直线参数检测的快速哈夫变换

在直线参数检测的哈夫变换中,基于两点确定一条直线的几何原理,可以消除图像点与参数点对应关系中的不确定性,利用这个原理可缩小每个非零图像点对应的参数空间,减小每个非零图像点的计算量.同时将整幅图像分成小块表决,能大幅度减少哈夫变换的总计算量,而参数检测的精度保持不变.      

自主近距空战中敌机的战术动作识别方法

为了识别自主近距空战中敌机的战术动作,提出一个两级识别系统.该系统由基本动作识别和组合动作识别两部分组成.其中,基本动作识别采用模糊推理方法,并模拟飞行员的思维过程,用"模式记忆"方法平滑推理结果的抖动;组合动作识别以基本动作序列为输入,采用时间自动机组成并行结构,提取各组合动作的主要几何形态,使识别系统具有良好的可扩展性和鲁棒性.通过仿真对识别系统进行验证,结果表明该系统能有效地识别敌机的战术动作.      

基于边缘与颜色信息的车牌精确定位算法

针对现有车牌定位算法定位率不高和速度慢等问题,结合数学形态学,提出了一种基于车牌边缘检测与颜色信息的精确定位算法.首先对图像进行灰度化、平滑去噪及灰度拉伸等预处理,然后对图像进行垂直边缘检测和二值化处理;再采用线过滤算法滤去干扰边缘线信息,并利用车牌区域灰度变化次数多的特性定位出车牌上下边缘;对经过上下边缘定位后的车牌采用点密度过滤算法滤去零散点,接着采用数学形态学方法寻找连通域粗定位出车牌区域;最后对粗定位车牌在HSV空间进行颜色分割和倾斜矫正,从而精确定位出车牌.实验结果表明,该算法能够实现车牌的快速精确定位.      

两种空间直角坐标系转换参数初值快速计算的方法

在已知不共线3点在两坐标系下坐标的条件下,提出了两种快速计算两坐标系间转换参数概略值的方法。其中一种是先通过三点构造在两坐标系下的一个新点,将两个坐标系平移到该新点,从而消除平移参数。利用此时的三点坐标可以方便地求得两坐标系间的旋转矩阵,由旋转矩阵可进一步求得旋转角和平移参数;另一种方法是先通过已知的三点构造出一个新的坐标系,通过该坐标系可计算出待求的两坐标系及其旋转参数,从而求得待求两坐标系间的旋转参数。最后,通过旋转参数可计算出平移参数的概略值,并试验验证了两种方法的正确性。     

一种基于窄带雷达的低轨空间目标识别方法

通过分析低轨空间目标的姿态运动对窄带回波脉冲数据的调制,表明低轨空间目标窄带回波脉冲数据信号的相位比幅度包含了更多的目标特征信息。采用小波分析从实测窄带相参回波特性数据的相位中,估计低轨空间目标的整体运动趋势,判别低轨空间目标的粗略类型,并通过大量实测数据的实验结果验证了该方法判别低轨空间目标粗略类型的有效性。     

基础激励下结构模态参数辨识

利用基础激励辨识结构模态参数的方法是一种在空间飞行器的研制中具有工程意义的模态分析方法。文中对这一方法做了较为系统的探讨,推导出了基础激励下频响函数的数学模型,其形式类似于传统方法中相应的公式,因而只需对测量数据稍作代数修改,即可利用现成的模态分析系统进行基础激励下模态参数的辨识。通过计算机仿真、悬臂梁试验及工程实例的综合分析,表明基础激励方法在工程应用中具有与其他传统方法同等的可靠程度。     

基于微多普勒特征的人体上肢运动参数估计

人体行走的雷达特征研究是近年发展起来的新的研究方向,基于雷达的人体目标探测在安全防护、灾害救援、生物力学和运动学研究等方面具有广阔的应用前景。人体走动时手和腿的摆动对回波信号产生调制,回波信号的微多普勒特征能精细地刻画体动规律,将有效地探测并估计人体的运动规律。主要研究人体上肢的雷达特征,首先以人体上肢的运动模型为基础,建立了其雷达回波模型,通过理论分析得到了参数估计的方法,通过广义Radon变换提取行人摆臂的微多普勒。最后通过仿真实验,验证了算法的有效性。     

采用DSG技术实现零件模型分解

针对回转体和箱体类零件模型,应用分解性实体几何技术实现零件设计模型到制造模型的有序分解,介绍了基于特征树模型的两个关键算法:宽度优先和深度优先搜索,以完成面向特征加工过程的空间和时间域内的制造过程规划.最后用一个详细的算例进一步陈述零件模型分解技术.     

基于装配约束的飞机导管几何特征建模与误差补偿

针对飞机导管实际装配过程中因装配应力大导致故障频发的问题,提出了一种基于导管装配特征的误差补偿方法.首先采用几何建模法进行了导管装配过程的几何建模,并提出了一种基于轴线矢量的导管装配模型建模方法.在此基础上,采用罗德里格旋转公式建立了基于实际装配工况下的导管空间位姿计算模型.然后基于导管装配要求进行了装配约束分析并识别...     

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析（G2DPCA)的合成孔径雷达（SAR）图像目标特征提取 方法。与主分量分析（PCA）相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不 是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析（2DPCA ）相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别 （MSTAR）计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征 维数的同时,又改善了识别性能,并且正确识别率在97％以上,且对目标方位变化具有较 好的鲁棒性。