摄像机标定研究

目前,摄像机标定是计算机视觉领域中的研究热点之一,其目的是通过摄像机拍摄的单幅或多幅图像来确定摄像机的参数模型,进而获得摄像机的各项参数,在机器人导航、三维重建、生物医疗、虚拟现实、视觉监控、视觉伺服等领域均有广泛的应用前景。本文综述了传统标定方法,自标定方法和基于主动视觉的标定方法的研究现状,对其优缺点作出评价并指出发展方向。     

金属材料布氏硬度智能化检测系统

本文指出了金属材料布氏硬度传统测量方法研究存在的问题,给出了金属材料布氏硬度智能化测量系统的硬件结构和软件流程。在硬件结构上,解决了预载荷的施加给测量过程的自动化带来的困难,软件则采用系统通电后自动校零的办法,从而实用性提高。     

基于地标图像信息的惯导系统误差校正方法

提出了一种基于地标图像信息的惯导系统误差校正方法,并进行了仿真实验研究.该方法利用飞机光电平台上的地标图像成像系统,通过地标图像探测、图像变换、匹配定位、坐标变换解算出飞机的空间三维坐标.该三维坐标与惯导系统所给出的坐标进行比较,得出飞机惯导系统的航迹误差,从而实现对惯导系统的误差校正.      

观测站稀疏地区的WAAS电离层时延网格修正算法

在改进的广域增强系统电离层时延网格算法的基础上，给出了针对观测量比较少的地区比较适用的电离层时延网格修正算法，并通过模拟数据和GPS实测数据与原方法进行了分析比较．结果表明，在观测站稀疏的情况下，本文的计算方法模式的精度比原方法有较大的提高．     

基于空间重采样的遥感图像压缩

针对遥感图像压缩，在分析基于变换的压缩方法（如小波变换）可用性的基础上，提出一种称为RBC（Resampling Based Compression，即基于空间重采样压缩）的新压缩方法，RBC方法的主要特点是恢复图像的高保真和压缩算法的低运算复杂度，因此十分适合高速，实时压缩应用，给出了RBC方法与SPIHT（Set Partitioning In Hierarchical Trees)方法的压缩结果的比较，。比较结果表明RBC方法比其他熟知的方法更适合于遥感图像压缩应用。     

深空探测转移轨道自主中途修正方法研究

针对深空转移轨道,提出以B平面参数为终端参数,采用脉冲控制和线性制导的自主中途修正方法.由自主导航系统定期确定探测器的当前位置和速度,之后利用精确动力学积分递推状态至B平面,得到打靶误差,若误差超出目标精度范围又在自主修正系统修正能力范围内,则立即利用以B平面参数为终端参数的线性制导公式并结合牛顿迭代计算出修正轨道的速度增量.利用中心差分公式计算终端参数对控制参数的敏感矩阵.蒙特卡罗仿真表明,在小偏差前提下该方法能够达到制导目标.     

数字逻辑设计的冗余与检错纠错

在分析数字逻辑电路的特点及其给实现容错目标带来的困难基础上,阐述了冗余类型与可靠性设计（检错纠错）间的关系,给出了一种改进的单元加固型容错触发器结构设计。     

基于遗传算法的涡喷发动机身份证模型建立

为建立发动机身份证模型,针对发动机个体差异和寿命期内性能蜕化引起的发动机模型与真实发动机之间的失配问题,提出1种基于遗传算法的发动机部件级模型自动修正方法。在发动机部件级模型中,引入能反映个体发动机部件特性的性能调节因子。根据发动机试车数据与待修正部件级模型输出数据,以发动机关键测量参数残差最小为优化目标,采用遗传算法获得不同换算转速下的特性修正系数,建立发动机身份证模型。以某型涡喷发动机为对象进行试验验证,结果表明该方法能有效提高发动机部件级模型精度,适用于建立发动机身份证模型。     

基于极限学习机的黑障区智能导航算法

在黑障区飞行阶段中,惯性导航系统会因缺少辅助导航系统而持续累积误差,导致飞行器导航系统可靠性下降。针对这一问题,提出了一种新的基于极限学习机的黑障区智能导航算法,通过极限学习机(ELM)对GPS正常工作的导航信息进行学习。在黑障区,利用学习得到的模型对惯性导航系统进行误差补偿,较好地修正了当GPS失锁时惯性导航系统的误差,避免了因误差累积而导致的导航信息发散。仿真结果表明,该算法能够保证在GPS失锁的黑障区中导航系统输出的信息有较好的可靠性和精度,能够为接下来的姿态调整和着陆准备提供良好的基础。     

基于标准差加权的色偏图像校正方法

针对色偏图像校正问题,提出了1种标准差加权的色偏图像校正方法。首先,利用灰度世界算法计算色偏图像红、绿、蓝各通道的校正系数;其次,对色偏图像进行超像素分割,利用像素平均值和方差计算每1个超像素的颜色一致性,从而计算各通道的校正系数权重;最后,对校正系数进行加权处理,并进行色偏图像校正。实验表明,算法能够对色偏图像进行有效校正,并克服单一色块和校正后图像变亮问题。相比于灰度世界、完美反射和动态阈值3种算法,该算法的峰值信噪比平均提升36.46%,色差均值平均降低3.12%。