出清晰图像。在RESIDE数据集上进行仿真,将实验结果与较新算法进行定性和定量比较。提出算法的峰值信噪比提高了1.77dB、结构相似度提高了0.02,去雾效果得到明显提升。

基于Kalman-Chan算法的5G毫米波室内定位试验

卫星定位系统因其能够提供高精度、全天候的定位服务而深受人们的欢迎,但是在室内环境中,由于建筑物的遮挡,卫星定位系统无法在室内提供高精度定位服务。随着万物互联时代的到来,人们对室内定位技术展开了研究。近年来,室内定位技术层出不穷,例如蓝牙定位、UWB定位等。目前,随着5G技术的成熟以及5G基站的密集化部署,促进了基于5G技术的室内定位的发展。影响室内定位精度的难点之一就是非视距传播(NLOS)和多径效应引起的误差,而毫米波通信作为5G关键技术之一,因其具有高频带和高带宽的特性,有利于提高多径分辨率,可提高到达时间差(TDOA)测量的精度。为抑制NLOS和多径效应引起的误差,本文对基于5G室内定位的Kalman-Chan融合算法展开了研究,即先利用卡尔曼算法对观测量进行距离重构,再结合Chan算法对用户位置进行估算,经过大量试验验证证明,该融合算法可使二维平面上的定位精度达到0.31 m。

基于改进密集卷积网络的皮肤肿瘤分类方法

皮肤癌的诊断受医生个人主观影响较大,现有的神经网络皮肤癌诊断研究大多停留在图像层面,没有考虑患者的临床数据,诊断准确率有待提高。提出一种融合皮肤肿瘤临床患者元数据的MD-Layer模块,并嵌入到密集卷积分类网络模型DenseNet-169中。在ImageNet数据集上对DenseNet-169网络进行预训练,使得到的模型在皮肤癌数据集上进行调参训练,并提取图像隐含的高层次特征。MD-Layer模块由MetaNet模块和MetaBlock模块提取到的特征融合构建而来。MetaNet模块通过元数据控制DenseNet-169网络中每个特征通道的特定部分,从而获得加权特征。MetaBlock模块利用元数据增强从图像中提取的特征,即根据元数据信息引导图像选择最相关的特征输出。最后,将融合后的结果输入到分类器,实现皮肤肿瘤的分类。实验结果表明,融合MD-Layer模块的DenseNet-169网络模型的平衡准确率为0.814,相较于已有工作提升0.080~0.156,解决了少数皮肤肿瘤类别诊断准确率不高的问题。