基于消失点引导透视变换的车道线检测算法

目的为解决车道线的位置会随着车辆或相机的偏移发生变化而导致车道线检测准确率低和适应性差的问题,提出了一种基于消失点引导透视变换的车道线检测算法。方法首先,采用自适应消失点坐标引导更新透视变换矩阵,将车道图像转换为车道线保存完整的鸟瞰图;其次,将其颜色特征和边缘特征进行融合,得到精准的二值化图像;最后,根据直方图分析定位车道线的基点,采用滑动窗口搜索的方法提取候选的车道线像素,然后对搜索到的车道线像素进行多项式拟合。在不同的道路场景下测试算法的性能,并与其它同类算法进行对比分析。结果仿真结果表明,算法的准确率为94.12%,平均每帧耗时85.35ms,在检测精度和速度方面优于对比的算法。结论该算法能有效解决车道线位置的改变对车道线检测性能的影响,具有更高的准确率和较好的适应性,在阴影遮挡、车道破损、恶劣天气等复杂道路环境的检测下,表现出良好的鲁棒性。

基于Attention-BiTCN的网络入侵检测方法

为解决网络入侵检测领域多分类准确率不高的问题,文章根据网络流量数据具有时序特征的特点,提出一种基于注意力机制和双向时间卷积神经网络(BiDirectional Temporal Convolutional Network,BiTCN)的网络入侵检测模型。首先,该模型对数据集进行独热编码和归一化处置等预处理,解决网络流量数据离散性强和标度不统一的问题;其次,将预处理好的数据经双向滑窗法生成双向序列,并同步输入Attention-Bi TCN模型中;然后,提取双向时序特征并通过加性方式融合,得到时序信息被增强后的融合特征;最后,使用Softmax函数对融合特征进行多种攻击行为检测识别。文章所提模型在NSL-KDD和UNSW-NB15数据集上进行实验验证,多分类准确率分别达到99.70%和84.07%,优于传统网络入侵检测算法,且比其他深度学习模型在检测性能上有显著提升。

基于滑动窗和多块卷积自编码器的故障检测

为了进一步提升故障检测性能,充分挖掘时序和隐含特征信息,提出一种基于卷积自编码器的故障检测方法。在对原始信息集进行建模的基础上增加了对累计信息与变化率信息的建模,以增强对隐含信息的挖掘;对重构的3个信息集进行滑动窗采样,基于卷积自编码器进行时序特征提取和建模;将卷积自编码器的决策结果进行贝叶斯融合得到统计量,并用核密度估计的方法确定控制限从而进行故障检测。将该方法进行数值仿真并应用于TE过程,仿真结果验证了所提方法的有效性和检测性能。

煤矿井下移动机器人多传感器自适应融合SLAM方法

基于同时定位与建图(SLAM)技术的移动机器人能够快速、准确、自动化地采集空间数据,进行空间智能感知和环境地图构建,是实现煤矿智能化和无人化的关键。针对目前煤矿井下多传感器融合SLAM方法存在机器人前端位姿估计退化失效和后端融合精度不足的问题,提出了一种煤矿井下移动机器人激光雷达(LiDAR)−视觉−惯性(IMU)自适应融合SLAM方法。对LiDAR点云数据进行聚类分割,提取线面特征,利用IMU预积分状态进行畸变校正,采用基于自适应Gamma校正和对比度受限的自适应直方图均衡化(CLAHE)的图像增强算法处理低照度图像,再提取视觉点线特征。用IMU预积分状态为LiDAR特征匹配与视觉特征跟踪提供位姿初始值。根据LiDAR相邻帧的线面特征匹配得到移动机器人位姿,之后进行视觉点线特征跟踪,分别计算LiDAR、视觉、IMU位姿变化值,通过设定动态阈值来检测前端里程计的稳定性,自适应选取最优位姿。对不同传感器构建残差项,包括点云匹配残差、IMU预积分残差、视觉点线残差、边缘化残差。为了兼顾精度与实时性,基于滑动窗口实现激光点云特征、视觉特征、IMU测量的多源数据联合非线性优化,实现煤矿井下连续可用、精确可靠的SLAM。对图像增强前后效果进行试验验证,结果表明,基于自适应Gamma校正和CLAHE的图像增强算法能显著提升背光区和光照区的亮度和对比度,增加图像中的特征信息,大幅提升特征点提取数量和匹配质量,匹配成功率达90.7%。为验证所提方法的性能,在狭长走廊和煤矿巷道场景下进行试验验证,结果表明,所提方法在狭长走廊场景的定位均方根误差为0.15 m,构建的点云地图一致性较高;在煤矿巷道场景中的定位均方根误差为0.19 m,构建的点云地图可真实地反映煤矿井下环境。

面向用电负荷分解的特征融合与Transformer模型

针对目前非侵入式负荷分解中存在的特征提取不充分、分解精度较低等问题,本文提出了一种基于特征融合与Transformer的负荷分解模型MulTrm。首先使用滑动窗口法对负荷数据进行处理,增加训练样本数量;接着采用多个不同尺寸的卷积块提取总负荷功率值的多尺度特征并进行融合,同时结合总负荷序列中的位置特征,以获取更加丰富的特征信息;然后通过Transformer中的多头自注意力机制扩大感受野,以更好地捕获用电负荷序列中蕴含的长距离依赖关系,从而提高模型的分解精度;最后通过反卷积层和全连接层将特征映射为电器负荷序列,实现负荷分解。通过在REDD数据集和UK-DALE数据集上进行实验,验证了MulTrm模型的有效性。

基于环形缓冲区的WSN数据融合技术研究

无线传感器网络监测系统中,环境变化缓慢和节点感知范围重叠所造成的冗余数据会增加节点的数据发送量,降低信息收集效率并导致传感器节点过早死亡.因此,提出一种基于环形缓冲区的簇内数据融合方案.所有节点采用环形缓冲区存储数据.源节点基于环形缓冲区采用二值化相似函数和滑动四分位检测法,在保证数据时间关联性的同时剔除冗余数据和瞬时性异常数据.簇头节点基于加权皮尔逊距离的改进支持度对从源节点接收到的数据进行加权融合.仿真实验表明,所提出的方案在网络剩余节点数、网络剩余能量和网络发送数据包数等3个方面有明显的优势.

基于动态点线耦合的单目视觉惯性SLAM算法

针对传统视觉SLAM算法在暗纹理环境下鲁棒性差、定位精度低的问题,本文给出了一种基于动态点线耦合的单目视觉惯性SLAM算法。设定提取线特征的动态阈值,提高线特征利用率,然后利用点与线特征位置的相似性,提取新的点线耦合特征,并构造点线耦合残差模型,用点线耦合残差来搜索点与线特征之间的关系,将点线耦合残差集成到后端滑动窗口优化中,用以构造最小化成本函数。将构造的算法在EuRoC公开数据集上进行仿真,实验结果表明,本文设计的算法比VINS-Mono算法和PL-VIO算法的定位误差降幅明显,有效地增强了系统的鲁棒性,提高了系统的定位精度。

面向自动泊车的可变滑动窗口环视SLAM算法

针对车辆在自动泊车场景中遇到减速带或坑洼地带导致的地图偏移问题,以及动态环境多变导致的系统实时性变差、精度降低的问题,提出了一种面向自动泊车的可变滑动窗口环视SLAM算法。首先,使用IMU对采集的环视图像进行实时姿态校准,提升建图的准确性;其次,结合多传感器融合优势,融合IMU和里程计数据对车辆位姿进行估计;最后,通过可变滑动窗口算法加速后端优化,提升系统的实时性和精度。仿真测试结果表明,该方法解决了减速带或坑洼地带的地图偏移问题,且在特征稀疏环境下,效率和实时性分别提升了31.35%和25.06%。实车试验结果表明,该方法可以达到平均误差0.039 m的定位精度,为泊车提供了安全保障。

基于滑动聚类的窄带物联网特征级异构数据融合方法

由于物联网数据具有多样化特征,不同类数据需求不明确,导致数据特征集提取难度较大。为了提高物联网异构数据融合效果,提出一种基于滑动聚类的窄带物联网特征级异构数据融合方法。利用平移变换得到网络数据的时间信息,通过小波变换增强无线传感器节点采集的异构数据质量;计算滑动窗差值,确定物联网特征级异构数据的初始聚类点,利用均值漂移算法完成异构数据状态聚类;通过凝聚机制完成相似数据的特征集提取,实现特征级异构数据的融合。实验结果证明,所提方法有效降低了物联网数据规模,减少了数据融合误差,且融合后信息不失真,在数据处理领域具有较高的应用价值。

基于自适应滑动窗口的双色中波红外图像融合方法研究

基于滑动窗口的图像处理方法具有抗干扰能力强、突出图像局部信息等特点,在图像处理领域得到广泛应用。针对最优窗口大小的选择问题,提出了一种自适应尺寸的滑动窗口方法。该方法首先对作用图像进行边缘检测,然后采用固定区域顶点的方式,根据该区域所含边缘的数量,自适应地放大滑动窗口尺寸,直到区域中的边缘数量大于某一阈值为止。并将这种自适应滑动窗口引入双色中波红外图像差异特征驱动的融合模型中,仿真结果表明,改进后的融合模型与原始模型及传统融合方法相比,融合效果在主观观察和客观评价中均有显著提高。

基于CNN的多尺寸航拍图像定位方法的研究与实现

图像定位常用于无人机视觉导航,传统的无人机视觉导航广泛采用景象匹配导航方式,随着计算机技术的不断发展,深度学习技术为视觉导航的实现提供了新途径。以无人机的垂直侦查为背景,将飞行区域的航拍图像划分成大小相同的若干网格,每个网格代表一类区域,用网格图像制作数据集训练卷积神经网络(CNN)。基于AlexNet设计了一种融合显著性特征的全卷积网络模型,有效实现了一个基于CNN的多尺寸输入的滑动窗口分类器,并提出了一种邻域显著性参照定位策略来筛选分类结果,从而实现多尺寸航拍图像的定位。

基于滑窗对比度的多源融合目标恒虚警检测方法

随着空天地跨域协同技术的快速发展,多基地雷达利用其构型的特殊性,可实现目标的多视角融合探测,从而改善检测信噪比,然而现有的恒虚警检测算法尚未提出适用于多站构型下的融合检测理论。文中提出一种基于滑窗对比度的多源融合目标恒虚警检测方法。首先,利用地面直角坐标系网格与多站距离环的映射关系,指出多站融合图像中目标区域与背景单元的特征分布差异。其次,通过构建指数型似然比融合检测量,有效增加了目标分辨单元和背景单元的对比度。最后,根据系统虚警指标要求,推导了基于指数型似然比二阶统计量的恒虚警检测门限,在保证虚警性能前提下给出了多站构型目标恒虚警融合检测理论。所提算法充分挖掘了多站融合图像中目标能量的分布特征,为多源融合目标增强检测提供了一种有效途径,仿真结果验证了所提算法的有效性。

基于可视化和数据融合的医疗设备异常运行状态检测方法

医疗设备运行状态难以检测,一旦出现异常情况,只能强制停机检查,降低了工作效率,增加了维护成本,为此,提出了基于可视化和数据融合的医疗设备异常运行状态检测方法。预处理运行数据,通过融合、分析和可视化等操作剔除冗余参数值,以正常运行状态下参数值为标准,构建健康状态评估模型,运用滑动窗口残差统计法和加权平均方差消除运行状态中干扰因素和不确定因素,设置合理的预警偏离阈值和检测阈值,确保医疗设备异常运行状态检测精度。实例测试结果表明,在人为添加不同程度的异常信号环境中,所提方法均能有效检测医疗设备异常运行状态,帮助工作人员根据检测情况采取相应的处理措施。

基于多特征融合的区块链异常交易检测

随着区块链技术的发展,以比特币为代表的虚拟货币已成为洗钱、黑客攻击、电信网络诈骗等犯罪行为的重要工具,给公民人身和财产安全带来了严重威胁,甚至威胁到国家金融市场的稳定。因此,针对基于区块链技术的虚拟货币异常交易数据检测的研究具有重要的意义。文章首先使用自定义的滑动窗口机制提取区块链交易数据特征;然后根据区块链交易数据的特点,从3个通道把数据处理成3个向量;最后对这3个特征向量进行拼接,构建区块链异常交易数据检测模型。文章使用区块链情报公司Elliptic发布的数据集验证模型的可行性和优越性,实验得出模型的准确率、召回率和F1值分别达到92.96%、85%和92.43%。实验结果表明,基于多特征融合的特征向量包含更加丰富的区块链交易信息,能够有效提升区块链异常交易检测的性能。

基于滑窗方差和形态学的多聚焦图像融合

本文提出了一种基于图像滑窗方差和形态学的多聚焦融合方法。首先,对多聚焦图像进行窗口滑动并计算每个滑动窗口的图像方差。其次,通过比较滑窗方差的大小来计算每个像素在源图像的选取次数。通过比较每个像素在不同源图像相应选取次数,进行融合像素选定的判定,实现初步图像融合。针对难以区分的像素,本文还采用欧式距离进一步分析。运用形态学对初步融合的图像进行去噪处理。最后,还对融合图像的聚焦边缘进行平均加权处理。本文采用定性和定量分析,对比了五种不同的融合方法。实验结果表明,我们提出的融合方法能实现很好的融合效果。

基于多特征融合的GraphHeat-ChebNet隧道形变预测模型

对隧道的形变进行预测是隧道结构异常检测的内容之一。为了充分挖掘形变特征的时空关联性,针对隧道内衬多个断面的形变同时预测,提出一种基于多特征融合的GraphHeat-ChebNet隧道形变预测模型。所提模型中利用GraphHeat和ChebNet这2种图卷积网络(graph convolution net,GCN)分别提取特征信号的低频和高频部分,并获取形变特征的空间关联性,ConvGRUs网络用于提取特征在时间上的关联性,通过三阶段融合方法保留挖掘的信息。为了解决实验数据在时间维度上不充足的问题,引入双层滑动窗口机制。此外,所提模型与其他模型或算法在不同数据集上实验比较,衡量一天和两天预测值的误差指标优于其他模型,而且对大部分节点预测的误差较低。说明模型受样本节点数影响较小,能较好地预测一天和两天的形变,模型学习特征与时空模式的能力较强,泛化性较好。

基于图像识别的秸秆焚烧事件检测

针对传统火灾检测存在的对周围环境要求比较高,且研究对象多数属于室内或者商业设施等现象,提出了基于滑动窗口图像特征提取的多特征融合和SVM相结合的秸秆焚烧火灾检测算法。首先在YCbCr空间模型下使用Otsu(大津算法)对火焰图像进行前景检测,再对所检测到的前景使用颜色判别方法,得到候选火焰区域,然后使用滑动窗口在这些区域上进行移动,在每一个窗口内提取HOG特征、灰度共生矩阵特征、颜色矩特征,将这些特征分别送入SVM训练得到不同的分类器进行秸秆焚烧事件检测。最后根据投票方法将三种特征进行融合,最终检测出是否发生火灾。实验结果表明,该算法实现简单,识别率高,可达到86.67%。且由于算法基于火灾的静态特征,更能体现火焰的固有图像特征,与其他类型的火焰检测相比,适用性更强。

基于CNN的点云图像融合目标检测

针对自动驾驶场景中目标检测存在尺度变化、光照变化和缺少距离信息等问题,提出一种极具鲁棒性的多模态数据融合目标检测方法,其主要思想是利用激光雷达提供的深度信息作为附加的特征来训练卷积神经网络(CNN)。首先利用滑动窗对输入数据进行切分匹配网络输入,然后采用两个CNN特征提取器提取RGB图像和点云深度图的特征,将其级联得到融合后的特征图,送入目标检测网络进行候选框的位置回归与分类,最后进行非极大值抑制(NMS)处理输出检测结果,包含目标的位置、类别、置信度和距离信息。在KITTI数据集上的实验结果表明,本文方法通过多模态数据的优势互补提高了在不同光照场景下的检测鲁棒性,附加滑动窗处理改善了小目标的检测效果。对比其他多种检测方法,本文方法具有检测精度与检测速度上的综合优势。

基于多源数据融合的注射坯密度分布控制算法

自动化和智能化是未来粉末注射成形技术的重要发展方向,本文通过对注射模具温度基于滑动窗口技术的数据挖掘处理以及对注射坯CT切片密度分布的分析修正、阈值预处理后,采用基于神经网络数据融合的方式对多源数据进行融合,实现对注射坯密度分布的有效控制。

基于多特征融合的视频检索算法

随着视频等多媒体数据呈指数式迅猛增长,高效快速的视频检索算法引起越来越多的重视。传统的图像特征如颜色直方图以及尺度不变特征变换等对视频拷贝检测中检索速度以及检测精度等问题无法达到很好的效果,因此文中提出一种多特征融合的视频检索方法。该方法利用前后两帧的时空特征进行基于滑动窗口的时间对齐算法,以达到减少检索的范围和提高检索速度的目的。该算法对关键帧进行灰度序列特征、颜色相关图特征以及SIFT局部特征提取,然后融合全局特征和局部特征两者的优势,从而提高检测精度。实验结果表明,该方法可达到较好的视频检索精度。