单人行走运动参数估计方法

人体运动雷达微多普勒能够为目标识别提供特征。由于行人雷达回波的复杂性,从雷达回波中提取运动参数难度很大。为了实现目标精确识别,提出了一种估计单人行走平动速度、步态周期和步长的方法。首先应用广义S变换(GST)得到雷达回波的微多普勒谱,然后提取出躯干部位的微多普勒分量,并将此分量转为一维时间频率序列,最后从序列中直接估计行走的平动速度和步态周期,用这2个估计值间接估计步长。仿真实验证明:本文方法抗噪声性能好,当信噪比大于4 dB时,估计精度高。      

基于多尺度联合学习的行人重识别

现有的行人重识别方法主要关注于学习行人的局部特征来实现跨摄像机条件下的行人辨识。然而在人体部件存在运动或遮挡、背景干扰等行人数据非完备条件下，会导致行人局部辨识信息丢失概率的增加。针对这个问题，提出了一种多尺度联合学习方法对行人辨识特征进行精细化表达。该方法包含3个分支网络，分别提取行人的粗粒度全局特征、细粒度全局特征和细粒度局部特征。其中粗粒度全局分支通过融合不同层次的语义信息来增强全局特征的丰富性；细粒度全局分支通过联合全部局部特征，在对全局特征进行细粒度描述的同时学习行人局部部件间的相关性；细粒度局部分支则通过遍历局部特征来挖掘行人非显著性的信息以增强局部特征的鲁棒性。为了验证所提方法的有效性，在Market1501、DukeMTMC-ReID和CUHK03三个公开数据集上开展了对比实验，实验结果表明:所提方法取得了最佳性能。      

基于超宽带和航位推算的室内机器人UKF定位算法

超宽带是一种传输速率快、功耗低的新型无线通信技术,可提供亚米级定位精度,近年来超宽带定位在机器人领域的应用日益广泛。在超宽带信号有效区域边缘或信号受到遮挡时,超宽带定位精度急剧下降。为此提出了一种基于超宽带定位和航位推算的UKF组合定位方法,可有效克服上述问题,从而为室内机器人定位提供一种稳定可靠的解决方案。     

MEMS惯性鞋式行人导航系统

本文以微机械系统（Micro-Electro-Mechanical System,MEMS）惯性器件为测量单元,搭建行人导航硬件系统并进行系统软件设计,硬件系统选用STM32F405作为核心处理器。通过分析行人脚步运动特点,设计零速修正行人导航算法,通过零速修正卡尔曼滤波器单一条件和三条件的零速检测方法进行导航姿态、速度和位置误差评估,并进行鞋式导航实物实验验证。实验结果表明,所设计的鞋式行人导航算法行之有效,并为行人导航系统实际应用指明了研究方向。     

基于惯性递推原理的行人自主定位方法综述及展望

在室内环境或者卫星信号遮挡环境下,如何实现单兵或者行人的自主定位是目前研究的热点问题.其中,基于惯性递推原理的行人自主定位方法由于无需提前布设基础设施,且具有体积小、成本低、完全自主、不受干扰、实时性高等特点,因此具有广泛的研究价值和意义.本文围绕基于惯性递推原理的行人自主定位方法展开介绍,针对动态步态分析、零速区间检...     

车载惯性定位标定的理论推导及误差分析

为了解决车载惯性定位系统误差常用的起点纬度标定计算法在安装偏差角90°附近时误差较大已不适用的问题,以及充实车载惯性定位系统标定计算的理论,首先进行了车载惯性定位系统误差标定计算的推导,证明了误差的可标定性。借鉴等角航线反解理论,得到车载惯性定位系统标定理论依据。参考中分纬度理论,推导出使用平均纬度进行简化计算的航程及航向角误差公式,将其引入惯性定位系统标定计算,提出了一种使用平均纬度代替起点纬度进行标定计算的方法,并对两种标定计算方法的误差进行了公式推导及仿真分析。仿真结果表明,使用平均纬度进行标定计算的误差明显小于使用起点纬度,在安装偏差角较大时,使用平均纬度进行标定计算可使标定计算误差降低90%。证明了提出的标定计算方法在南北纬55°、行程不超过90km时可用,高纬度、更长行程下可参照文中公式进行误差估计。     

基于足间距信息辅助的行人三维惯性定位算法

针对行人惯性导航系统误差随时间累积致使定位精度严重下降的问题,提出了一种基于足间距信息辅助的行人三维惯性定位算法。该算法在零速修正算法的基础上,利用足部安装的超声波测距模块实时测量行人双足相对距离,构建了基于超声测距的足间距约束模型,通过随机森林算法实现行人运动模式识别,并针对上下楼梯场景,利用台阶高度和足间距信息进行高度解算,最终实现行人三维惯性定位。在实际路线上开展了三维定位实验,数据显示,所提算法平面闭环误差为总路程的0.64%,与零速修正算法相比下降了55.56%,高度误差为0.06 m,与零速修正和气压计联合算法相比下降了64.70%,能够实现导航误差在总路程的0.50%以内的三维定位。实验结果表明,所提算法具有良好的工程应用价值。     

基于跨尺度特征聚合网络的多尺度行人检测

行人的空间尺度差异是影响行人检测性能的主要瓶颈之一。针对这一问题,提出了跨尺度特征聚合网络（TS-FAN）有效检测多尺度行人。首先,鉴于不同尺度空间呈现出的特征差异性,引入一种基于多路径区域建议网络（RPN）的尺度补偿策略,其在多尺度卷积特征层上自适应地生成一系列与其感受野大小相对应的候选目标尺度集。其次,考虑到不同层次卷积特征在视觉语义上的互补性,提出了跨尺度特征聚合网络模块,其通过横向连接、自上而下路径和由底向上路径,有效地聚合具有语义鲁棒性的高层特征和具有精确定位信息的低层特征,实现对卷积层特征的增强表示。最后,联合多路径RPN尺度补偿策略和跨尺度特征聚合网络模块,构建了一种尺度自适应感知的多尺度行人检测网络。实验结果表明,所提方法与当前一流的行人检测方法TLL-TFA相比,在整个Caltech公开测试数据集上（All:行人高度大于20像素）的行人漏检率降低到26.21%（提高了11.94%）,尤其对于Caltech小尺寸行人子数据集上（Far:行人高度在20~30像素之间）的行人漏检率降低到47.30%（提高了12.79%）,同时在尺度变化剧烈的ETH数据集上的效果也取得显著提升。      

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的,该方法需要手工标记大量的数据,代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类,然后结合类内间离散度进行从底向上的分层聚类,类间和类内离散度都小的类别将被优先合并,同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量,最后,利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明,相比于目前先进的无监督视频行人重识别方法,本文方法在性能上有一定的提升。     

反舰导弹航路规划的递推算法

为了减小武器系统的作战反应时间,针对具有航路规划功能的反舰导弹,总结了导弹进行航路规划所需满足的约束条件,提出一种信息处理量小、计算迅速的无威胁规避航路规划算法——递推算法。递推算法秉承导弹按预定攻击方向攻击目标所需导航点最少的原则,根据一定的假设条件,由目标位置开始,按攻击方向的反方向,依据平面几何理论,依次递推得到所有导航点位置,以及导弹在各导航点的转弯角度,直至发射点。仿真数据表明,由该算法得到的参考航路,相对较短且便于工程实现。