Human-imitation recognition algorithm based on multi-character

A multi-character recognition method based on hidden Markov model (HMM) was presented. The method can reduce the calculation load of correlation and improve recognition accuracy compared with single-character recognition in video. The characteristics used for recognizing include the shape character, the color character, the texture character and so on. Even our human being generally uses these characteristics to recognize objects in practice. A recognition experiment of 17 fishes was carried out in the paper. The experimental results demonstrate the high veracity of the multi-character recognition algorithm. Together with the tracking process, it can handle dynamic objects, so the multi-character recognition is more like the human recognition, and has great application value.     

危险源辨识和控制在勘察单位安全管理中的应用

危险源的辨识和控制是职业健康安全管理体系的核心,危险源的辨识和控制是消除各种事故隐患和控制各种职业健康安全风险的保障。文中简要介绍了危险源辨识和控制在勘察单位安全管理中的应用。     

分析预测理论以及在空间位置探测数据处理中的应用(Ⅲ)--分析预测理论和统计预测理论

介绍了分析预测理论的处理空间位置探测数据问题的原理和思路，比较了分析预测理论和当前流行的处理空间位置探测数据问题的统计理论在原理和思路之间的差异，介绍了分析预测理论解决统计预测理论不能处理或不太好处理问题的解决方案。这些问题有，目标空间运动模式的识别问题；目标空间运动模式改变的识别问题；单站一维探测数据和多维探测数据的融合问题；不同平台，不同探测精度探测器数据的融合问题。最后，讨论分析预测理论和统计预测理论的互补性和互补方案等问题。     

分析预测理论以及在空间位置探测数据处理中的应用(续四)--运动模式的识别技术

前面系列文章[1-3]将空间位置探测数据的处理问题转换成SSS^ 问题(单目标不同种类、不同精度，不同平台探测数据的处理问题，SSS问题是单平台单探测器单目标滤波问题)、关联技术^ (将来自相同或不同探测器、相同或不同平台的，相同或不同周期的同一个目标的探测数据构成一个集合的技术)、以及航迹融合技术；并证明了需要进行处理的探测数据可以根据其对应的空间位置序列是否来自相同的运动模式而分成三种类型；来自一个相同的运动模式类；来自两个不同相同的运动模式类；来自三个不相同的运动模式类(其中间的运动模式下的探测数据由于可能获得的探测数据数量有限，所以没有使用的价值)；以及SSS^ 问题在分析预测理论的处理方法与处理SSS的方法完全相同，唯一的区别在于获得构成约束的探测域的方式不同。本篇文章开始讨论SSS^ 数据的处理问题，SSS^ 处理技术包含三个部分，目标运动模式的识别技术(本篇讨论内容)，多项式与圆周运动模式的滤波技术(下一篇研究内容)，以及一般运动模式的滤波技术(第六篇主题)。在更加以后的文章里讨论关联技术^ 和航迹融合技术。本文集中讨论了，那些种类的目标运动模式的先验知识，如何获得这些目标识别的先验知识，以及在识别过程中如何使用这些先验知识。     

基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

醉酒驾驶严重威胁道路交通安全,对醉酒驾驶进行准确识别意义重大.利用驾驶模拟舱进行驾驶实验,提取醉酒驾驶和正常驾驶的驾驶行为参数.首先,通过方差分析和均值分析选取方向盘转角作为识别特征,并采用滑动数据窗求取方向盘转角均值序列,构建识别特征参数;然后,分别采用K近邻(KNN)和支持向量机(SVM)对驾驶状态进行识别,得到两种分类方法在不同道路线形的最高识别准确率及其相对应的最优数据窗;最后,对两种分类方法进行了对比分析.结果表明,SVM对醉酒驾驶的识别性能优于 KNN;数据窗对KNN的识别准确率影响显著,对SVM的识别准确率影响不明显.