基于2D激光位移传感器的轨底坡动态检测系统研究

设置合理的轨底坡可使钢轨轨头与车轮踏面合理接触,减轻钢轨轨头的不均匀磨耗,延长钢轨使用寿命。为提高轨底坡静态检测精度,线路日常养护和维修效率,提出一种基于2D激光位移传感器(简称2D)的钢轨廓形检测原理和ARM嵌入式技术的轨底坡动态检测方法。结合传感器工作原理与特点,搭建一套可在线连续检测的轨底坡动态检测系统。考虑到2D空间姿态变化,建立适用于轨底坡动态检测的双2D空间姿态关系模型和标定解算模型。因为车体振动会产生对轨底坡计算结果的影响,利用Kalman滤波算法建立多传感器的状态空间模型,对轨底坡计算结果进行补偿。最后选用GJ-4型轨道检测车进行地铁正线试验,试验结果与人工复核结果的对比,符合工务段要求精度。试验结果验证了该轨底坡动态检测系统切实可行,Kalman滤波算法能够很好地对轨底坡的计算结果进行补偿修正。

基于平方根双阶EKF的2D雷达与3D雷达误差配准方法

对不同体制雷达进行组网,能够有效发挥各型雷达性能优势,但组网过程中误差配准问题必须首先要解决,以此提高对目标航迹的探测与跟踪精度。联合扩维误差配准算法能够进行实时配准,但运算量问题限制了算法的效能发挥。论文在研究异维度雷达配准算法的基础上,提出了一种基于平方根的双阶EKF误差配准方法,并与传统的异维度雷达扩维配准方法进行对比分析。仿真结果表明,新算法消除了状态向量维数增加导致的运算效率降低的问题,且配准精度显著提高,配准效果比较理想。

无里程计移动机器人多传感器融合定位算法

为解决无里程计移动机器人室内定位问题,提出一种不依赖里程计数据的多传感器融合定位算法。首先,使用RF2O算法从激光雷达信息中获取移动机器人的运动数据;其次,使用扩展卡尔曼滤波融合IMU数据和RF2O算法计算的数据得到初步的定位数据;最后,使用自适应蒙特卡洛定位算法对定位数据进行修正,解决误差累计问题,得到精确的定位结果。结果表明,本文提出的定位算法可以有效降低测量误差、缩短算法运行时间,具有定位精度高且计算量小的优点,可以满足无里程计的移动机器人的定位需求。

二维分数阶卡尔曼滤波及其在图像处理中的应用

该文研究了二维分数阶卡尔曼滤波及其在图像增强与滤波中的应用问题。首先基于分数微积分的定义,建立了二维线性离散系统的分数阶差分状态空间模型。然后,提出了一种可应用于图像信息处理的二维分数阶卡尔曼滤波算法,并通过实验验证了该文提出算法的有效性。仿真结果证明,该算法增强了图像中的细节特征,同时消弱了图像中的背景噪声。

时频降噪在图像序列事件检测中的应用

针对图像序列分析中事件检测在强背景噪声的野外应用场景下经常出现'假事件'检测的问题,利用Kalman滤波器与二维DCT滤波思想,提出了基于图像序列时频降噪的事件检测方法。该方法基于Kalman滤波器对图像序列进行背景模型的时域多帧降噪,并结合变化前景区域实现背景模型的自适应重构,对单帧前景图像应用二维DCT变换实现低通降噪,最后由自适应分割方法实现事件前景的分割。通过对实际采集的野外图像序列的仿真分析表明,该方法较好地克服了'假事件'检测的问题,并更好地保持了真实事件信息,其F-measure达0.9423,具有很好的实用性与鲁棒性。

基于二维GFVC卡尔曼滤波的遥感图像信噪比分析

提出了一种基于二维GFVC卡尔曼滤波的遥感图像信噪比分析方法 ,分析表明 ,该方法与传统的二维随机信号估计方法相比 ,在算法复杂度和实时性上均有明显的优势 。

WK混合滤波算法在雷达数据处理中的应用

通常的Kalman滤波算法不能很好的解决信号的时频局部性问题,往往只能在低频和高频两种滤波算法间通过机动检测器(变维滤波算法 )或马尔可夫链的转移概率矩阵 (VD算法 )来进行切换,因为有一定的滞后,并受到机动检测器和转移概率矩阵的影响较大,从而产生较大的滤波误差。笔者将二维可分离小波变换良好的时频局部性和Kalman滤波的实时最佳预测修正跟踪滤波估计结合起来,得出一种有效的混合滤波算法(WK算法),并将该算法用于进行雷达数据的滤波处理,使得滤波估计值逐步逼近真实轨迹。通过实际的仿真验证了该算法比其它单一的滤波算法更为有效。

二维卡尔曼滤波的多源信息集中式融合去噪方法

目前对于单独的某种算法或单传感器的图像信息已不能满足高精度的图像识别任务的需要,通过多传感器可获得比单一传感器质量更高的信息。基于此,文章首先在图像上建立多传感器二维线性离散系统的状态空间模型,然后利用二维卡尔曼滤波算法对图像进行滤波去噪,最后利用集中式融合去噪。仿真结果表明:文章算法在提高峰值信噪比和提高图像清晰度两个方面比其他算法更加有效。

基于单双目视觉融合的车辆检测和跟踪算法

提出了一种基于单双目视觉融合的车辆检测与基于Kalman滤波的车辆跟踪算法,设计了一种基于二维深度置信网络的车辆检测器。在道路图像中利用单目视觉生成车辆可能存在的区域,构成双目视觉处理的车辆候选集合。在车辆可能存在的区域内利用双目视觉进行误检去除,并获得车辆的位置信息。在二维图像坐标系和三维世界坐标系内,利用Kalman滤波器对检测到的车辆进行跟踪。试验结果表明:算法的检测率为99.0%,误检率为1.3×10-4%,检测时间为57ms,检测率高,误检率低,检测时间短;与单双目视觉弱融合算法、单目视觉算法和双目视觉算法相比,本文车辆检测与跟踪算法兼具双目视觉算法检测率高和单目视觉算法检测时间短的优点。