基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

基于肌电−惯性融合的人体运动估计:高斯滤波网络方法

本文研究了基于肌电(Electromyography,EMG)−惯性融合的人体运动估计问题,提出了一种序贯渐进高斯滤波网络(Sequential progressive Gaussian filtering network,SPGF-net)估计方法来形成肌电和惯性的互补性优势,以提高人体运动估计精度和稳定性.首先,利用卷积神经网络对观测数据进行特征提取,以及利用长短期记忆(Long short-term memory,LSTM)网络模型来学习噪声统计特性和量测模型.其次,采用序贯融合的方式融合异构传感器量测特征,以建立高斯滤波与深度学习相结合的网络模型来实现人体运动估计.特别地,引入渐进量测更新对网络量测特征的不确定性进行补偿.最后,通过实验结果表明,相比于现有的卡尔曼滤波网络,该融合方法在上肢关节角度估计中的均方根误差(Root mean square error,RMSE)下降了13.8%,相关系数(R^(2))提高了4.36%.

基于高斯滤波与均值聚类的异质多源传感器数据加权融合

异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的最佳连通域,保留传感器内部数据,完成传感器数据的高斯滤波平滑处理。引入均值聚类对异质多源传感器数据进行一致性处理。通过免疫粒子群搜索最优权重和参数,利用最优权重和参数完成异质多源传感器数据加权融合。仿真结果表明,所提方法能够降低融合后传感器数据的观测误差与均方误差,观测误差与均方误差最小值均为0.002。因此,说明所提方法提高了融合后异质多源传感器数据的可利用性。

基于改进高斯滤波算法的图像去噪方法

随着激光技术在光学测量和精密加工等领域的应用日益广泛,对图像的质量要求也越来越高。然而,在实际应用中,图像常常受到散斑噪声的影响,导致图像质量下降。现有方法由于采取的平滑技术较为简单,对于散斑噪声的抑制能力有限,为此,设计基于改进高斯滤波算法的图像去噪方法。测试结果表明,设计方法展现出了优秀噪声抑制性能,保留了图像的主要特征。

条件线性高斯状态空间模型的GSF-KF滤波算法

算法将模型中的条件线性状态方程代入观测方程,并融合线性状态的过程噪声和观测噪声,再与非线性状态方程联立,由高斯和滤波器(Gaussian sum filter,GSF)获得非线性状态的估计;然后将估计值代入线性状态方程与观测方程,由卡尔曼滤波器(Kalman Filter,KF)获得线性状态的估计。此外,获得的非线性状态估计的方差还用于修正线性状态的估计。将GSF-KF算法应用于目标跟踪的仿真结果表明,与现有Rao-Blackwellized粒子滤波器(Rao-Blackwellized Particle Filter,RBPF)相比,新方法在保证精度的同时,明显提高了实时性,计算时间仅约为RBPF的7%。

结合高斯滤波与MASK的G-MASK人脸对抗攻击

深度神经网络的快速发展使其在计算机视觉和自然语言处理等领域取得较大成功,但是对抗攻击会导致神经网络的表现性能降低,对各类系统的安全保密性造成严重威胁。现有黑盒攻击方法在人脸识别中性能表现较差,攻击成功率较低且生成对抗样本迁移性不高。为此,提出一种结合高斯滤波与掩码的对抗攻击方法G-MASK。利用Grad-CAM输出的热力图确定对抗样本的掩码区域,使其只在掩码区域施加扰动,提高黑盒攻击成功率,采用扰动集成方法提高黑盒迁移能力,增强黑盒攻击鲁棒性,对生成的扰动进行高斯平滑处理,降低集成模型之间干扰噪声的差异,提高图像质量且增强扰动掩蔽性。实验结果表明,针对不同的人脸识别模型,G-MASK方法在保证白盒攻击成功率较高的条件下能够显著提升黑盒攻击效果,并具有更优的掩蔽性,经过模型扰动集成的对抗样本白盒攻击成功率均提高至98.5%以上,黑盒攻击成功率最高达到75.9%,与快速梯度符号法(FGSM)、迭代快速梯度符号法(I-FGSM)和动量迭代梯度符号法(MI-FGSM)相比分别平均提升12.1、10.6和8.2个百分点,充分验证了该方法的有效性。

基于高斯滤波与多尺度CNN的抗噪轴承故障诊断方法

针对滚动轴承在强背景噪声环境下故障诊断性能不佳,已有基于深度学习和降噪处理的故障诊断模型规模较大,复杂度较高导致难以实际部署的问题,提出一种基于高斯滤波(Gaussian-filter)和多尺度卷积神经网络(MultiScale Convolution Neural Network,MSCNN)的滚动轴承故障诊断方法,可在噪声环境中实现低复杂度、高精度的故障诊断,并对不同负载情况具有高鲁棒性。该方法首先构造适应不同信噪比的最佳滤波核,然后对有噪信号进行降噪处理,最后使用MSCNN自适应提取信号多尺度特征,实现多类别故障诊断。实验结果表明,与当下最先进的各种故障诊断方法相比,该方法在各种强度噪声下均具有较高故障诊断精度,且在时间和空间维度上具有较低的复杂度,有望在工业生产中得到实际应用。

混合半径高斯滤波算法在去除GRACE条带误差中的应用

从GRACE重力卫星获取的时变重力场存在严重的南北条带误差,极大地掩盖了真实重力场信号,因此需要进行滤波处理。以GRACE相关滤波理论为基础,以信噪比最优为评估依据,详细分析不同高斯滤波半径在各阶次下信噪比以及高斯权重系数变化情况。基于此,提出混合半径高斯滤波方法,即通过调整各阶次下的高斯滤波半径来优化高斯滤波权重系数。结果表明,在仅进行400 km经典高斯滤波、去相关滤波与300 km经典高斯滤波的组合滤波信噪比最优情况下,采用分两步进行的400 km混合半径高斯滤波、去相关滤波与分3步进行的300 km混合半径高斯滤波方法,能进一步提高信噪比,同时改善因高斯滤波造成的信号泄漏。

二阶各向异性高斯导数滤波器的斑点检测算法

针对目前斑点检测算法对斑点进行定位和描述斑点形状的能力不足等问题,提出了一种基于多尺度二阶各向异性高斯方向导数滤波器的斑点检测算法。二阶各向异性高斯方向导数(SOAGDD)可以很好的提取不同方向的图像信息,并且可以很好的应对噪声干扰,采用多尺度二阶各向异性高斯方向导数滤波器对输入图像进行平滑处理,对处理后图像进行区域极值计算。实验证明提出的方法在兴趣点检测的定位、检测到的兴趣点的形状描述和图像匹配方面具有优越性。

基于多参数Gabor滤波器融合和高斯差分的生丝疵点分割

针对生丝疵点图像背景与疵点差别极小的特点,提出一种基于多方向、多频率Gabor滤波器融合和高斯差分滤波的疵点分割算法。根据疵点纹理特性,首先采用极大值的方法对特定频率多方向疵点Gabor滤波图像进行融合,并基于均值法对不同频率Gabor滤波器图像进行融合,然后使用高斯差分滤波进一步凸显疵点,最后采用全局阈值将疵点与背景分割开来。测试结果表明:该研究算法召回率达到了93.2%,能够准确分割出生丝疵点。

基于高斯引导滤波MSRCR的奶牛夜间低质量图像增强方法

为了解决奶牛夜间图像存在颜色失真、边缘细节丢失与噪声干扰等低质量问题,试验提出了一种基于高斯引导滤波的彩色恢复多尺度Retinex(multi-scale Retinex with color restoration, MSRCR)图像增强算法,即先利用多尺度高斯滤波函数处理原始夜间图像得到粗糙照度分量,再利用引导滤波(guided filtering, GF)函数处理获得精确照度分量,然后结合四方向Sobel边缘检测器进行反射分量自适应权值优化,最后通过对数加法将照度分量和反射分量合成增强图像。试验以3组(1组为均匀光照灰度图像、2组为均匀光照彩色图像、3组为非均匀光照彩色图像)夜间不同成像条件下的180幅图像为研究对象,以平均梯度(mean gradient, MG)、标准差(standard deviation, S)、信息熵(information entropy, IE)、边缘保持指数(edge preserving index, EPI)、结构相似性指数(structural similarity index, SSIM)、峰值信噪比(peak signal to noise ratio, PSNR)和运行时间为评价指标,比较分析本算法和直方图均衡(histogram equalization, HE)算法、基于GF的多尺度Retinex算法(即GF+MSR算法)、MSRCR算法和光照自适应Retinex (illuminated adaptation Retinex, IAR)算法的图像增强效果。结果表明:与原图像比,本算法增强后图像的MG值较HE、GF+MSR、MSRCR和IAR算法增强后图像分别提高了72.22%、150.00%、41.67%和31.67%,IE值分别提高了30.42%、56.90%、43.28%、8.65%;S值较GF+MSR、MSRCR和IAR算法增强后图像分别提高了68.61%、74.28%、54.62%,较HE算法增强后图像降低了55.54%。本算法增强后图像的EPI值较HE、GF+MSR、MSRCR和IAR算法分别提高了34.70%、23.72%、51.41%、12.11%,SSIM分别提高了14.47%、9.33%、5.09%、18.19%;PSNR值较经HE、GF+MSR、MSRCR算法增强后图像分别提高了30.12%、11.52%、20.05%,较IAR算法增强后图像降低了0.67%;同时本算法运行时间分别较HE、GF+MSR、IAR算法减少了67.55%、32.81%、10.14%,而较MSRCR算法增加了139.47%。说明本算法能够有效增强夜间图像的边缘信息并抑制噪声干扰,提高了夜间奶牛图像的质量。

基于二维图像高斯滤波的BOTDR噪声抑制方法研究

布里渊光时域反射仪(BOTDR)因光信号单端注入及自发布里渊散射信号弱而导致布里渊增益谱(BGS)信噪比(SNR)较低,本文提出采用二维图像高斯滤波算法对BGS图像进行处理以实现对BOTDR系统的降噪。分析了微波外差扫频BOTDR的BGS噪声信号特征,设计了二维图像高斯滤波BGS降噪算法,并在BOTDR测温实验系统上实验验证了该降噪算法的噪声抑制效果和信号处理效率。实验证明,在单频功率曲线100次累加平均的条件下,采用高斯滤波算法对二维BGS图像降噪,降噪前后BGS的SNR提升约10.7dB,变温区的波动范围由±7.79MHz降低至±2.61MHz,同时有效传感距离由约13.8km提升至约24.0km,降噪算法平均信号处理时间约为0.129s。研究表明该降噪方法可显著提升BOTDR系统的SNR,且具有良好的实时性。

高斯滤波在花山岩画图像处理中的应用研究

花山岩画是中国岩画文化的重要组成部分,具有极高的历史、艺术和科学研究价值。随着数字图像处理技术的不断发展,对花山岩画进行数字化保护和研究成为可能。高斯滤波作为一种基本的图像平滑技术,能够有效去除图像噪声,从而改善图像的质量。本文探讨了高斯滤波在花山岩画图像处理中的应用,通过实验证实了高斯滤波对提高岩画图像质量的有效性,为花山岩画的数字化保护和研究提供了重要的技术支持。这一研究为进一步挖掘和保护中国岩画文化遗产提供了有益的参考和指导。

卡尔曼滤波优化的高斯过程回归模型

为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据分别进行高斯过程回归,预测关键参数的均值和方差,并将其视作软传感器输出的测量值和噪声.然后利用卡尔曼滤波算法对软传感器的输出进行融合,在最小均方误差准则下,实现对多个高斯过程回归结果的融合优化,获得优化后模型的输出结果.仿真实验将KF-GPR与平均值融合方法进行对比,结果表明KFGPR能够获得拟合精度更高的预测曲线,验证了模型的有效性.最后,将KF-GPR应用于温度随纬度变化的实例分析中,分季节给出了纬度−温度预测曲线.

高斯滤波增强技术融合最大类间方差法在医学影像诊断中的应用研究

为了进一步提高肺部医学影像辅助诊断的准确性,提出一种高斯滤波增强技术融合最大类间方差法对肺部CT影像进行分割和计算病变面积占比的算法。首先对原始图像采用高斯低通滤波运算去除噪声和杂质并使用MSVSR提高图像质量,然后通过最大类间方差法将图像目标和背景分割出来,再将二值化图像一分为二,一方面采用高斯高通滤波运算锐化磨玻璃影和病变肺实质,另一方面使用HED将肺轮廓提取出来,最后计算出病变区域与肺轮廓面积占比。临床试验数据表明,本文算法不仅可以去除伪影和噪声,还能够最大限度地保留临床意义上的图像特征信息,具有较高的准确性,可以为临床研判肺部疾病严重程度与医疗诊治提供帮助。

基于方向自适应相对高斯引导的图像纹理滤波

针对联合双边滤波具有固定空间核尺度,不能随局部特征灵活变化的问题,提出一种基于方向自适应相对高斯算法的结构保持双边纹理滤波算法(DARG)。通过检测方向场中8个方向的相似像素构造自适应相对高斯引导映射图,引导联合双边滤波过滤纹理。大量实验结果表明,DARG算法可以很好地过滤复杂及大比例的纹理,以优于目前经典算法的方式保留高质量的小结构,简单有效,易于应用。

基于双边与高斯滤波混合分解的图像融合方法

针对红外与可见光图像融合时,两种异质图像信息容易相互干扰,造成融合图像出现模糊、信息混乱和对比度降低等问题,提出了一种基于双边与高斯滤波混合分解的融合方法。首先采用双边和高斯滤波器对输入的红外与可见光图像进行混合信息分解,得到小尺度纹理细节、大尺度边缘和底层粗略尺度图像信息;其中的大尺度边缘信息包含红外图像的主要特征,依据该特征确定各分解子信息的融合权重,从而将重要的红外特征信息注入到可见光图像;最后通过对各融合子信息进行组合重构出融合图像。实验结果表明,该算法融合效果要优于传统基于多尺度分解的图像融合算法。

一种改进的高斯近似滤波方法

提出了一种改进的高斯近似(Gaussian approximate,GA)滤波方法,推导了它的一般解和特殊解,并证明了现有的高斯近似滤波方法是所提出的方法的一种特例.在提出的方法中,不需要基于高斯假设重复地产生求积点,而是直接地更新求积点.与现有的高斯近似滤波方法相比,提出的方法利用了量测求积点修正状态求积点,从而可以更好地捕获状态一步预测密度和状态后验密度的非高斯信息和高阶矩信息.此外,提出的方法不仅适用于确定的系统模型而且还适用于随机的系统模型.单变量非平稳增长模型、垂直落体模型、再入飞行器目标跟踪的仿真验证了提出的高斯近似滤波方法的有效性和与现有方法相比的优越性.

一种自适应各项异性高斯滤波方法

为了提高图像的信噪比且尽可能保留图像边缘信息,论文提出了一种自适应各项异性高斯滤波方法,该方法根据各象素位置的灰度梯度值决定在这一点是采用各项同性还是各项异性高斯滤波,如果采用各项异性滤波,则由该处的灰度梯度方向角自适应决定各项异性滤波器的长轴方向。仿真实验表明,论文提出的自适应各项异性滤波器在边缘保持方面优于各项同性高斯滤波器。

基于高斯粒子群优化的RBPF滤波算法

针对动态系统目标跟踪问题,RBPF算法通过将高维状态空间分解成易于处理的线性子部分与非线性子部分,并采取不同策略进行滤波估计。为了提高RBPF的计算效率,提出将粒子群优化思想融入到RBPF滤波估计中,凭借粒子群算法卓越的全局搜索能力,对于状态空间中非线性部分,通过粒子群算法驱使所有采样粒子向高似然区域(最优适应值区域)移动;对于线性状态部分,依然利用卡尔曼滤波进行处理。通过多组实验仿真结果对比,PSO-RBPF利用较少采样粒子、耗费较少时间即能获得极佳的估计精度。