基于轮廓特征的场景动态目标实时分类研究

针对动态场景目标的分类问题,提出一种基于轮廓特征的运动目标分类方法。通过构建多种轮廓特征相结合的特征向量模型来描述动态目标,作为分类器学习判别的基础。该方法首先通过混合高斯模型提取出视频中的动态场景目标,经图像形态学的处理,获得较为精确的动态场景目标轮廓图像,然后使用特征向量模型提取轮廓的相关特征作为分类器学习判别的依据,并得到最终分类结果。以常见的运动目标汽车、行人、自行车作为分类类别进行实验。结果表明该方法有较高的分类精度,且具有实时性好,易于实现的特点。

并网型可再生能源发电系统容量配置与优化

为了准确地配置并网型分布式发电系统容量,针对并网型风光混合发电系统,给出一种基于发电效率衰减、分时电价和负荷逐年增长等条件的并网型分布式发电系统容量优化配置方法。利用NASA气象网站的风速和日照辐射资料,生成单位容量风光电源的年度出力曲线,根据风光电源的年度衰减性,在单一电价、分段电价和本地消纳的不同应用场景下,对固定负荷和逐年增长负荷建立起分布式电源容量优化模型。在实例分析中,通过遗传算法求解,验证了该方法的有效性和正确性。该模型更加贴近实际工程应用,并能很好地扩展到包含多种分布式电源的并网型发电系统中,有利于并网型分布式发电系统的应用和推广。

H-S直方图反向投影结合特征点提取的双目视觉定位算法

低成本双目视觉系统通常采用价格低廉的非测量相机,其视觉定位精度较低.若需获得较高的视觉定位精度,可通过算法来弥补或减少定位误差.本文阐述了基于H--S(hue-saturation)直方图反向投影结合特征点提取的双目视觉定位算法,可提取左右摄像头图像特征点,并用左图特征点和极线约束对右图特征点进行修正,从而可实现双目视觉定位.在此基础上,为了进一步提高定位精度和减少计算量,采用了快速鲁棒性特征(SURF)算法提取左右图像的兴趣点,并利用间接立体匹配法改进了右图特征点提取.实验结果表明,在低成本视觉定位系统中采用该算法可以有效地提高定位精度.

基于视觉显著性的场景目标识别

场景目标识别是场景理解的重要内容之一,提出一种新颖的基于视觉显著性的场景目标识别方法。该方法受生物视觉认知机理的启发,利用视觉显著机制来凸显场景中的感兴趣区域。首先利用GBVS模型对图像数据进行高效筛选,获得特定感兴趣的显著性区域。然后基于图分割理论(Graph Cuts Theory)的Grab Cut算法被用于提取图像中的显著性目标。最后运用SURF特征描述目标对象,通过SURF特征的学习产生目标物体的Bo VW视觉词包,运用视觉词包的SVM分类匹配实现目标对象的图像特征与语义描述之间的知识映射。麻省理工学院LabelMe图像库的实验测试结果表明所述方法具有较高的识别率。

基于极线约束SIFT特征和粒子滤波的目标跟踪算法

针对采用颜色或边缘等特征的目标跟踪算法所存在的跟踪效果不稳定的问题,提出了一种基于极线约束尺度不变特征变换(SIFT)和粒子滤波的目标跟踪方法.该方法采用SIFT特征向量构建目标模型,引入极线约束改善目标匹配精度,采用粒子滤波算法获得SIFT特征向量的候选目标模型,利用似然函数计算目标模型与候选目标模型间的相似性.实验结果表明,该方法可解决目标与背景颜色相似时的跟踪失败问题,且对目标外形与位姿发生变化具有较好的适应能力.

基于区域空间知识模型的在线快速路径规划

人类在其导航过程中运用了区域化的空间知识模型并采取了"由精到粗"的寻路策略.受此启发本文首先提出一种区域化的空间知识模型.在该模型中,多个小尺度的区域组合在一起形成上一层级的区域,构成一种层次化的空间表示结构.在此基础上提出一种基于该空间知识模型的在线路径规划算法FTC–A*(fine-to-coarse A*).FTC–A*能够根据环境信息的远近采取不同的规划策略.在机器人所在的区域中,进行路径的精细规划,而对远处空间进行粗糙规划.该策略利用环境描述的区域化特性,降低了搜索空间的大小,从而显著地降低了规划时间和内存负载,减少了机器人的运动响应延迟.本算法能适应环境规模巨大以及目标点经常改变的应用场合.通过在Mobile Sim平台的仿真实验以及与A*和HA*算法的对比分析,验证了该方法的可行性与有效性.

独立型风光柴储微电网的电源容量优化与配置

为准确配置独立型微电网容量,针对独立型风光柴储发电系统,给出一种以供电可靠性为约束,以系统全寿命周期成本净现值为目标函数的分布式发电单元容量优化方法.利用NASA气象网站的风速和日照辐射资料,生成单位容量风光电源的年度出力曲线;根据各分布式电源的寿命和购置运行维护成本,建立了微电网系统寿命周期内各分布式电源的成本净现值计算模型.在实例分析中,针对2种不同的负荷曲线,通过遗传算法求解,验证了该方法的有效性和正确性.

一种基于混合超图的R^2空间知识表示模型

现有的基于一般图论的空间知识表示模型难以反映知识系统的复杂构成和所隐含的组织结构。针对这一问题,引入混合超图(Hybrid hypergraph)的思想,提出一种基于混合超图的空间知识表示模型,用来组织规模巨大、连接复杂多样且具有嵌套特性的空间知识网络。该模型用混合超图的超边来表示多元空间关系。对基本的二元区域拓扑关系进行扩展,提出了多元的超拓扑关系来定性地描述多个空间对象间的分离、相连和包含等。以超拓扑关系为例,通过对一个小型环境的表述,说明了基于混合超图的空间知识表示模型的应用,为复杂空间知识的表示、组织和分析提供了一种新的工具和思路。