基于改进ORB算法的特征点匹配研究

针对ORB(Oriented FAST and Rotated BRIEF)算法不具有尺度不变性的缺陷,结合多尺度Shi-Tomasi算法提出了改进的ORB算法:STORB(Shi-Tomasi-ORB)算法.首先在多尺度空间中通过快速预筛选后检测Shi-Tomasi特征点,然后使用ORB算法生成具有方向信息和尺度信息...     

复杂背景图像下的快速车牌定位新方法

针对复杂背景图像下的车牌定位问题，章提出了一种新的方法，充分利用字符和车牌背景的灰度特征及其二维分布规律，采用关键点取样、分格操作和两次定位操作，很好地兼顾了定位的正确性和快速性。定位正确率为98．3％，平均定位时间为6．8ms。     

舰船遥感图像的分类方法研究

遥感图像分类一直是舰船应用领域的关键技术,由于遥感图像具有多波段、高维特征等特点,当前遥感图像分类技术面临一定的挑战。为了获得更优的舰船遥感图像分类结果,提出一种多分类器加权组合的舰船遥感图像分类方法。首先分析舰船遥感图像分类研究的历史,找到导致单分类器的舰船遥感图像分类错误率高的原因,然后引入双边滤波算法对原始舰船遥感图像进行去噪,并提取舰船遥感图像分类纹理特征,最后采用多种方法建立舰船遥感图像分类器,并对它们进行加权组合,输出舰船遥感图像的最终归属。仿真测试结果表明,本文方法获得了比单分类器更优的舰船遥感图像分类正确率,舰船遥感图像分类结果更加可靠。     

基于云计算的船舶通信网络异常数据分析

传统船舶通信网络异常数据分析方法无法有效处理大规模的船舶通信网络异常数据,使得船舶通信网络异常数据分析的实时性差,船舶通信网络异常数据错误分析的概率高,为了解决当前船舶通信网络异常数据分析方法的局限性,针对船舶通信网络异常数据的特点,提出了基于云计算的船舶通信网络异常数据分析方法,首先分析船舶通信网络异常数据分析原理,采用支持向量机建立船舶通信网络异常数据分析模型,然后采用云计算搭建船舶通信网络异常数据分析平台,使多个支持向量机可以并行执行,最后在Matlab 2016的环境下进行了船舶通信网络异常数据分析模拟测试,测试结果显示本文方法的船舶通信网络异常数据分析不仅正确率超过了90%,而且船舶通信网络异常数据分析实时性很好,要明显优于当前其它方法,实际应用价值更高。     

城市道路交叉口自动事件监测系统

提出一种基于事件特征来检测交通事件的监测系统.系统选取3个特征值,交通流、车辆角度和车辆加速度.从CCD摄像头获取图像序列之后做车辆检测,提取车辆移动方向、交通流和车辆加速度来获得检测结果.该方法通过计算得到正确率97.8%,误报率1.02%,检测时间只要30 s.结果表明,该方法比检测效果更好.     

基于集成学习算法的轨道几何状态短期预测模型

为了更准确地预测轨道状态劣化趋势,建立了一种新的轨道状态短期预测集成学习模型.建模时以200 m轨道单元为研究对象,根据轨道交通线路特点考虑多种影响轨道状态劣化程度的异质性因素来确定模型变量.首先分别利用Gamma过程、二项logistic回归和支持向量机三种方法构建TQI预测模型,然后利用Stacking集成学习技术...     

北京首现无人驾驶地铁线

北京地铁机场线于3月8日起实现无人驾驶,成为北京市第1条完全无人驾驶的地铁线。人工操作列车时,从东直门到机场航站楼再折返回来大约需要56min;无人驾驶后,一圈下来只需要大约48min,提速至少8min。同时,机场线的故障判断正确率将提高三成左右。     

又是个雾霾的北京

<正>2月,北京经历了持续的重度雾霾天气,灰蒙蒙的天气压抑得让人透不过气来。看着大街上带着口罩行色匆匆的路人,想起了音乐人小柯在他创作的《北京爱情》中的一句歌词——"又是个雾霾的北京",以这样一句歌词贯穿首尾,他说这最能体现北京目前的城市元素,也是很多人对这个城市最直观的感受。不成想,"雾霾"这个曾经书写正确率不高的词汇正在成为人们日常生活中的高频词,甚至要成为北京的城市元素。从     

基于大数据与人工智能的舰船避碰路径优化调度算法

舰船航行路径中存在许多障碍物,当前舰船避碰路径优化调度算法存在障碍物识别正确率低、规划路径长,不仅无法获得最优的舰船航行路径,而且不能保证舰船航行的安全,为了获得最优的舰船航行路径,设计了基于大数据与人工智能的舰船避碰路径优化调度算法。首先分析当前舰船避碰路径优化调度算法的工作原理,找到弊端,然后引入大数据分析方法建立舰船避碰路径优化的数学模型,实现障碍物识别,并采用人工智能技术——遗传算法找到最优的舰船避碰路径,最后进行舰船避碰路径优化调度算法性能的仿真测试,结果表明,本文方法可以更快找到最优的舰船避碰路径,舰船避碰路径更短,不仅减少了舰船航行的时间和成本,而且可以准确识别各种舰船障碍物,具有显著的优越性。     

深度学习船舶分类技术研究

为了提高船舶分类正确率,针对当前船舶分类方法存在的精度低、误差大等缺陷,提出基于深度学习的船舶分类方法。首先对船舶分类图像进行采集,并提取多个船舶分类特征,组成船舶分类的特征向量集,然后将特征向量集作为深度学习算法的输入,船舶类型作为深度学习算法的输出进行学习,建立船舶分类模型,最后进行船舶分类的仿真实验,结果表明,深度学习算法的船舶分类正确率超过90%,不仅可以很好地描述船舶类型,而且船舶分类的速度也很快,可以应用于日常船舶分类管理工作。