基于Kalman滤波器和改进Camshift算法的双眼跟踪

针对目前的人眼跟踪方法对人脸尺度变化、人眼部分遮挡和头部旋转等情况过于敏感,经常因丢失目标而导致跟踪失败,提出一种综合运用Kalman滤波器和改进Camshift算法的双眼跟踪方法,该方法首先运用Kalman滤波器预测双眼在当前帧图像中的位置;其次以该位置为中心运用改进Camshift迭代算法搜索双眼目标;再利用双眼分布的对称性校正搜索到的双眼窗口;最后更新Kalman滤波器和人眼模板.实验证明该方法对上述情况具有较强的鲁棒性.

改进CamShift算法的眼动跟踪方法

针对CamShift跟踪算法仅采用颜色特征,在存在颜色相近干扰目标、头部快速运动或者虹膜发生形变等情况易发生眼动跟踪不准确或失败等问题,提出一种基于改进CamShift算法的眼动跟踪方法。在CamShift算法中,计算边缘直方图分布,在颜色特征基础上融合边缘特征,同时通过分析饱和度分量抑制噪声影响,并利用基于边缘特征的自定义方法判断虹膜是否发生形变。当发生形变时,自动更新模板,根据历史运动轨迹预测虹膜中心。实验表明,该方法能有效改善眼动跟踪性能,且定位虹膜精确、错误率低、速度快,预测虹膜中心与实际虹膜中心相差极小,达到了准确性、鲁棒性和实时性的要求。

改进Camshift算法的DSP硬件实现目标跟踪方法

针对Camshift算法只对前一帧预测而导致的目标像素脱靶现象,以及目标像素在帧间位移较大的问题,本文提出一种改进Camshift算法的目标跟踪方法.该算法将加权背景直方图和贪心算法融入Camshift算法,利用贪心算法对前两帧图像信息进行处理,预测出目标在当前帧图像中的位置,再根据目标颜色概率,用Camshift算法找到目标的真实位置,最后在TMS320DM642(数字媒体应用的定点DSP)上对该文算法进行硬件系统的实现,并使用EDMA(增强型直接内存访问)方式和Cache技术对系统进行优化.实验结果表明,与传统Camshift算法相比,该文方法在背景与目标相近的情况下跟踪效果更佳,具有很好的鲁棒性和稳定性,适用于复杂环境下的目标跟踪.在系统实现上,优化后的系统平均帧率提升在3帧/s以上,增强了算法的速度.

改进Camshift算法的多行人目标跟踪方法

针对基于颜色特征的目标跟踪方法在跟踪多个行人目标时,易受衣服颜色相近的行人影响,造成行人目标跟踪发生错误的问题,提出一种改进Camshift算法的多行人目标跟踪方法:为克服单一颜色特征作为目标模型易造成目标丢失的不足,按一定的权值系数融合目标的颜色特征和HOG特征来建立目标模型;并分别对多个行人目标建立目标模型,将传统的Camshift算法的单目标跟踪扩展成多目标跟踪。实验结果表明,该方法相比于传统Camshift算法更具鲁棒性,跟踪准确率可提升5.3%,相比于粒子滤波算法,实时性能够提升30.23%。

基于改进CamShift算法的纱管跟踪方法研究

为了提高对纱管的实时精准跟踪,将Camshift算法应用于纱管分拣喂纱跟踪领域。传统MeanShift算法需要手动选择初始跟踪窗口,纱管分拣喂纱过程中单一颜色特征的跟踪算法很难满足实时跟踪要求。针对此问题,在CamShift跟踪算法基础上加入颜色识别,有效降低了误跟踪现象;加入卡尔曼预测机制,解决自动框选初始跟踪窗口的问题。通过3组对比实验可知:改进后的算法使目标的质心坐标偏差大约维持在4个像素点,验证了改进方法的实时性和精准性。

结合改进CamShift算法的人脸识别门禁系统

人脸识别门禁系统已经得到了广泛的应用,但是要求被识别人员靠近图像采集设备,使用起来极不方便。解决此问题的关键是在被识别人员的正常行走过程中完成人脸识别的任务,然而在人的正常行走过程中,因为角度、表情等变化,可能会导致人脸识别产生错误的结果。针对此问题,设计了一种结合CamShift跟踪算法的人脸识别门禁系统,采用人脸检测的结果来改进CamShift跟踪算法,然后再利用这条CamShift跟踪轨迹上人脸识别结果序列来修正错误识别。实验结果表明该系统能够完成正常行走过程中的人脸识别任务,并且有更高的识别率。

基于彩色图像与深度图像信息融合的改进Camshift算法研究

针对传统Camshift算法在目标跟踪过程中会被拥有与目标物体类似颜色分布的背景物体干扰,导致搜索窗口发散或目标丢失的问题,提出了一种基于彩色图像与深度图像信息融合的算法,利用Kinect传感器可同时获取目标区域彩色图像与深度图像的特点,使用光流法在深度图像中对运动目标进行跟踪,通过考虑空间运动关系剔除相似颜色背景可能带来的影响。试验结果证明,该算法可有效跟踪运动目标,并在出现干扰时提高系统的鲁棒性。

基于特征融合的改进Camshift算法研究

针对传统的Camshift算法仅依赖于颜色特征信息,而在面临复杂背景与尺度变化情况下跟踪效果不佳的问题,提出了一种基于特征融合的改进Camshift算法。改进算法首先将HSV颜色空间中的色度与饱和度分量联合生成模板,然后与方向梯度直方图特征自适应融合,为检测跟踪提供更多的特征信息,最后引入尺度自适应来提高算法对尺度变化时的适应能力。文章采用国际常用数据集进行测试,并与改进前算法进行比较,结果显示跟踪效果较好,并比传统算法有明显优势。

基于改进Camshift算法的移动机器人运动目标跟踪

提出了一种改进的Camshift跟踪算法来获得目标质心的位置,并在此基础上设计了一种采用单目视觉和声纳反馈信息的移动机器人运动目标跟踪系统.改进的Camshift算法通过自适应地扩展搜索窗口,解决了传统Camshift算法在跟踪中因目标加速度而引起的目标瞬间丢失问题.分析了移动机器人对运动目标的搜索、跟踪及避障等3种基本行为,并赋予不同的优先级,从而实现了机器人行为的协调.实验结果表明移动机器人系统能灵活、有效地完成运动目标的实时跟踪任务.

麦克纳姆轮农业机器人路径跟踪——基于改进野马算法

针对麦克纳姆轮农业机器人在智能大棚中的路径跟踪问题,建立了运动学模型和动力学模型,设计了一种新型的双环比例微分-分数阶比例积分导数(Proportional Derivative-Fractional Order Proportional-Integral Derivative,PD-FOPID)控制器对全局路径进行动态跟踪控制。对于控制器参数多且整定困难的问题,首先采用帐篷映射初始化种群策略、精英主义记忆策略、动态余弦权重策略和柯西—高斯变异策略对原始野马算法进行改进,然后利用略改进野马算法(Improved Wild Horse Optimizer,IWHO)对控制器最优增益参数优化。实验结果表明:所开发的算法在探索和开发阶段方面性能优异,且PD-FOPID控制器在整定工作中表现突出。路径跟踪仿真证明,设计的双环PD-FOPID控制器比FOPID控制器更具显著的优势,能够避免动态误差累积,快速响应调整到规划路径,在提高农业大棚机器人路径跟踪控制质量方面具有巨大的潜力。

基于改进NSGA-Ⅱ算法的梯级水库多目标优化调度

针对在时间步长较小、计算时段数目较多时,传统智能优化算法在求解梯级水库联合优化调度问题上效率低甚至无可行解的问题,提出了一种改进NSGA-Ⅱ算法。该算法基于NSGA-Ⅱ算法框架,引入参考目标值、潜力目标值、偏移度以及变异引导算子来优化种群进化过程,强化迭代中的种群质量,使获得的解集更加接近真实的Pareto前沿。福建省金溪流域梯级水库多目标优化调度实例验证结果表明,改进NSGA-Ⅱ算法相对其他算法运算效率更高,优化结果更好,具有较好的实用性。

考虑载客状态的改进孤立森林浮动车异常数据检测算法

为提高浮动车数据中异常数据检测能力及不同载客状态下的模型检测分析能力,提出基于S-DTA-IIForest(Summation&Difference Third Order Average&Improvement-Isolation Forest)的浮动车数据异常检测算法。构建由相邻两项求和(S)、三阶求和平均差分(DTA)的二维度空间SDTA特征向量;提出差额累计更新和动态区分辨识的改进孤立森林IIForest算法,通过设置停止阈值参数,避免当出现新样本异常值分数大于停止阈值时,仅更新样本不更新孤立森林模型的问题,设计每个二叉树区分辨识度参数,区分辨识度位于停止区间时停止二叉树生长,提高算法收敛性能,以ROC(Receiver Operating Characteristic)曲线下面积AUC(Area Under ROC Cure)、F1-score为指标对模型精度进行对比分析,并以重庆市中心城区学府大道开展实例验证。结果表明:本文S-DTA-IIForest组合算法AUC、F1-score分别为86.63%、0.89,AUC较传统孤立森林IForest(Isolation Forest)提高32.4%,运行效率提高1.29%,具有收敛速度更快、精度更高的优势,载客条件下模型AUC、F1-score较未载客分别提高7.7%、10.8%,组合算法对载客数据有更高的检测精度,且未载客状态数据异常率较载客状态增加71.4%,未载客数据异常率更高。

基于改进KNN算法的新能源发电单元运行状态识别

目前识别发电单元运行状态的研究较少,数据来源以数据采集与监控系统为主,采集速度较慢。为此,提出了一种基于发电单元机端电气量数据并融合改进k近邻(KNN)算法的新能源发电单元状态识别方法,直接采集机端电气量数据用于快速判断发电单元状态。提出KNN算法的改进策略,克服了传统KNN算法准确度低、识别速度慢的缺点。利用电力系统分析综合程序获取用于状态识别的发电单元机端电气量数据,利用改进策略对数据进行预处理,并对比传统KNN算法、逐条使用改进策略的KNN算法对新能源发电单元状态识别的耗时与准确度。结果表明所提算法较传统算法的识别准确度和速度明显提升,能满足稳定控制过程中对新能源发电单元的状态感知需求。

基于改进DBSCAN空间聚类算法的北京市人工智能产业集聚格局研究

企业作为产业的重要主体,其发展直接表征着产业的发展,企业的空间格局对产业的发展及资源配置具有重要的引导意义。本文基于北京市工商注册在业的人工智能企业数据,提取企业注册地址并转化为地理位置信息,通过改进有噪声的应用背景下的基于密度的空间聚类算法(DBSCAN),分析北京市细粒度层级下人工智能产业集聚在全市域的空间分布格局特征。在DBSCAN算法改进方面,首先调整Minpts参数为企业注册资本总额与企业数量2个维度,企业数量大于5家且注册资本总额大于一定数额,为形成产业集聚区的2个必要条件;其次提取簇内位于边界的企业位置点作为集聚区地理边界点,将边界点连线并绘制形成人工智能产业集聚区。本文重点分析了企业注册资本和地理聚合半径对人工智能产业集聚区形成的影响,同时采用核密度估计法作为参照验证,表明改进DBSCAN方法具有精确刻画产业集聚区地理边界和确定不同规模产业集聚区的优势。通过分析得知,北京市人工智能产业集聚具有明显的中心分布特征,集中在城六区,呈现“两大龙头带动,北京市全域遍地开花”的分布情况,海淀区、朝阳区处于人工智能集聚程度高水平,相较其他区域,人工智能产业发展遥遥领先;西城区、东城区、丰台区、昌平区处于集聚程度较高水平;通州区、大兴区、平谷区、密云区、石景山区、房山区、门头沟区、怀柔区、顺义区处于集聚程度中等水平;延庆区集聚程度较低。通过改进DBSCAN算法精确定位出中关村区域、上地西二旗区域、五道口区域、望京区域、国贸区域、亦庄经开区等人工智能产业集聚区。进一步探究发现,海淀区的人工智能科研人才优势,朝阳区的信息技术领域企业基础,是两区人工智能发展突出的直接原因。延庆区等郊区远离北京市中心城区,产业资源匮乏,同时由于区域功能定位限制等原因,导致人工智能产业集聚水平较低,表明这些区域人工智能产业发展较为缓慢。

基于改进蚁群算法的机器人全局路径规划

针对传统蚁群算法存在初始信息素缺乏、收敛速度慢以及无法有效躲避障碍物等问题,文中提出了一种基于改进蚁群算法的全局路径规划。引入正态分布函数改进传统启发函数,提高了算法效率,缩短了算法收敛所需时间。自适应调整信息素挥发系数,限定信息素范围,避免过早收敛。对算法路径平滑处理,缩短路径长度,从而实现机器人的全局路径规划。仿真结果表明,在20×20环境下,文中算法平均迭代次数比传统蚁群算法减少了28代,收敛速度更快。平均拐点减少了33.3%,使路径更为平滑,克服了初始信息素缺乏,加快了收敛速度,减少了拐点数量,能够有效躲避环境中的障碍物,证明了该算法的可行性。

基于改进引力搜索算法的水轮机调节系统仿真

针对现阶段水电机组存在多种复杂工况、工程计算受限于算法本身的复杂性等问题,提出一种改进的引力搜索算法(改进PSOGSA),以此提高水轮机控制参数的优化性能,弥补传统控制策略难以满足动态需求的不足.首先,结合PSO算法,在GSA的速度更新公式中引入学习因子进行改进.其次,应用一种权重系数优化其位置更新公式,提高算法的自适应性.最后,结合相关仿真建模试验,使用所提改进PSOGSA对水轮机调节系统PID参数进行优化调节.仿真结果表明,在5%空载频率扰动下,改进PSOGSA的PID控制器明显优于上述传统算法,所调节的模型系统能在更短时间内趋于稳定,此时的超调量远低于传统算法,表明此改进PSOGSA在后续迭代中具备更高的迭代效率,并且改善了常规算法中易陷入局部最优的问题,从而证明了改进PSOGSA的合理有效性,水轮机调节系统的控制效果在一定程度上得到优化.

基于改进蚁群算法的外卖配送路径规划研究

从外卖配送员角度出发提出一种改进蚁群算法(Improved Ant Colony Optimization,IACO),在此基础上进行外卖配送路径规划研究.首先通过蚁群算法(Ant Colony Optimization,ACO)求解得到初始规划路径,然后通过大规模邻域搜索算法(Large Neighborhood Search,LNS)优化初始规划路径,通过将ACO和LNS算法结合,提高求解质量.为了验证方法的有效性,对外卖配送过程进行仿真,并且选用不同订单数量场景进行对照分析.根据最优配送方案路线图和目标罚函数的最优值可以得出,IACO算法是有效的,且可以提高外卖配送员外卖配送的效率.IACO算法不但能够提升配送的智能化水平,还从外卖配送员的角度提出一种更为人性化的配送方法,支持网络互联外卖平台派送系统的可持续化发展.

基于集成改进蚁群算法的作战环推荐方法

作战环推荐是依靠优化算法从作战网络中为指挥员推荐最优的作战环,以对目标形成高质量打击。未来作战中的作战环推荐面临体系规模大、决策节奏快的特点。对此,提出了一种集成改进的蚁群算法,能够实现高效、高质的作战环推荐优化求解。首先,将作战环推荐问题转换为一种基于多仓库路径规划的数学模型。然后,针对原始蚁群算法前期收敛速度慢、算法参数对结果影响大和容易陷入局部最优的问题分别提出了3种改进策略:基于边权重信息的信息素初始化、基于差分进化的蚁群算法参数自适应优化和基于遗传算子的全局搜索能力提升,并进行了集成改进。最后,在案例分析中对集成改进蚁群算法进行了分析和对比,验证了所提算法在不需要大幅提高耗时的情况下,优化结果要优于未集成改进的蚁群算法,且相比于原始蚁群算法提升效果显著。

改进灰狼算法优化GBDT在PM_(2.5)预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees,GBDT)模型对北京市大气污染物监测数据中PM_(2.5)质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E RMS为6.65μg/m^(3),平均绝对值误差E MA为3.20μg/m^(3),拟合优度(R^(2))为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m^(3),平均绝对值误差降低了10.03μg/m^(3),拟合优度增加了9百分点;与霍尔顿序列和莱维飞行改进的(Levy Flight-Halton Sequence,LHGWO)相比,改进的灰狼算法预测得分的均方根误差降低了10.39μg/m^(3),平均绝对值误差减小了6.71μg/m^(3),拟合优度提高了5百分点。研究表明了预测模型优化的有效性,为未来城市改善空气质量提供了科学依据和技术支持。

基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法

针对穿墙雷达运动人体目标图像"闪烁"与"抖动"的特点,提出基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法。首先,针对形成的连续多帧穿墙雷达图像以及对应的颜色概率分布图,引入目标预测过程以确定图像中运动目标搜索波门,消除波门外的杂波干扰;然后,利用颜色概率分布图,在波门内自适应迭代调整目标搜索窗尺度,匹配形状与大小变化的目标图像以提取目标位置;最后,对提取的目标位置进行α-β滤波,形成连续平滑的目标运动跟踪航迹,实现基于穿墙雷达成像的建筑物内运动人体稳定航迹跟踪。多输入多输出(MIMO)穿墙雷达实验结果显示,与传统Camshift和Meanshift算法相比,改进后算法的跟踪航迹误差分别降低了40.99%和43.09%,获得了更加准确和平滑的目标运动航迹。