基于双目视觉的水下连接器位姿测量方法

水下连接器的对接作业是水下工程作业的重要环节,针对目前依靠摄像机传回视频进行作业过程中存在的操作难度大、依赖操作员经验的问题,设计基于双目视觉的水下连接器位姿测量方法。该方法首先根据水下连接器的颜色特征确定检测范围,之后在检测范围中以水下连接器为模板进行初步定位,然后根据水下连接器端面的成像特点检测椭圆特征,并进行双目匹配获得相关三维点坐标,最后计算得出水下连接器的位姿。实验表明,该方法位置测量平均误差1.3%,姿态测量平均误差3.5°,可以较好地为水下连接器对接作业提供参考。     

人脸非线性视角流形建模方法

针对线性子空间不足以描述头部视角空间非线性变化等因素影响人脸视角流形的精确建模问题,提出一种新的视角流形建模方法,并从理论上将该方法与经典的流形学习建模方法及概念驱动的视角流形建模方法进行比较,通过基于非线性张量分解的人脸及视角识别实验比较视角流形对识别结果的影响,从而给出视角流形的有效性比较.实验结果表明,本文提出的视角流形建模方法比概念驱动的视角流形和TensorFace中的线性视角系数均有更好的识别效果.     

山区河流GPS-RTK水深测量姿态改正研究

针对GPS-RTK水深测量时测船姿态对测量精度的影响,结合山区河流大比例尺测图的特殊情况,通过对GPS天线船体坐标系VFS、换能器船体坐标系VFS与地理坐标系GRF的转换等测船姿态改正的数学模型分析研究,为正确认知、应用GPS-RTK水深测量姿态误差改正提供一些有益的结论。     

基于头部姿态特征的列车司机疲劳驾驶检测系统研究

列车司机疲劳驾驶严重威胁列车行车安全.为弥补人眼检测方法存在的不足,提出了1种基于头部姿态特征的列车司机疲劳驾驶检测方法.该方法首先采用AdaBoost算法检测人脸区域,然后采用Camshift算法对人脸进行跟踪,并对人脸的旋转角度进行计算,得出其旋转角速度以及旋转角加速度,最后根据其头部的倾斜角度以及旋转角速度综合判断列车司机的疲劳状态.建立了头部旋转物理模型,得到头部自由旋转时角速度与角加速度随旋转角度的变化曲线.在上述方法的研究基础上,研发了1个基于头部偏转情况判断疲劳驾驶的系统.该方法的疲劳检测成功率为87.5％,但其只能对头部缓慢倾斜和头部突然向两侧倾斜这2种疲态状态进行报警,尚不能对打呵欠、低头、闭眼等其他疲劳状态做出反应,需与其他检测方式结合使用.     

基于人体姿态估计的分心驾驶行为检测

为弥补现有驾驶特征提取方法的不足,提高分心驾驶行为检测的准确性和鲁棒性,将2D/3D人体姿态估计应用于驾驶人行为检测,提出一种适用于驾驶舱环境下的驾驶特征提取方法。首先通过将2D姿态估计网络Simple Baseline和分类网络ResNet进行融合,构建基于2D姿态估计的分心驾驶行为检测模型,并在分心驾驶数据集State Farm上分析不同数据增强方法、不同超参数、不同分类网络对模型性能的影响。其次,融合3D密集姿态估计网络DensePose与分类网络ResNet,构建基于3D姿态估计的分心驾驶行为检测模型。接着,在State Farm数据集上,针对模型的实时性和泛化能力,对比分析基于原始图像和基于2D/3D姿态的分心驾驶行为检测模型。最后,针对效果更优的基于2D姿态估计的分心驾驶行为检测模型,在分心驾驶数据集State Farm上,对使用不同姿态估计算法和分类网络的分心驾驶行为检测模型做了交叉试验,对比分析4个不同检测模型的优缺点。进一步地,将基于2D姿态估计的分心驾驶行为检测模型应用于实际采集的驾驶图片,对模型的泛化能力和有效性进行了测试验证。研究结果表明:与基于原始图像的检测模型相比,基于2D和3D姿态的检测模型都能显著提高分心驾驶行为的检测准确率;基于3D姿态的检测模型在检测精度方面略优,但基于2D姿态的检测实时性更好,检测效率是基于3D姿态检测的4倍;在驾驶舱单一环境下,基于2D姿态估计的分心驾驶行为检测模型能够满足分心驾驶行为检测的需求,在分心驾驶行为检测方面具有重要应用价值。     

基于人体姿态空时特征的驾驶员疲劳检测

为减少疲劳驾驶给道路交通带来的安全隐患，本文以驾驶员人体姿态为研究对象，分析驾驶动作变化与驾驶员疲劳状态之间的联系，提出基于空时特征与人体姿态的驾驶员疲劳检测模型。首先，以改进的Simple Baselines网络定位驾驶员骨架关键点(空间特征)；其次，分析驾驶过程中人体姿态的变化特点，依据“高内聚、低耦合”的原则将人体关键点模块化，以此为基础设计多个与驾驶员疲劳驾驶相关的特征表示；最后，引入滑动窗口计算各疲劳特征的离散程度，将其作为长短时记忆网络(时间特征)的输入，从而实现对驾驶员疲劳状态的预测。通过13位被试驾驶人的驾驶行为数据实验结果表明：使用本文提出的基于空-时特征和人体姿态的驾驶员疲劳检测模型可达到97.73%的检测精确率，98.95%的召回率以及98.35%的准确率，表明该检测模型具有可行性。     

基于视觉的集装箱海上并靠吊装位姿识别

舰船在远海进行并靠补给时受波浪影响两船之间会产生无规律的相对运动，给补给集装箱吊装工作带来了很大挑战，急需一种能够在较高海况下辅助人工的自动化吊装系统。针对这一问题，本文提出了一种基于单目视觉和ArUco标志点相结合的集装箱位姿检测方法。首先，介绍了带有视觉系统的并联吊装系统主要组成部分，简要分析了控制流程及方法；然后，根据实际集装箱码放流程，设计了适用的ArUco标志点布放和检测方案，介绍了相机标定、ArUco标志点检测及集装箱位姿估计方法；最后，搭建模拟试验平台测试视觉位姿识别的精度、速度和不同光照条件下的鲁棒性。试验结果表明，在普通工控PC平台上，最低识别速度在15Hz以上，姿态角平均误差为 ，位移量平均误差为 ，可以满足并靠吊装要求。     

基于深度相机的船舶小构件打磨装置视觉识别算法设计

基于深度相机,针对船舶小构件智能打磨装置的视觉识别系统进行算法模块设计,确定视觉识别系统的模块框架与模块功能,并基于OpenCV库与PCL库,利用C++程序语言对模块功能进行算法实现。同时搭建算法试验平台,对模块算法进行验证,完成包括相机位姿估计与坐标变换、工件点云分割、工件质心提取、工件边缘提取在内的算法功能实现,为船舶小构件智能打磨装备提供准确全面的视觉数据,保证智能打磨装备的上料及打磨作业顺利执行。