来自底特律的"流行"信息

每年的夏末秋初,美国三大汽车巨头总会骤在一起举行一场特殊的技术发布会,在这场针对媒体的发布会上,各厂商都会把明年新车的技术特色公布于众。如同米兰、巴黎的时装发布会将引领下一季的时尚潮流一样,来自底特律的汽车发布会也将指引来汽车技术的发展动向。下面就让我们一起进入发布会现场,感受一下来自底特律的汽车“流行”信息。 戴姆勒-克莱斯勒 克莱斯勒汽车公司的技术展示集中在04款新车上,这其中包括全新的     

图像测量技术用于精密测量

本文介绍了图像式精密测量系统，该系统采用了有效的图像增强技术，边像提取和边像跟踪技术，以及独特的边界拟合和模块匹配算法，较好地解决了检测精度和检测速度这一对矛盾。     

基于卷积神经网络的路表病害识别与测量

为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络（Convolutional Neural Network,CNN）技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型（CNN1）。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型（CNN2）和坑槽特征提取模型（CNN3）的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明：CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅^-1,CNN2用时为5 376 ms·幅^-1,采用图形处理器加速后CNN1用时为192 ms·幅^-1,CNN2测试平均用时为1 024 ms·幅^-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。     

多形态几何约束的道路障碍物检测新方法

针对道路监控固定图像传感器采集的交通视频图像,开展动态场景下障碍物的检测研究。通过道路感兴趣区域的建立,提取停止车辆和遗撒物的共同特征,提出多态几何约束的障碍物检测算法,实现障碍物的检测;通过对仿真视频和实际道路采集的视频进行实验,结果证明该方法对障碍物检测的鲁棒性高,实际的检测效果较基于混合高斯模型的背景差分法的结果更好。     

基于签密的数控机床远程操控安全交互协议

针对目前数控机床远程操控信息传输所存在的安全交互问题,设计了一种基于签密的数控机床远程操控安全交互协议。通过在客户端与数控机床间嵌入签密算法,实现对信息来源的可验证,防止信息泄露,确保信息的安全传输。实验仿真证实,协议具有较高的可行性。     

一种基于KPCA和Brovey变换的遥感影像融合方法

针对PCA-Brovey算法在融合多光谱遥感影像(MS)和全色影像(PAN)方面存在的空间细节特征和光谱特征不能同时得到较大提高的问题,提出一种基于KPCA-Brovey的遥感影像融合方法。利用核主成分变换(KPCA)算法的非线性光谱数据挖掘的特性,提取多光谱影像中信息量最大的3个主分量KPC1、KPC2和KPC3;然后利用Brovey算法对3个主分量和全色波段进行归一化融合运算,使融合结果中的空间信息和光谱信息更丰富。利用武汉区的Landsat5-TM和佛山区的Quick Bird影像进行实验,与PCA-Brovey方法相比,该方法在空间信息和光谱信息方面有明显提高,其中光谱信息提取率分别提高到96.6%(武汉区)和96.1%(佛山区),光谱相关系数提高到0.907 9(武汉区)和0.897 9(佛山区)。     

公路隧道衬砌病害展布图拼接技术研究

在隧道检测车上不同位置布置多个CCD相机,可快速采集隧道衬砌表观离散图像,通过图像匹配、图像融合及图像插值,对图像进行拼接,将拼接结果用于隧道衬砌病害的识别、完成隧道检测工作.实践证明,此种方法用于隧道图像拼接可行,有助于提高隧道检测效率,便于与多年隧道检测数据进行对比,具有较好的经济效益和社会效益.     

图像分块下的隧道裂缝识别方法

针对隧道衬砌表面不均匀光照、渗水和噪声等强视觉干扰,设计了基于图像分块的隧道衬砌裂缝检测算法;根据中国西部地区的地理特征和隧道衬砌的外观病害,研制开发出一种快速、自动化的非接触式智能隧道结构物外观检测系统; 以非均匀光照下隧道图像数据集为研究对象,在图像分块的基础上提出一种适用于隧道裂缝特征提取的图像识别算法;研究了电子元件产生的噪声,并分析和总结了隧道衬砌的灾害特征;根据裂缝特征和分辨率将图像矩阵划分为适当数量的区域块,根据区域块的灰度特征将原始图像划分为目标背景区、目标病害区、病害背景区和其他区域,通过最大类间方差法和局部阈值法分割得到了隧道裂缝的粗图像,在此基础上进行了粗图像裂缝特征提取;对原始图像的每个区域块进行了对比度受限的自适应直方图均衡操作和局部阈值分割,得到了细节图像;将细节图像和粗图像的重叠区域设为理想裂缝二值化图像;结合隧道结构物外观检测系统对不同方向的裂缝图像进行了二值化试验,并通过隧道裂缝定位和投影法得到了隧道衬砌图像中裂缝的位置信息和方向。研究结果表明：提出的算法对隧道裂缝识别的准确值、召回率和F值可分别达90.34%、98.78%和94.37%,既可以保证隧道裂缝的完整性,也可以在非均匀光照下最大程度地保留目标裂缝的细节,可用于处理一般灰度图像的二值化问题。     

具有亚像素精度的冗余特征机器人视觉伺服控制

为克服机器人视觉伺服系统对位姿估算及标定精度的依赖性,结合前期特征识别和后期视觉伺服控制,提出基于冗余特征的机器人视觉伺服控制方法.首先,针对图像处理计算密集的问题,从加快特征提取运算速度考虑,研究了矢量数据的递归贪婪压缩算法;其次,从提高图像空间测量精度考虑,研究了基于向量正交性的亚像素特征提取方法,并结合合作目标形状,给出基于多边形形状拟合的目标识别实验性准则;最后,基于图像视觉伺服理论和任务函数方法,直接以具有亚像素级的冗余图像特征作为反馈信息,建立了机器人视觉伺服控制模型,并进行了视觉伺服验证试验.理论分析和实验结果表明,本文提出的视觉伺服控制方法能够在复杂的环境下快速稳定地提取伺服特征,并对标定误差和深度估计误差具有一定的鲁棒性.