基于步行周期聚类的视频行人重识别关键帧提取算法

视频行人重识别旨在不同摄像头拍摄的视频中检索特定行人。但是,它面临着数据量庞大和视频数据存在时间冗余的问题,即视频数据耗费大量的存储空间且不同帧之间存在极强的相关性。因此,使用所有的帧进行识别会带来查询效率的下降,而且视频中大量的干扰和噪声也会给准确率带来不利影响。本文提出了基于步行周期聚类的视频行人重识别关键帧提取算法,首先利用行人步行时双脚距离变化的周期性规律提取候选步行周期,然后利用聚类的方法从候选步行周期中选出关键步行周期作为关键帧。最后,将该算法应用在视频行人重识别中,仅使用关键帧的信息进行识别以减少时间冗余的影响,从而提高准确率,并且在查询前对视频进行处理,减少视频数据量以提高查询效率。在视频行人重识别数据集MARS和DukeMTMC-VideoReID上的实验表明,本文算法能够减少59%~82%的视频数据量,并且累积匹配曲线Rank-1提高了1.1%~1.4%,平均精度均值提高了0.2%~5%。     

一种从激光扫描数据中提取角点特征的方法

提出一种从激光扫描数据中提取角点特征的方法,以满足结构化环境中移动机器人定位的需要。该方法分为角点特征滤波、角点函数计算、非极大值抑制和角点特征提取与定位四部分。首先,通过角点特征滤波排除不具备角点特征要素的扫描点。然后,通过角点函数衡量余下的扫描点作为角点特征的程度。之后,采用非极大值抑制方法去除局部区域内非极大值对角点特征提取的干扰。最后,通过阈值法提取出角点特征并对其进行定位。实验结果表明,该方法可以准确地从激光扫描数据中提取出角点特征,并对位置参数具有很好的鲁棒性。     

术语定义抽取的特征选择框架

为了进一步提升航空领域术语定义抽取的精度和效率,提出了一种不依赖已有特征选择方法的特征选择框架。该框架结合了分类特征的类间分布差异和类内分布差异,更好地表达了术语定义内部各子概念间特征分布的差异对划分类别的贡献。在分析该框架和传统过滤器特征选择方法对特征分布的影响的基础上,在航空领域术语定义语料库中对实验结果进行了对比。结果表明,本文提出的方法在使用平衡随机森林方法时,取得的最好成绩为F1-measure=0.652,F2-measure=0.761,所需特征比例从30%~40%降低到20%~30%;在使用直接分类方法时,F1-measure成绩提高了2.57倍,F2-measure成绩提高了3.11倍,均优于过滤器方法和Fisher Score方法。     

改进的EMD方法在车辆振动信号提取中的应用(英文)

为了能在强噪声背景下准确地进行振动信号的特征提取,对经验模式分解进行了研究和改进,并将其应用于车辆振动信号的特征提取中。首先对系统中各输入信号进行了多次自相关处理,有效地降低信号中的噪声。然后对处理的信号进行经验模式分解,得到了各固有模态函数分量。最后对感兴趣的固有模态函数分量进行希尔伯特变换和谱分析,从而得到信号的特征信息。仿真和试验分析说明了改进的经验模式分解方法的可行性,并且对同类工程问题具有一定的参考价值。     

基于RGB亮度分级的图像预处理研究

利用一种基于RGB亮度分级的图像预处理方法,在源图像的R、G、B三个分量上对图像进行亮度分级合并,以减少自然场景图像的颜色数目,在不破坏源图像结构的前提下降低图像的复杂度,同时又保证了较好的通用性。     

分形理论和小波在脉象识别中的应用

首先介绍了运用现代科学对脉象分类的意义和传统的脉象分类方法,尔后提出利用分形理论提取脉搏信号的分数维和基于小波变换的多尺度空间能量分布特征作为波形的重要特征,用于脉象分类识别.利用这些特征矢量用BP神经网络对实测的脉象数据进行了分类,取得了令人满意的分类正确率.通过两种提取方法相比较,盒维数方法更简单易行.     

涡扇发动机加减速控制规律设计的功率提取法

为了简单、快速和准确地设计双轴涡扇发动机加、减速控制规律,提出了一种加、减速控制规律设计的新方法——功率提取法:在发动机稳态特性计算模型的基础上,分别从高、低压转子提取额外功率,使得高压压气机工作点(线)沿等换算转速线移动,并保证低压转子转速满足预定的要求,在同时考虑风扇和压气机喘振裕度限制、涡轮进口总温限制以及燃烧室熄火边界的条件下,利用适当的描述形式,可以快速而准确地获得最优双轴涡扇发动机加、减速控制规律.对某型涡扇发动机加速控制规律的改进设计结果表明,提出的加、减速控制规律的设计方法具有直观、快速、准确而有效的优点.      

滚动轴承早期故障的特征提取与智能诊断

在基于小波变换的滚动轴承故障诊断研究中,目前普遍存在小波变换参数选取和故障特征计算无法自动完成的问题。基于此,提出了一种基于二进离散小波变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取。同时,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型。最后,利用实际的滚动轴承实验数据验证了所提方法的有效性。     

基于FRFT的雷达信号chirp基稀疏特征提取 及分选

 特征分析是雷达信号分选识别的基础,利用稀疏分解思想对新体制雷达信号进行特征提取是一个新的研究方向。本文以分数阶Fourier变换的核函数作为稀疏分解的chirp基函数,将具有相近特征参数的chirp基函数构成基函数族用于稀疏分量提取,推导了在分数阶Fourier域基于匹配跟踪的chirp基函数族稀疏分解公式,然后利用chirp基稀疏分量的调频率和初始频率构成特征参数序列,将雷达信号脉冲分成5大类进行分选和识别,仿真分析验证了推导结果的有效性。结果表明对于具有线性或曲线时频特征的雷达信号在信噪比为-3 dB,采样频率为500 MHz,观测时间为2 μs,调频率不超过100 MHz/μs时,仍然具有95%的正确分选概率。     

面向不均匀飞机舱音信号样本的模糊支持向量机识别方法

 针对驾驶舱话音记录器(CVR)中记录的舱音背景信息多而复杂、频率范围宽、非平稳等特点,通过对15种舱音信息进行傅里叶变换和小波包变换,依次提取其Mel倒谱系数(MFCC)和小波包分解系数(WPC),利用距离可分性判据对MFCC和WPC信息进行压缩融合,得到舱音信息特征向量。设计了面向不均衡样本的模糊支持向量机(FSVM),分别计算每种类别样本及其内每种舱音信息的2个隶属度,然后利用FSVM对舱音信号进行分类识别,解决了CVR信号含噪奇异样本和数目不均衡样本时识别性能较差的缺点,实验表明该方法明显优于常规支持向量机(SVM)和FSVM,分类识别率达到98.33%。