基于双目视觉的车前行人检测方法研究

当前的汽车安全辅助驾驶和无人驾驶汽车是图像领域的研究热点,针对汽车在启动或行驶时车前存在行人可能导致的安全问题,着重研究了基于双目视觉的车前行人检测方法。进行了双目相机的相机标定和立体标定;通过改进后半全局立体匹配算法获取深度图,确定车前行人所处位置的感兴趣区域(Region of Interest,ROI),剔除冗余的背景信息;分割并提取了图像的降维梯度直方图(Histogram of Gradients,HOG)特征信息;将特征输入到支持向量机(Support Vector Machine,SVM)分类器训练,检测并标记出车前的行人目标。实验证明,所提算法对车前场景下的动态行人可以更为有效地检测,具备更优的检率精度、时效性和鲁棒性。

基于布尔方程与数据分析的WSNs链路故障恢复

在WSNs网络规模不断扩展的同时,路由协议与节点复杂度随之升高,导致WSNs网络中链路故障概率的增加。现有方法普遍存在链路故障检测误差偏大,网络恢复效果不佳等问题。为此提出了基于布尔方程与数据分析的大规模WSNs链路故障恢复方法。根据WSNs链路的能量特征构建测试信号的布尔映射关系,依据路径与链路的布尔状态向量搜索故障链路最小值,利用线性规划与约束条件求解布尔方程,从而确定故障链路。根据WSNs链路结构与参数计算发送数据量,利用发送数据量差值求解故障定位目标,并采取梯度降维方式求解出故障点的具体位置。通过仿真验证了基于布尔方程与数据分析的WSNs链路故障恢复方法能够有效提高网络的可用性与数据传输效率,对于链路故障具有更高的检测精度与召回率,且显著提升了故障链路的恢复性能。

面向图像分类的多层感知机BBO优化方法

为了通过优化多层感知机权重及偏置提高图像分类决策的正确率,借鉴生物地理学优化(BBO)算法的思想,提出面向图像分类的多层感知机BBO方法.首先提取图像的颜色矩和降维梯度方向直方图(DRHOG)的组合特征作为多层感知机的输入数据,然后使用BBO优化方法得到迭代250次的最优权重及偏置,最后经多层感知机得出测试图像的类别.该方法有效避免算法早熟现象,增强图像分类能力.通过仿真实验,验证此方法比粒子群优化算法优化多层感知机具有更高的求解质量和效率,为图像分类提供又一可行方案.