基于PSO-SURF算法的井下图像拼接

当前我国煤炭行业的发展,井下的各类影像传感器较为散乱,无法建立一个系统的多视角的图像视频界面。为了解决这个问题,以及传统SURF算法的特征点提取复杂以及特征点匹配时间长等问题,本文提出了一种基于粒子群的SURF算法的煤矿图像拼接方法,通过粒子群算法加速图像中的特征点匹配,继而通过优化后的RANSAC算法消除误匹配点,最后利用图像融合得到结果。实验结果表明,采用改进后的SURF算法,使得图像平均匹配时间缩短了50%,同时匹配的正确率在原有算法的基础上平均提高了12%,进而提高了煤矿井下图像配准的实时性和可靠性,有助于建成大视场的煤矿井下视频监控体系。

基于GAHP的云计算用户行为安全信任研究

云计算环境下,用户不可信行为将带来各种安全隐患与威胁。传统的用户行为认证在对用户异常行为及时感知与鉴别上还存在部分缺陷。因此,本文提出一种基于灰色关联分析的层次分析法,对用户行为构建安全信任模型,对云环境中存在的用户风险进行评估与预判,通过信任等级将用户行为定量划分,继而构建判断矩阵进行权重向量计算与一致性检验,找出权重最大影响因子进一步分析影响用户行为信任之间的指标,从而合理规避云环境中用户不安全行为,提高用户访问云环境的安全性。

基于新型非支配排序的多目标麻雀优化算法

针对麻雀搜索算法在求解多目标问题中的不足,并且在求解过程中易陷入局部最优与收敛性差的问题,提出了一种改进的多目标麻雀搜索算法。首先,引入了新型非支配排序,找到最优前沿面;其次,将多项式变异和正余弦算法融合到种群进化策略中,增强其搜索能力,通过竞争机制的种群选择方法,降低搜索过程中局部最优粒子和全局最优粒子导致的误差;最后,将改进算法与多种多目标算法在标准测试函数上进行对比,仿真结果表明,改进算法的收敛性与搜索能力均优于其他算法。由此说明该算法具有可靠的多目标寻优能力,能够有效解决多目标优化问题。

基于PSO-CNN神经网络的车牌识别系统

我国加快构建智慧城市的建设,给汽车的管理带来很大的挑战,从应急管理的领域来看,车牌的识别对于汽车信息以及运动轨迹的实时监控有很大作用,那么车辆车牌的自动检测与识别技术极为关键。本文针对复杂车牌图像,利用当下热门的卷积神经网络和粒子群寻优算法进行结合,建立了一个基于MATLAB平台通用的车牌检测与识别模型,实验结果表明系统的平均识别率为97.8%,可以广泛应用于城市道路和无人停车场等领域的车辆自动化信息管理。

一种未知环境下方向自适应的机器人避障算法

针对机器人在未知动态环境中移动时避障难、路径规划复杂的问题,基于动态窗口法(Dynamic Window Approach,DWA)进行研究和优化,提出一种能够自适应调整方向的避障方法。首先通过障碍物信息计算可通行的间距和角度,设置临时目标点,解决了原算法会绕行密集静态障碍物区域或陷入局部最优的问题,然后在原算法的基础上新增一个用于处理动态障碍物的决策函数,将机器人与动态障碍物之间实时速度和距离的关系作为该评价函数的依据,并为该函数设置合理触发阈值,触发后通过计算选择最优的轨迹方向以完成动态避障。MATLAB实验结果证明,所提出的方法较原算法避障能力强,路径规划效率高,应对未知动态环境时有较大优势。