一种空间目标RCS序列的姿态异常检测方法

准确、快速判断空间目标姿态运动模式异常,对于空间目标监测具有重要意义。针对空间目标雷达散射截面(Radar Cross Section,RCS)序列,提出一种基于小波包分解(Wavelet Packet Decomposition,WPD)能量谱特征的无监督机器学习异常检测方法,并采用单类支持向量机(One Class Support Vector Machine,OCSVM)验证异常检测效果。设置了几种典型异常场景进行仿真分析,试验结果表明,该方法能有效检测出三轴稳定类空间目标发生失稳旋转的姿态异常。相比于传统统计参数特征、小波变换统计参数特征及能量特征的姿态判别方法,具有检测概率高、鲁棒性好的特点。

基于Kinect的六轴工业机器人异常姿态检测方法

工业机器人异常姿态检测是保障工业机器人安全作业的重要手段。针对已有方法存在检测准确率低和时效性不足的问题,提出了一种基于Kinect相机的六轴工业机器人异常姿态检测方法。该方法使用Kinect相机采集工业机器人彩色图像和深度图像,通过YOLOF目标检测算法得到彩色图像中工业机器人关节轴的信息,结合深度图像转换为对应三维坐标,参考工业机器人结构特性,构造机器人关节向量,提取角度特征,进行工业机器人姿态特征表示,基于欧式距离和余弦相似度进行姿态匹配,检测工业机器人异常姿态。本文的方法结合了工业机器人关节轴三维信息可对姿态进行更加精确的匹配。构建了六轴工业机器人作业视频数据集并进行了异常姿态检测。实验结果表明,本文的工业机器人异常姿态检测方法准确率为96.6%,单帧图像检测时间为43 ms,满足机器人安全监控实际应用需求。

基于统计模型的异常姿态检测

随着视频监控系统在各领域越来越广泛的应用,传统的人工标定视频中异行为的方法,已不能满足海量视频数据分析的需求。通过分析目标的姿态,能够检测出瞬时或短周期目标动作的异常。这里提出一种基于姿态码本和姿态直方图的异常姿态检测方法。该方法不依赖场景的先验知识,受视点变化的影响较小,模型能无监督实时更新以适应时变环境,能有效地检测目标的姿态异常。实验表明该方法的有效性和鲁棒性,具有一定的应用价值。