多模态特征联合稀疏表示的视频目标跟踪

针对复杂跟踪环境下,单模态方法不能很好地跟踪目标的问题,提出了一种基于多模态特征联合稀疏表示的目标跟踪方法。该方法对每个候选样本的多模态特征进行联合稀疏表示,将各模态重建误差之和用于计算候选样本的观察概率,并将具有最大观察概率的候选样本确定为目标。通过与其他一些流行跟踪算法进行对比实验,结果表明本方法在遮挡、光照变化等场景下均能可靠跟踪,具有更好的跟踪效果,从而验证了方法的可行性。

加速器驱动系统靶区流动可视化研究

在加速器驱动次临界系统 (ADS)靶件模型上进行二维流动可视化研究。示踪粒子为直径 0 5mm的聚苯乙烯球状颗粒 ,采用片激光法对流场进行显示和KappaCCD数码摄像系统对流场进行实时拍摄 。

大尺寸钢卷尺目标线纹检定与实现方法

大尺寸钢卷尺目标线纹检定是目前≥5 m钢卷尺检定的关键技术。为解决多相机安装位置固定存在的钢卷尺目标线纹检定不能更改的问题,研究了一种基于移动CCD与光栅计量的大尺寸钢卷尺目标线纹的检定方法,重点研究了5 m检定平台的目标线纹视窗定位控制算法和光栅计量的大尺寸自适应修正方法,解决了大尺寸钢卷尺目标线纹与CCD视窗中心偏差过大带来的线纹辨识错误或无法辨识问题,并在5 m钢卷尺检定平台上将光栅计量精度提高到微米量级。实验数据验证了上述方法的正确性和有效性。

融合优选图案的深度学习目标识别及定位技术

为提高复杂环境下视觉系统目标识别和定位精度,本文以深度学习方法为基础,结合辅助图案,提出基于双目视觉系统的卷积神经网络目标识别及定位方法。构建基于Faster Rcnn的网络学习框架,结合具体问题,确定ZF及RPN网络参数;提出图案可分类性概念及其量化评价指标,制定图案优选策略并确定优选图案集;将双目视觉与基于优选图案的深度学习方法相结合,设计复杂环境下三维空间目标识别与定位方法。开展多工况的实际试验。结果表明:本文算法具有较高的识别物体及定位位姿的能力,且具有较好的实用性和鲁棒性。

划分超视距、近距的多机协同作战战术决策

针对战斗机超视距协同作战和近距协同作战的不同,提出了划分超视距、近距的多机协同作战战术决策;在超视距协同作战模型中引入了拦截时间进行威胁评估,目标分配时采取了整体最优的原则;在近距作战模型中采取了多项指标综合的威胁评估模型,并提出了在编队共享探测信息的基础上进行威胁躲避和按单机最大灵活性进行目标分配的协作方式,格斗时单机采取"逐级淘汰机制"的方法选择机动方式;最后提出了用模糊模型识别的方法对作战阶段进行合理的划分,并给出了两种作战阶段转变的规则。仿真验证了不同阶段的协同作战模型以及转变规则的合理性与正确性。

基于最大长度序列的二维绝对位置检测方法的误差分析

对基于最大长度序列原理(maximum length sequence,MLS)的二维绝对位置精密视觉检测系统的各种误差源进行了分析和实验。介绍了MLS理论及其序列生成方法,设计了二维视觉靶标,并搭建了可检测两个正交方向线位移的绝对位置非接触检测实验系统。测得系统稳定性在两个正交方向上线位移均不大于0.3 mm RMS。针对应用环境和系统安装工艺需求,基于独立误差分析原理,全面分析探讨了镜头失焦、照明不均匀、靶标偏转以及镜头倾斜等可能造成检测误差的因素对测量精度的影响,开展了相应实验验证,从而提出了改进方法和具体的实施安装工艺技术要求。理论分析和实验表明,镜头失焦和靶标偏转或镜头倾斜不大于1°对测量精度的影响均小于1 mm RMS;而照明不均将影响MLS序列的识别,在改进算法后,其对测量精度的影响也小于1 mm RMS。最终各种因素可能导致的综合误差不大于1.5 mm RMS。该实验结果表明,误差源理论分析与实验相符,验证了该基于最大长度序列的二维绝对位置检测方法具有良好的环境适应性,且对安装工艺要求低、实施方便,可用于精密位移机构的非接触高精度二维绝对位置检测。