基于机器学习的小麦收获机掉头轨迹识别

识别小麦收获机运行轨迹是分析农业机械活动、提高作业效率的重要手段。本文针对小麦收获机田内作业场景,提出一种基于机器学习的收获机掉头轨迹识别算法。首先通过两步K-means聚类与三步修正识别出X形掉头轨迹点、作业异常轨迹点与作业轨迹点;为进一步从作业轨迹中分类出U形掉头轨迹点,构建了基于支持向量机模型(Support vector machine, SVM)的U形掉头轨迹识别算法,并对初步识别结果进行三步修正;最终识别出小麦收获机的田内X形掉头、作业异常、U形掉头与作业轨迹点,识别结果的F1值为94%,时间间隔为1~5 s的数据的F1值在90%以上,实现田内轨迹的细致划分。基于去除掉头轨迹与异常轨迹后获得的有效作业轨迹,可通过距离算法计算获得农田面积,结果相比使用原始轨迹的计算误差可降低12.76%。该研究可为基于海量农机轨迹的作业精细化管理提供参考。

基于毫米波雷达的过街轨迹识别与特征分析方法

针对行人、非机动车等慢行交通的过街轨迹识别与分析问题,提出一种基于毫米波雷达的实现方法。根据毫米波雷达提供的目标数据,采取坐标转换、数据清洗、数据滤波三步骤,识别获得过街轨迹数据,在此基础上,通过计算平均速度、最大速度、最小速度、过街方向等特征指标,判断过街类型,完成分类统计和特征分析。并结合实际案例应用,将识别与分析结果与人工统计结果进行比对,结果表明,该方法能有效提取过街轨迹,识别行人与非机动车,计算出其流量和速度,与实际较为相符,误差在10%以内。

基于多特征融合的健美操手臂动作轨迹识别

由于传统的健美操手臂动作轨迹识别方法存在识别结果不准确等问题,提出一种基于多特征融合的健美操手臂动作轨迹识别方法。在深度图像序列中获取健美操运动员的手臂关节点信息,通过关节点坐标提取位移特征和部件中心特征。利用空间区域分块方法进行动作图像的手臂动作空间规划,构建手臂区域定姿模型。通过模板自匹配和小波多尺度分解方法对提取到的特征进行轨迹边缘检测,实现手臂动作轨迹识别。仿真实验结果表明,所提方法能够获取高精度的健美操手臂动作轨迹识别结果,有效减少漏识率和识别费用。

结构光视觉辅助焊接的轨迹识别与控制技术

对激光多点寻位、焊前轨迹拟合、焊缝实时跟踪的3种结构光视觉辅助焊接的轨迹识别与控制技术进行了研究.提出了适用于上述三者的以CNN模型、自适应特征提取算法、先验模型、坐标矩阵转换为核心的焊接轨迹识别流程.提出了分别对应上述三者的焊接轨迹控制模型:示教轨迹修正模型、焊前轨迹拟合模型、焊缝跟踪实时纠偏模型.结果表明,激光多点寻位、焊前轨迹拟合模式焊接时,能够在焊前高效地识别出焊接轨迹曲线,焊接轨迹与焊缝中心线基本重合;焊缝实时跟踪模式焊接时,系统能够实时矫正焊枪的偏差.文中提到的焊接轨迹识别流程与轨迹控制模型足以保证结构光视觉辅助焊接的稳定运行.

基于SORT算法和光流模型的地铁车站客流运动轨迹识别方法研究

目的:精准监测地铁系统的大客流状态是进行客流风险识别和管控的基础。地铁车站容纳空间有限,易发生客流堆积和冲突等风险事件,亟需研究一套能够对地铁车站的客流运动轨迹进行实时识别的方法。方法:提出了基于SORT(简单的在线实时多目标跟踪)算法和光流模型的地铁车站客流运动轨迹识别方法,作为地铁安全防控的辅助手段。首先,采用SORT算法,实现高密度场景下的实时客流识别;其次,使用PWC-Net(使用金字塔、仿射变换和成本体积的光流卷积神经网络)光流模型,实现实时客流定位和运动轨迹识别;最后,通过上海市地铁车站的真实视频数据,对该方法进行验证。结果及结论:通过上述识别方法,可有效地关联目标,识别覆盖的客流,并提升识别的实时性。采用PWC-Net光流模型实现客流运动轨迹的识别,在模型的体积和训练时间上分别为FlowNet2(数据集训练顺序的网络)模型的94.12%和50.00%。因此,该方法能够满足地铁车站实时高密度客流运动轨迹识别的场景要求。

基于语义点云的巡航系统移动目标轨迹识别

实时、准确的移动目标轨迹识别性能会对自适应巡航系统的应用性能起到直接影响,为准确识别移动目标轨迹,保障巡航系统应用对象的安全,研究基于语义点云的巡航系统移动目标轨迹识别方法。采用分层自适应移动曲面拟合滤波方法,通过粗滤波与精滤波两个主要步骤实现自适应巡航系统移动目标点云滤波。通过深度卷积神经网络对滤波处理后的点云图像进行语义分割,将点云图像内的点云划分为移动目标点云和背景点云两部分。针对不同场景内的移动目标点云,利用点云曲率信息搜索匹配特征点,通过相似度函数评价实现点云配准,基于点云配准结果获取移动目标轨迹。实验结果显示:该方法滤波误差控制在4%以下,点云配准的覆盖率在85%以上,识别精确度95%以上,且检测效率较高,能够准确识别不同移动模型下的目标轨迹。

基于Kinect深度图像信息的手势轨迹识别及应用

为实现基于Kinect深度图像信息的手势轨迹识别,提出了一种基于隐马尔可夫模型(HMM)的手势轨迹识别的方法。首先采用新型Kinect传感器获取图像深度信息;然后通过OpenNI的手部分析模块获得手心的位置,提取轨迹特征;最后利用隐马尔可夫模型训练有效的轨迹样本并实现轨迹的识别。实验结果证明,该方法能有效地识别手势轨迹,并可用于控制智能轮椅的运动。

基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究

在水电机组轴心轨迹识别研究中,为解决传统支持向量机方法中特征参数无法自适应选择而导致分类性能不高、计算时间过长等问题,提出混合人工蜜蜂群算法特征参数同步优化支持向量机(HABC-SVM)的轴心轨迹识别方法。将人工蜜蜂群算法引入到支持向量机识别优化模型的求解中,对人工蜜蜂群从搜索策略、蜜源编码、更新策略等方面进行了改进。通过仿真试验获取水电机组的四类典型轴心轨迹样本,对轴心轨迹中提取的19种特征参数和支持向量机参数进行了同步优化,将改进HABC算法与PSO-SVM算法和GA-SVM算法进行了对比。研究结果表明HABC-SVM具有良好的自适应性和分类精度,可以同步获取支持向量机参数和特征子集的最优解,增强分类器的性能,提高轴心轨迹模式识别的准确率,对水电机组的故障诊断工程应用有一定的指导意义。

基于粒子群矢量搜索融合的射流轨迹识别方法

为解决消防炮射流轨迹识别受到摄像头晃动或背景变化的影响,从而导致定位精度降低的问题,提出了一种将矢量搜索法和粒子群算法相融合的射流轨迹识别方法。结合矢量搜索法和粒子群算法在射流轨迹识别中的特点,给出了融合算法中矢量搜索法和粒子群算法的对应关系、粒子点初始位置设置和适应度值计算方法以及迭代求解流程和射流落水点确定方法。实验结果表明,本方法实现了对消防炮射流轨迹的识别定位,图像背景环境变动对结果影响较小,可实现摄像头晃动或背景变化情况下的射流轨迹查找,轨迹搜索的效率和准确性优于单向搜索等方法。

基于OpenCV的摄像头动态手势轨迹识别及其应用

利用OpenCV计算机视觉库在vs2008平台上设计了一个基于实时摄像头的集动态手势检测、动态手势跟踪、动态手势轨迹识别的应用。首先,该应用基于静止的背景更新,利用背景差分检测运动手势,再结合颜色直方图的粒子滤波进行动态手势跟踪,最后利用隐马尔可夫模型(HMM)进行运动轨迹识别。在运动检测部分结合了背景差分图与通过颜色直方图获得的反投影图,达到比较满意的实时运动检测效果;在运动手势跟踪部分,改进的颜色直方图的粒子跟踪能够在经过类肤色人脸的干扰后迅速地找回运动手势,基本达到了跟踪的要求,但是同时对于HMM识别轨迹时需要的运动轨迹序列采集造成了影响;在识别轨迹部分,HMM的训练达到了识别的要求,但是识别的效果主要取决于实时运动轨迹序列的采集工作与采集方法的优化。

基于多轨迹矢量搜索的射流轨迹识别方法

射流轨迹识别通过图像处理方法识别消防炮射流的运行轨迹,是智能消防炮系统的重要环节。在使用过程中消防炮射流分叉、高亮度背景和背景晃动会对射流轨迹识别产生重大影响。为解决射流轨迹识别效率低的问题,提出一种新的射流轨迹识别方法。给出多轨迹矢量搜索法的搜索模式,设置多轨迹搜索起点和搜索方向,根据多轨迹矢量搜索原理,设定轨迹点搜索成功及搜索结束的条件,提出射流落水点位置的识别、抗干扰处理及后续处理步骤。实验结果表明,该方法在高亮度背景和图像背景晃动干扰的情况下,可实现对消防炮射流轨迹的高效识别与定位,结果优于背景减除法和单向搜索法。

基于隐马尔可夫模型的运动目标轨迹识别

引入改进的隐马尔可夫模型算法,针对真实场景中运动目标轨迹的复杂程度对各个轨迹模式类建立相应的隐马尔可夫模型,利用训练样本训练模型得到可靠的模型参数;计算测试样本对于各个模型的最大似然概率,选取最大概率值对应的轨迹模式类作为轨迹识别的结果,对两种场景中聚类后的轨迹进行训练与识别。实验结果表明,平均识别率分别达到87.76%和94.19%。

融合时空行为与社交关系的用户轨迹识别模型

随着位置社交媒体的流行,用户移动行为数据得到极大丰富,推动了用户轨迹识别问题相关研究.该问题着眼于判定目标轨迹所属用户,有助于理解用户移动模式,促进个性化推荐等下游应用.目前已有方法通常尝试采用多分类方法解决该问题.然而,这些研究仍然面临着两个亟待解决的挑战:用户轨迹稀疏和类别数量庞大.其中,前者产生的原因在于用户常常只在社交媒体中发布部分访问地点信息,并且用户兴趣地点分布具有局部性;后者则是因为多分类方法下每个类别即代表一个用户,而用户数量庞大.为应对上述挑战,本文致力于有效利用轨迹时间戳序列和用户社交关系这两类被相关研究忽略的信息.一方面时间戳信息能够缓解轨迹稀疏性,另一方面社交关系可以通过刻画用户(类别)之间相关性帮助用户表示学习.为此,本文提出了融合神经时间点过程与图神经网络的新模型NTPP-GNN(Neural Temporal Point Process with Graph Neural Network),包含空间、时间、社交关系三个模块.空间模块中,双向循环神经网络用来刻画地点间序列性;时间模块中,本文提出双向神经时间点过程从正反两个方向捕捉时间连续性,并以此促进轨迹的时间表征;社交关系模块中,图神经网络用于传播和学习用户表示.NTPP-GNN采用端到端方式学习上述三个模块,以确保模块之间彼此适配.为验证NTPP-GNN的有效性,本文在三组数据集(Foursquare、Gowalla和Brightkite)上进行实验.结果表明:(1)NTPP-GNN性能比最好的基准方法在ACC@1上平均提高7.0%;(2)NTPP-GNN的各个模块对于性能均有贡献;(3)所提出的双向神经时间点过程相比于只考虑先后顺序的传统神经点过程方法能够带来额外提升.

一种新的羽毛球拍挥拍轨迹识别方法

为了更加精确地识别羽毛球拍的运动轨迹,提出一种多传感器融合的挥拍轨迹识别方法(TRM,trajectory recognition method).使用放置在球拍拍柄底部的智能设备进行数据采集,该设备由加速度计、陀螺仪和磁力计的多传感器组成.首先,使用加速度计和磁力计对陀螺仪进行修正,改进基于卡尔曼滤波器的四元数姿态解算精度并得到姿态角.其次,使用旋转矩阵去除加速度的重力分量,再对加速度数据进行频域数值积分得到速度和位移,采用最小二乘拟合多项式剔除数值积分过程中产生的累积误差.最后,结合姿态角、速度和位移,识别出挥拍轨迹.实验结果表明,提出的TRM具有良好的有效性.与传统时域积分轨迹识别方法相比,TRM的挥拍轨迹识别率更高.TRM可以更准确地进行羽毛球拍运动轨迹识别.

基于多维频繁序列挖掘的攻击轨迹识别方法

针对传统攻击轨迹识别方法处理时序数据效率较低且无法全面反映告警各维属性变化规律的不足,首先基于前缀-投影思想,设计了不产生候选集的频繁告警属性序列挖掘算法;然后,利用时间窗分割全局攻击类型序列和全局攻击目标序列,挖掘出网络中频繁攻击行为序列和频繁攻击目标序列,并利用目的IP分割全局攻击类型序列,挖掘出针对单个主机的组合攻击模式,进而全面识别网络和主机上的攻击轨迹;最后,在典型分布式拒绝服务攻击场景LLDoS1.0inside的流量数据集中验证了以上方法的有效性。

基于小波向量和AR模型的轴心轨迹识别

本文对在不同尺度下小波变换的相关性进行了探讨。基于小波向量和自回归ＡＲ模型给出了大型旋转机械轴心轨迹的一种识别方法。该方法不仅能够反映轨迹的总体特征，而且还一定程度地描述了ｘ轴信号与ｙ轴信号的相关性．实验表明此方法是有效的。

基于深度图像信息的指尖跟踪与轨迹识别

针对基于传统摄像头获取的二维图像难以准确区分复杂环境下目标和背景的问题,提出一种利用Kinect摄像头对复杂背景下手指指尖的跟踪算法,并对指尖跟踪的轨迹进行识别。首先利用Kinect获取的深度图像信息对手部进行分割和指尖检测;然后利用压缩感知方法对跟踪目标进行特征提取,通过朴素贝叶斯(NB)分类器分类跟踪目标和背景;最后,通过支持向量机(SVM)方法对跟踪的轨迹进行识别。实验结果表明,提出的方法能够成功地跟踪手指指尖的位置,同时能够准确识别出指尖跟踪的轨迹。

小波神经网络在轴心轨迹识别中的应用

采用一种小波神经网络对轴心轨迹进行识别，为系统的进一步诊断提供了辅助信息。针对小波神经网络训练中出现的问题，引入了遗传 Ｂ Ｐ 算法解决。对小波神经网络的识别结果和 Ｂ Ｐ 网络作了比较。

采用冒泡原理进行多轨迹识别的方法

为更好地提高业务监控识别的准确性,降低误判率并扩展应用范围,通过引入恒变循环轨迹的概念,将一类问题都归结于剩余类循环轨迹的问题.提出了一种基于冒泡原理的多轨迹识别算法,利用各轨迹交替特性,依次按轨迹属性值由大到小识别.实验表明,使用该算法检测共享接入主机,具有很高的收敛性和准确性,更满足现网场景需求.

基于二值异或群的多轨迹识别算法

针对二值异或群循环轨迹集没有有效的识别算法的问题,进行了高效快速的多轨迹识别算法方面的研究。首先建立了多轨迹识别问题的数学模型,定义了一类新的轨迹——二值异或群循环轨迹,然后针对这类轨迹提出了一种新的识别算法,将求解与基轨迹相异或的元素值的问题转化为求解轨迹特征位模式的问题,并在理论上证明了其正确性,通过这样的处理极大地提高了算法可操作性,最后将此算法应用于共享接入检测场景中并进行了验证。实验证明,此算法具有较高的准确度和误报容忍度,能较好地应用于网络监控和信息安全领域。