车联网环境下车辆协同高精度定位研究进展

车辆位置信息是许多智能交通应用的基础,如车辆导航、路径规划和车辆编队等。现有研究中融合单车车载多源传感器的定位方法无法有效解决城市峡谷、隧道和立交桥等卫星信号不可用条件下的车辆定位问题。围绕车辆高精度定位进行了综合评述,主要深入研究分析了车辆协同定位技术。首先分析了单车自主定位的关键技术及其主要应用场景;然后对车辆协同定位框架进行了研究,并对目标关联算法和多源数据融合算法进行了分析;最后展望了车联网环境下车辆协同定位的发展趋势。研究表明,高精度高可靠定位研究还存在许多关键技术未突破,车联网环境下的车辆协同定位利用无线通信实现多源定位传感器信息动态交互,为智能汽车定位系统研发提供新思路。     

多无人机协作侦察中的车辆再识别

在多无人机协作侦察中,匹配识别不同无人机侦察发现的装甲车辆,属于车辆再识别任务。近年来,车辆再识别技术在智能交通领域得到了快速发展,但是该技术尚未在军事领域得到充分的关注和应用。本文围绕该技术的发展和军事应用展开研究,一方面,从数据集、特征表示、注意力学习、度量学习、属性学习等方面对民用车辆再识别技术进展进行综述,分析总结了现有技术的优点和劣势,提出了有待深入探索的研究方向;另一方面,以多无人机协作侦察任务为背景,探讨分析了车辆再识别在其中的作战运用方式,并针对战场上存在的计算资源有限、环境复杂多变等因素导致车辆再识别性能下降问题,提出了可能的解决思路。本文研究可为车辆再识别技术在多无人机协作侦察中的应用提供前瞻性参考。     

基于随机集理论的多目标跟踪方法

多目标跟踪问题通常包括目标信号的检测与目标状态的估计,同时还涉及到对探测范围内目标数量的确定。传统的跟踪方法将目标检测、状态估计与数量确定分别使用独立的模块或算法来处理。在这种模式下,每个模块仅考虑测量数据中与其功能直接相关的信息,模块之间没有信息的交互,因而很难得到全局最优的解。基于随机集理论的多目标跟踪方法将场景内的全部目标看作一个全局变量,目标状态与目标测量分别构成各自的随机有限集。从而多目标跟踪问题可以放在一个随机集模型下的贝叶斯滤波框架中研究。在每一个滤波周期内,通过对随机集的处理,实时地估计目标的数量、状态与类型,实现多目标的联合检测、跟踪与识别。     

VANET中基于TUU博弈的合作激励机制

VANET随车流的行进呈现出疏密相间的网络:夜间城市场景下,稀疏的车辆交通可能导致VANET中的严重分割,而在城市堵车场景则会引起广播风暴,严重影响了VANET的Qos服务质量,加之大量自私节点的存在,难以保证VANET中高速移动车辆间的可靠通信。针对存在自私节点的VANET,既要保证连通,又要适当降低消息冗余的问题,提出TUU-D激励机制动态时变的激励VANET中节点的移动合作。利用D-S证据理论对VANET场景状态进行动态判定;针对稀疏和稠密两种城市场景,应用TUU-D激励机制保证网络的连通性,提高网络消息投递率;将TUU-D激励机制与DARWIN机制和ICARUS机制进行对比,仿真结果表明,TUU-D机制能够更有效地激励VANET中节点间的合作。     

ATM网中VBR MPEG视频源的RAR(1)模型

对MPEG视频源中一个典型的实际数据序列———星球大战电影序列进行分类、统计分析 ,建立了一个新的RAR ( 1)模型。拟合效果表明 ,RAR ( 1)模型的输出轨迹 ,其形状与实际数据十分形似 ,能够包括场景改变时的大量尖峰。拟合后的RAR ( 1)模型的自相关与实际数据的自相关十分匹配。平稳概率分布接近Gamma分布 ,与实际视频数据的分布一致     

曲率分析的变分辨率数字高程模型建模算法

传统的数字高程模型一般采用规则网格划分以简化建模过程,因其网格密度缺乏对地形变化的自适应性而不能兼顾地形表达的准确度和地形数据的冗余度,导致其在车辆动力学仿真等领域的应用有所局限。针对这一问题提出一种基于曲率分析的随机节点分布建模方法,其数据节点的密度根据种子节点周围的局域曲面曲率变化而相应变化,实现了在复杂、曲率较大的地形区域自动生成高分辨率数字节点集,而在平缓、曲率较小的区域实现低分辨率的节点分布。在获得此种节点集的基础上,利用Delaunay三角剖分结合三次多项式插值算法,得到满足高精度和低数据冗余度的变分辨率数字高程模型。利用传统规则网格地形模型与所提出的变分辨率数字高程模型对同一个用于星球车动力学仿真的复杂野外地形进行对比,验证了变分辨率算法的有效性。     

水下集矿作业车运动光学实时跟踪测量系统

集矿作业车是大洋采矿系统的关键技术,在实验定型阶段,高精度的测量集矿作业车的运动学参数是检验集矿作业车的牵引、控制等模块性能必不可少的环节。针对集矿作业车在水中行进、活动范围较大的特点,提出了利用广角镜头进行双目交会测量的光学方法,实现了集矿作业车运动轨迹实时跟踪测量系统。该系统首先在实验室内利用网格板对广角镜头的畸变进行修正;其次,在现场,根据场景中的自然特征,在室内标定的基础上,修正镜头畸变,标定摄像机内外参数;最后,两台摄像机跟踪集矿作业车上的合作特征,实时交会测量获得集矿作业车的运动轨迹,包括位置、速度等。该系统的测量结果与全站仪测量结果的残差为5mm。系统已正式通过验收,并投入使用。     

武器跟踪随动系统视景仿真(英文)

武器跟踪随动仿真系统是一个能够对武器跟瞄进行演示验证的虚拟现实系统,对虚拟军事训练的研究和探索,有着极其重要的意义。提出了一种简易的跟踪随动算法,可以对武器跟瞄运动目标进行有效的模拟;并建立VegaPrime与OpenGL混合编程机制解决了在场景中的画图问题,实现了对瞄准镜十字刻线的绘制;通过实验,实现了在计算机系统中一定范围的全天候自然实景的模拟。开发和应用结果表明,该方法具有可行性,仿真产生的图像与实际成像较为接近,并能大幅度减少训练成本。上述研究对于武器瞄准训练以及目标识别等具有一定的工程意义。     

分布式小卫星SAR回波仿真快速算法

回波信号仿真是研究分布式小卫星SAR系统的基础,对于系统总体设计具有重要意义。大范围自然场景回波仿真导致巨大的计算量。快速算法基于FFT实现,首先在时域利用脉冲序列近似表征场景在慢时刻的响应,然后利用FFT在频域实现线性时不变滤波以产生场景回波,算法能够有效减小运算量。对仿真的回波进行成像和干涉处理,结果验证了算法的有效性。     

基于视频图像的增强现实光照技术

光照一致性是增强现实技术中一项重要的研究内容。利用摄像机捕获的放置在真实场景中的标定物和镜面小球的视频图像,设计了一个增强现实光照系统模型。模型的实现过程表明,该方法实现相对简单,不需要对场景及模型进行预处理,能够达到虚实对象在动态增强现实场景中光照的实时一致性。     

基于部件模型的无人机系统小样本车辆目标识别方法

对地目标检测与识别是无人机系统典型任务之一,但受限于任务特殊性,往往难以获取足够的目标样本数据以实现高可靠的目标识别。为此,结合人的认知特性,提出一种基于部件模型的小样本车辆目标识别方法,可有效提高无人机感知能力。采用视觉显著性检测与物体性检测相结合的检测方法,提取目标可能区域;采用基于图论的GrabCut方法与最大类间方差法相结合的分割方法,分割目标并提取目标内部件;采用基于概率图模型的部件识别方法,通过将部件轮廓稀疏表示为条件随机场,并进行概率推理实现部件识别;采用基于贝叶斯的目标识别方法完成目标是否为车辆的判断。通过无人机拍摄的车辆图像验证表明,算法可在样本较少、光照变化、存在遮挡等情况下,以较高准确率检测并识别出车辆目标,同时识别算法具有一定可解释性。     

Visual-simulation region proposal and generative adversarial network based ground military target recognition

Ground military target recognition plays a crucial role in unmanned equipment and grasping the battlefield dynamics for military applications, but is disturbed by low-resolution and noisy-representation. In this paper, a recognition method, involving a novel visual attention mechanism-based Gabor region proposal sub-network (Gabor RPN) and improved refinement generative adversarial sub-network (GAN), is proposed. Novel central–peripheral rivalry 3D color Gabor filters are proposed to simulate retinal structures and taken as feature extraction convolutional kernels in low-level layer to improve the recognition accuracy and framework training efficiency in Gabor RPN. Improved refinement GAN is used to solve the problem of blurry target classification, involving a generator to directly generate large high-resolution images from small blurry ones and a discriminator to distinguish not only real images vs. fake images but also the class of targets. A special recognition dataset for ground military target, named Ground Military Target Dataset (GMTD), is constructed. Experiments performed on the GMTD dataset effectively demonstrate that our method can achieve better energy-saving and recognition results when low-resolution and noisy-representation targets are involved, thus ensuring this algorithm a good engineering application prospect.     

Bidirectional parallel multi-branch convolution feature pyramid network for target detection in aerial images of swarm UAVs

In this paper, based on a bidirectional parallel multi-branch feature pyramid network (BPMFPN), a novel one-stage object detector called BPMFPN Det is proposed for real-time detection of ground multi-scale targets by swarm unmanned aerial vehicles (UAVs). First, the bidirectional parallel multi-branch convolution modules are used to construct the feature pyramid to enhance the feature expression abilities of different scale feature layers. Next, the feature pyramid is integrated into the single-stage object detection framework to ensure real-time performance. In order to validate the effectiveness of the proposed algorithm, experiments are conducted on four datasets. For the PASCAL VOC dataset, the proposed algorithm achieves the mean average precision (mAP) of 85.4 on the VOC 2007 test set. With regard to the detection in optical remote sensing (DIOR) dataset, the proposed algorithm achieves 73.9 mAP. For vehicle detection in aerial imagery (VEDAI) dataset, the detection accuracy of small land vehicle (slv) targets reaches 97.4 mAP. For unmanned aerial vehicle detection and tracking (UAVDT) dataset, the proposed BPMFPN Det achieves the mAP of 48.75. Compared with the previous state-of-the-art methods, the results obtained by the proposed algorithm are more competitive. The experimental results demonstrate that the proposed algorithm can effectively solve the problem of real-time detection of ground multi-scale targets in aerial images of swarm UAVs.     

无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。     

利用主成分分析的通信调制识别通用对抗攻击方法

深度学习容易被对抗样本所攻击。以通信调制识别为例,在待传输的通信信号中加入对抗性扰动,可以有效防止非合作的用户利用深度学习方法识别信号的调制方式,进而提升通信安全。针对现有对抗样本生成技术难以满足自适应和实时性的问题,通过对数据集中抽取的小部分数据产生的对抗扰动进行主成分分析,得到适用于整个数据集的通用对抗扰动。通用对抗扰动的计算可以在离线条件下进行,然后实时添加到待发射的信号中,可以满足通信的实时性要求,实现降低非合作方调制识别准确率的目的。实验结果表明该方法相对基线方法具有更优的欺骗性能。     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.     

低温等离子体用于高功率微波防护研究

等离子体对于高功率微波的攻击具有独特的防护效果。基于等离子体流体近似方法,利用COMSOL软件研究了高功率微波与柱状等离子体阵列相互作用过程中入射电场随时间的演变过程,分析了等离子体防护高功率微波的物理过程和作用机理。研究结果表明,入射的高功率微波会使等离子体参数发生剧烈变化,特别是其电子密度将急剧增加,从而使等离子体对入射的高功率微波表现出类似金属的电磁特性,最终实现对入射高功率微波的有效防护。此外,利用高频辉光放电产生柱状等离子体阵列,通过实验验证了等离子体对高功率微波的防护作用。最后,总结了基于等离子体的高功率微波防护技术需解决的主要问题。     

基于稀疏表示和非参数判别分析的降维算法

针对人脸识别问题提出一种新的监督降维算法。算法首先基于稀疏表示理论,利用同类样本间的稀疏重构来构建图。此方案不仅可以克服传统图构造方法中参数选择的困难,而且能够更好地刻画类内信息。然后,算法采用非参数类间离差来刻画类间信息,非参数类间离差在处理复杂分布数据时相比于参数类间离差更具判别力。最后,算法通过保持类内稀疏重构关系的同时最大化非参数类间离差来求得最优的投影矩阵。在ORL和Extended Yale B公共人脸数据库的实验表明,该算法能够获得较好的识别结果。     

运载火箭摄动制导导引系数实时计算方法

对于新型运载火箭,没有相近型号导引系数数据供参考,采用传统试探法计算量大,在制导方案初期论证中不能满足多方案快速计算的需求。在引入理想弹道剩余飞行速度概念的基础上,提出导引系数实时计算方法。本方法对当前实时状态参数和后续飞行段弹道进行了综合考虑,通过数字仿真表明导引精度高于传统常系数导引方法。由于本方法对导引能力进行了预估,因而制导指令不会剧烈变化,易于姿态控制系统的设计实现。同时,由于采用完全解析法,对箭载计算机计算能力要求几乎没有增加,易于工程实现。     

基于pLSA模型的人体动作识别

提出一种基于主题模型的人体动作识别方法。该方法首先提取时空兴趣点(STIP,space-time interest point)来描述人体运动,然后提出使用慢特征分析(SFA, slow feature analysis)算法计算兴趣点梯度信息不变量最优解,最后使用概率潜在语义分析 (pLSA, probabilistic Latent Semantic Analysis) 模型识别人体动作。SFA计算的梯度不变量最优解可以表示时空兴趣点固有特征,能够无歧义反映时空兴趣点在空间及时间方向上的信息。同时,针对pLSA隐性主题正确性无法保证的缺点,算法将主题与动作标签“一对一”相关,通过监督方式得到主题,保证了训练中主题的正确性。该算法在KTH人体运动数据库和Weizmann人体动作数据库进行了训练与测试,动作识别结果正确率分别在91.50%和97%以上。