高性能水下目标识别系统及其实验研究

结合“九五”预研课题,设计了一种高性能的水下目标识别系统,具有有源目标识别和无源目标识别两种功能。海上实测数据的大量实验表明：在低信噪比,多工况及大量测试样本条件下,该识别系统具有识别率高,实时性好,推广能力强等优点,具有一定的推广价值。     

基于GPS轨迹数据的不同交通状态下交通方式识别流程优化方法

基于GPS轨迹数据的交通调查技术能够有效弥补传统居民出行调查方式的不足,该技术在高峰拥堵时段的交通方式识别效果有待进一步研究.针对公交车和小汽车识别精度较低的问题,本文提出基于支持向量机(SVM)的流程优化方法,加入基于短时傅里叶变换 (STFT)的频域属性,利用遗传算法(GA)对SVM的惩罚系数和核参数进行联合优化,评估不同交通状态下交通方式和方式转换点的识别效果.结果表明：频域属性的加入能够有效提升交通方式识别精度,在道路畅通状态和一般拥堵状态下,交通方式和方式转换点的识别效果均较为理想;在严重拥堵状态下,机动化方式易与非机动化方式相混淆,方式转换点最大识别误差在13 min以内,相比于基于主观回忆的人工问卷调查方式仍具有参考性.     

一种优化的船体外板三维点云数据提取方法

针对水火弯板机检测系统中船舶外板三维点云数据自动提取过程存在边缘噪点、板下贴合垫木识别效率低以及外板边缘拟合等问题,提出一种优化DBSCAN聚类算法,首先根据现场加工环境精简点云,利用网格划分来建立外板点云拓扑模型,然后根据DBSCAN密度聚类算法搜索出外板点云,最后采用最小二乘法进行边缘拟合。结果表明,该算法能有效识别外板边缘,提取出外板点云。     

道路标志图案识别方法研究

针对道路标志图案自动识别,以转弯道路标志图案为例,通过颜色空间变换,将道路标志图像的RGB量值转换为H(hue,色度)S(saturation,饱和度)I(Intensity,亮度)量值,利用H、I作为分类器的特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。采用固定阈值法分割道路标志图像的图案区域,并对分割后的区域进行Daubech ies-4正交小波变换,利用小波变换系数的能量值和方差比值作为道路标志图案的纹理特征。最后,设计了BP神经网络道路标志图案分类器,实现道路标志图案的自动识别。实验结果表明,文中提出的方法可行。     

指纹图像质量评估

提出的指纹图像质量评估方法是图像预处理[1]的一个模块,它将在对指纹图像进行分割、细化等预处理操作之前先对图像质量进行评估,去除不满足要求的指纹图像以提高后续处理的鲁棒性[2].所提出的方法:先对指纹图像分块(每块9×9)[3],然后获取每块的方向信息,基于方向信息确定前景块和背景块进行分割,统计优势方向块,计算比重,得出评估参数,最后再通过指纹图像的对比度和纹线的抛物线走向来判定指纹图像是否过干、过湿或过偏.     

铁路区间通过信号机编号识别的定位方法

目前在测试区间通过信号机编号的正确性、完整性方面还是靠人眼来确认的,研究提出一种静止图像信号机编号的定位方法,为编号识别及自动化测试创造条件.     

汽车语音交互技术发展趋势综述

汽车网联化和智能化创造了汽车人机交互创新发展的机遇与前景,其中语音交互已经成为人机交互的主要方式。首先,综述了从早期的物理按键到触屏以及发展到现在的语音多模态交互模式等人机交互发展进程,进而分析了国内外语音交互技术研究和应用现状,最后,对语音交互技术发展趋势进行展望,总结出人机交互将围绕从“基本可用”到“好用易用”,从“主副驾交互”到“多乘客交互”,从“被动式执行机器人”到“拟人化贴心助理”,从“车内交互”到“跨场景交互”以及从“语音交互”到“多模态交互融合协同”等趋势发展。     

环卫洗扫车上装智能语音识别系统浅析

本文以一款智能环卫洗扫车为对象,介绍了上装智能语音识别控制系统的构成、工作原理、音频信号识别及降噪处理方法。     

车型自动识别系统研究

本文系统介绍了现有的主要车型识别方法，阐述了识别方法的组成结构及工作原理，比较了各种识别方法的优缺点，并提出了现阶段比较实用的方法。     

Kernel Factor Analysis Algorithm with Varimax

Kernal factor analysis （KFA） with vafimax was proposed by using Mercer kernel function which can map the data in the original space to a high-dimensional feature space, and was compared with the kernel principle component analysis （KPCA）. The results show that the best error rate in handwritten digit recognition by kernel factor analysis with vadmax （4.2%） was superior to KPCA （4.4%）. The KFA with varimax could more accurately image handwritten digit recognition.