检索结果-南通市图书馆

作者：刘雪飞南京理工大学

学位级别：硕士

随着计算机视觉的发展,基于图像的应用已广泛出现在日常生活和社会生产中,但现有的图像相关算法通常是基于室内或良好天气等理想化场景,没有考虑到恶劣天气对成像的影响。降雨是最为常见的一种恶劣天气,尤其是在户外场景下,降雨对成像... 详细信息

随着计算机视觉的发展,基于图像的应用已广泛出现在日常生活和社会生产中,但现有的图像相关算法通常是基于室内或良好天气等理想化场景,没有考虑到恶劣天气对成像的影响。降雨是最为常见的一种恶劣天气,尤其是在户外场景下,降雨对成像质量造成了很大影响。雨天拍摄的图像存在雨痕、雨纹、遮挡问题,导致图像中的物体难以辨别,因此在计算机视觉领域,对降雨图像进行高质量的恢复具有重要意义。降雨对户外工作系统产生的影响极大,其中对安全性要求极高的自动驾驶领域急需解决雨天场景下图像算法的可靠性问题。降雨对自动驾驶车辆的图像采集造成影响可能会使车辆决策系统出现失误造成安全事故。在自动驾驶领域中,道路检测是最基础的任务,降雨下的道路图像被雨水遮挡难以准确提取可通行区域,因此为了更好地提高降雨环境下户外视觉任务的可靠性,尤其是自动驾驶领域道路检测等基础任务,本文根据降雨成像原理进行建模表示,提出具有高可靠性和实时性的图像去雨恢复算法,并将其应用到实际道路检测任务中来提高自动驾驶的安全性。基于以上背景,本文就图像去雨以及雨天道路检测任务展开了如下研究:(1)研究了雨滴的成像特性,采用合适的模型描述雨滴的成像过程。并提出MPN多尺度渐进式网络模型进行去雨恢复,使用空洞卷积和多尺度融合机制感知非局部信息,将降雨图像到去雨图像的映射过程转变为雨图残差的学习过程。模型中引入循环单元连接不同阶段,借鉴前面阶段的去雨过程来指导后续阶段的去雨恢复。实验表明,所提出方法具有良好的去雨恢复效果。(2)在MPN多尺度渐进式去雨模型的基础上提出了相关改进策略以获得更好的去雨效果。采用了对抗生成网络模型进行雨纹的去除以获得更好的恢复质量,为了让网络更关注于雨纹的分布区域和被遮挡的背景信息,在生成器中加入了并行注意力模块和全局注意力融合机制。同时为了提高辨别器能力,设计了注意力先验引导的判别器结构,从而同步提高了模型的去雨能力。为了更好地区分背景高频细节和雨纹的差异,引入了拉普拉斯边缘感知损失函数提高了背景细节的恢复效果,使得生成的图像背景更加清晰。改进后的MPN-ACG方法具有优越性,去雨性能有明显提升。(3)进行去雨任务的目的是为了利于后续图像任务的展开,因此我们首先探究了主流道路检测算法在无雨场景和降雨场景下的性能表现,并将所提出的改进去雨算法MPN-ACG嵌入到道路检测任务中,实现了雨天环境下的从去雨预处理到道路检测再到边界拟合,道边坐标发送的完整流程。

关键词：图像去雨卷积神经网络对抗生成网络注意力机制道路检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于小样本学习的图像生成

基于小样本学习的图像生成

作者：王峥力南京理工大学

学位级别：硕士

目前的计算机视觉技术已经深度进入人们的生活,也成为了工业制造中不可或缺的一部分。图像生成技术,在深度学习技术的蓬勃发展的影响下,也得到了长足的进步。图像生成技术可以通过已有的图像生成从未见过的新图像,具有很大的应用潜力。... 详细信息

目前的计算机视觉技术已经深度进入人们的生活,也成为了工业制造中不可或缺的一部分。图像生成技术,在深度学习技术的蓬勃发展的影响下,也得到了长足的进步。图像生成技术可以通过已有的图像生成从未见过的新图像,具有很大的应用潜力。同时,小样本学习旨在通过较少的样本的训练,能够对未见过的新类进行准确的分类,其研究目标是提高模型的泛化性,对于一些数据稀缺的领域有着较高的应用价值。小样本图像生成,作为图像生成和小样本学习的交叉领域,也就应运而生了。小样本图像生成旨在通过现有类别的图像的训练,在测试阶段,通过少量的新类图像,如一至三张新图像,能够为其生成大量具有真实度和多样性的新图像。小样本图像生成主要包含三种类型的方法,分别为基于转换的小样本图像生成,基于优化的小样本图像生成以及基于融合的小样本图像生成。本文在基于融合的小样本图像生成方向进行了一定的探索,主要工作如下:(1)提出了一种基于白化与着色的小样本图像生成方法,称之为WCTGAN。早期的基于融合的小样本图像生成方法使用随机插值向量进行特征层面的融合,但通常生成图像中会产生伪影,这是由于不同融合图像占有权重接近导致的。WCTGAN在基于融合的方法MatchingGAN的基础上,引入了风格层面的融合,在小样本图像生成任务中加入了白化与着色模块,使得图像的融合过程不再仅局限于利用随机插值向量进行线性融合,而可以使得不同风格的图像进行融合,产生新的融合结果,提升了图像的多样性。同时,加入了主成分筛选机制,使得总有一张输入图像作为融合中的主要成分,较好地解决了MatchingGAN中存在的较为严重的伪影问题,提高了图像的真实度。WCTGAN在MatchingGAN的基础上取得了不错的进步,并在Animal Faces,Flowers,VGGFace三个数据集上进行了定量和定性的实验,证明了所提方法的有效性。(2)提出了一种基于动态局部分布估计和采样的小样本图像生成方法,称之为Lies-GAN。针对之前的基于融合的方法不能很好将融合后的图像的分布与输入图像的分布保持良好一致性的问题,Lies-GAN创新性地使用局部分布估计和采样的方式来创造图像的多样性,并通过选择与参考图像相似度最高的描述子来保持图像和输入图像分布的一致性,保持真实度。Lies-GAN对编码器得到的特征图的局部深度描述子进行均值和方差的统计,并以多元高斯分布作为先验分布估计出输入图像的局部深度描述子的分布。在重构过程中,随机选择一张输入图像作为参考图像,以其特征图作为空间信息的补充,计算每个位置与采样得到的描述子库中的每个描述子的相似度,选择最高值作为该位置的替换,从而等价于对采样得到的描述子恢复了空间信息。Lies-GAN在Flowers,Animal Faces,VGGFace三个常用数据集上进行了定量和定性的实验,实验结果在当时的基于融合的方法中取得了最优。

关键词：图像生成小样本学习小样本图像生成风格迁移离散化编码分布估计局部深度描述子

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于三维激光雷达的端到端自动驾驶技术研究

基于三维激光雷达的端到端自动驾驶技术研究

作者：张金灿南京理工大学

学位级别：硕士

人类的驾驶行为,本质上是一种感知到决策的映射过程,而基于端到端的自动驾驶技术就是模拟这样的映射过程,该技术可以消除手动设计规则的难点,更符合人类的驾驶模式,且结构简单,具有良好的应用前景。三维激光雷达凭借着探测范围广、数据... 详细信息

人类的驾驶行为,本质上是一种感知到决策的映射过程,而基于端到端的自动驾驶技术就是模拟这样的映射过程,该技术可以消除手动设计规则的难点,更符合人类的驾驶模式,且结构简单,具有良好的应用前景。三维激光雷达凭借着探测范围广、数据采集速度快、测距精度高、抗干扰能力强等优势,目前已广泛应用于自动驾驶领域。三维激光雷达能直接产生距离测量值,可以提供丰富的空间信息,同时受光照条件的影响较小,可以在各种光照条件下工作,因此基于三维激光雷达的视觉感知得到了极大的研究关注。目前针对三维激光雷达的端到端自动驾驶的研究尚处于起步阶段,如何有效地使用三维激光雷达提供的信息研究端到端的自动驾驶任务,具有重要的意义。本文重点研究了以三维激光雷达采集的点云数据为输入,采用端到端的方式生成车辆方向控制角这一技术问题。本文的主要工作如下:构建了一个新的自动驾驶数据集。当前的端到端自动驾驶数据集包含的场景较少,同时数据的数量和质量也存在不足。针对现有数据集不足的情况,本文构建了一个包含图像数据、点云数据和驾驶数据等丰富信息的多场景的数据集:Pandora-Driving。同时针对数据集存在的数据不平衡问题,本文设计了损失函数Steering Loss L1,用于减少该问题对模型的影响,最终还构建了一个用于模型性能验证的仿真平台。设计了一个基于空间特征表示的端到端自动驾驶模型。本文将深度图像、角度图和方向图作为空间特征表示,同时设计了直接预测车辆方向控制角的注意力模型Pilot Attn Net。论文在分析了点云数据处理方面的难点以及现有的点云投影技术的基础上,最终采用PGM投影的方式完成点云到深度图像的转换。为了更好地进行特征表示,本文采用了角度图来表示场景中目标的实例特征,设计了方向图来表示目标在空间中的位置特征。最终将深度图像和角度图以及方向图一同作为空间特征表示,并将该空间特征表示的序列信息作为模型的输入,通过本文提出的PilotAttnNet网络生成对应的车辆方向控制角。该方法在Pandora-Driving数据集和Li Vi-Set数据集上均取得了不错的性能表现。设计了一个基于发散体素化的端到端自动驾驶模型。考虑到点云数据处理的难度,受图像处理的启发,将点云离散化为三维的规则化数据(体素)是有效的处理手段之一。本文在分析了现有体素化方法不足的基础上,提出了一种新的体素化方法——发散体素化,并通过该体素化方法将点云转化为规则化数据。另外,还设计了一个使用注意力池化的体素网格特征提取器,在对点云序列进行体素化时提取体素网格级特征,同时设计了一个基于非对称卷积残差块堆叠的特征提取器对特征进行处理,并通过后续的LSTM模型提取特征中的时序信息,最终生成对应的车辆方向控制角。相较于基于空间特征表示的方法,该方法取得了更加优秀的性能表现。设计了一个直接基于点云数据的端到端自动驾驶模型。基于点云数据的模型直接将原始的点云序列数据作为模型的输入,此方法弥补了对点云进行投影或体素化导致信息丢失的不足,但同时也要求该方法能直接克服点云数据的无序性等固有属性带来的困难,并且能有效控制特征尺寸来满足当前任务的实时性要求。针对现有模型的不足,设计了一个新的基于点云的模型。该模型具有输入无关的优点,能够有效利用局部特征逐步构建全局特征并且能有效控制特征尺寸,该模型以点云序列作为输入,直接生成车辆方向控制角。在本文设计的三个模型中,该方法取得了最好的性能表现。

关键词：自动驾驶端到端体系结构卷积神经网络深度学习激光雷达注意力机制长短期记忆网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的端到端自动驾驶技术研究

基于深度强化学习的端到端自动驾驶技术研究

作者：周昕阳南京理工大学

学位级别：硕士

随着人工智能的快速发展,自动驾驶技术成为了研究热点,具有极为重要的现实意义。基于模仿学习的端到端自动驾驶方法,使用神经网络来学习人类的驾驶行为,该方法需要采集大规模的驾驶数据集以及大量的人工标注,因此成本较高。深度强化学... 详细信息

随着人工智能的快速发展,自动驾驶技术成为了研究热点,具有极为重要的现实意义。基于模仿学习的端到端自动驾驶方法,使用神经网络来学习人类的驾驶行为,该方法需要采集大规模的驾驶数据集以及大量的人工标注,因此成本较高。深度强化学习方法通过智能体与环境的交互不断进行学习,且兼具了深度学习对高维信息的抽象能力与强化学习的决策能力,非常适合实现端到端的自动驾驶模型。因此本文采用深度强化学习,对端到端的自动驾驶技术展开了研究。现有基于强化学习的自动驾驶方法往往仅依赖单帧图像输入与车辆状态信息,没有利用图像序列信息,驾驶状态的连续性无法得到保证。且端到端自动驾驶方法通常把环境理解与规划决策放在一起训练,学习效率较低。针对以上问题,我们首先利用环境中的图像分割结果,预训练一个变分自动编码器来对图像特征进行降维,接着使用结合LSTM的PPO算法作为自动驾驶决策模型,在训练过程中获取上下文的时序特征。经过实验验证,我们提出的方法可以遵循预定路线,完成了道路跟踪任务,并且减少了车辆行驶轨迹的抖动。针对强化学习算法容易对环境过拟合、泛化性差的问题,我们将元学习中的MAML算法与深度强化学习算法相结合,使自动驾驶模型在面对新的环境时,可以利用以往历史经验,快速适应新任务。然而经过MAML训练得到的初始强化学习模型往往会偏向某一类任务,得到的仍然是一个有偏的初始化网络,为了解决这一问题,我们使用加权梯度更新的方式来最小化网络模型对特定任务的偏差,提升MAML算法的泛化能力,并且在Gym平台下设计了仿真实验,证明了加权梯度更新方式的有效性。最后将所提出的算法应用到自动驾驶的仿真实验中,在CARLA平台任意设置起点进行训练,并将训练模型应用到其他地图场景进行验证。为了进一步优化自动驾驶算法,我们将模型应用到具有动态障碍物的导航任务中,采用概率图模型对环境进行建模,并使用软式演员-评论家(SAC)算法进行求解。我们在开源的CARLA-Gym环境下进行实验,利用RGB相机和激光雷达生成语义鸟瞰图,除此之外,我们利用航路点坐标与当前姿态信息生成出导航特征,连同语义鸟瞰图一起作为状态输入。实验结果表明,该方法可以在有动态障碍的复杂环境中完成导航任务,性能指标优秀,且通过潜状态特征可以直接生成语义鸟瞰图,增加了模型的可解释性。本文从强化学习模型框架,状态输入特征和奖励函数设计等多方面研究了基于深度强化学习的端到端自动驾驶技术。针对不同驾驶任务设计了多种自动驾驶方案,经过在CARLA平台下的仿真实验,本文提出的方法可以有效地完成自动驾驶任务,并在驾驶状态连续性、模型泛化性等多个方面提升了强化学习模型在自动驾驶任务上的表现。

关键词：端到端自动驾驶深度强化学习 LSTM PPO MAML 概率图模型奖励函数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度神经网络的端到端自主驾驶研究

基于深度神经网络的端到端自主驾驶研究

作者：于平南京理工大学

学位级别：硕士

实现高级别的自动驾驶是本世纪最有价值的研究之一,而自主驾驶的本质是寻找传感器数据与驾驶指令之间的映射关系。现有自主驾驶系统通常采用分层递阶式或反应式体系结构,这些体系结构有利于自主驾驶的实现,但是也存在结构复杂、时延高... 详细信息

实现高级别的自动驾驶是本世纪最有价值的研究之一,而自主驾驶的本质是寻找传感器数据与驾驶指令之间的映射关系。现有自主驾驶系统通常采用分层递阶式或反应式体系结构,这些体系结构有利于自主驾驶的实现,但是也存在结构复杂、时延高等问题,而端到端体系结构则旨在跳过中间环节,直接构建这一映射关系,因此对端到端自动驾驶框架的研究有利于简化系统,提升系统的可靠性和反应速度,对最终实现高级别的自动驾驶具有重要意义。深度卷积神经网络作为近年来被广泛使用在计算机视觉领域的机器学习工具,能够从大量样本中自主地学习知识,因此可以利用卷积神经网络从人类驾驶员的大量驾驶数据中自动地、有监督地学习传感器数据和方向盘角度之间的映射关系,本文对此展开了探索性质的研究。主要工作具体如下:(1)设计了基于图像和卷积神经网络的端到端自动驾驶框架。目前,虽然已经有学者对基于神经网络和图像的端到端驾驶进行了研究,但是他们使用的神经网络中,要么太过简单,要么需要较高的显存资源,因此本文对此进行了优化,采用了“卷积-池化-全连接”的设计思想,构建了一种层数更多但是显存占用相对较小的卷积神经网络,并在真实环境中采集的数据集上进行了实验。实验证明尽管本文使用的神经网络只占用了较小的显存,但是也能够较好地学习传感器数据和方向盘角度之间的映射关系。(2)基于对抗生成网络构建了一种对抗样本生成框架。对抗样本指的是,对于分类器而言,即使只对原始图像进行非常有限的更改,也能够使得分类器得出与原始图像迥然相异的分类结果,而对抗生成网络则能够利用现有数据,通过“博弈”型的训练,得到能够生成特定风格图像的生成器。本文将两者结合,提出了一种基于对抗生成网络的对抗样本生成框架,经过训练,生成模型能够快速地生成对抗样本。(3)设计了一种基于点云和卷积神经网络的端到端自动驾驶框架。在以往的端到端系统研究中,研究者往往只使用了图像数据作为输入,受限于相机成像模型和视场角,单个相机仅能获取有限角度内的环境信息,而使用激光雷达的点云数据则能够获取更大角度范围内的环境信息。我们借鉴了PointNet的思想,采用最大值池化操作来解决点云无序问题,使用跳跃连接层来融合多种维度的特征,以此来实现并改进了基于点云的网络框架。实验证明,这一框架相对于只使用图像的网络框架拥有更低的平均误差,整体表现更好。(4)设计了一种基于图像、点云的融合数据的端到端自动驾驶框架。本文利用相机的标定参数将点云数据投影到图像平面中,并获取了与相机图像同样大小的投影图像,将原始图像和投影图像堆叠构成输入数据,最后利用卷积神经网络学习融合数据和车辆方向盘之间的映射关系。通过实验,我们发现相对于前两种框架,使用融合数据能够获得更高的准确率,且相对于只使用图像数据,网络模型的平均误差上有了一定的降低。

关键词：自动驾驶端到端网络框架卷积神经网络数据融合对抗样本

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

道路环境下的点云目标检测方法研究

道路环境下的点云目标检测方法研究

作者：张佳程南京理工大学

学位级别：硕士

环境感知是自动驾驶技术的基础环节,而目标检测作为自动驾驶环境感知的一个重要任务,对于自主平台理解周围环境以及之后进行路径规划等任务具有重大的意义。根据使用的传感器不同,主要有基于图像数据的二维目标检测和基于点云数据的三... 详细信息

环境感知是自动驾驶技术的基础环节,而目标检测作为自动驾驶环境感知的一个重要任务,对于自主平台理解周围环境以及之后进行路径规划等任务具有重大的意义。根据使用的传感器不同,主要有基于图像数据的二维目标检测和基于点云数据的三维目标检测两大类。得益于近些年深度学习技术的飞速发展,基于图像的目标检测技术已经十分成熟,而点云数据由于具有无序性、稀疏性以及标注困难等特点,点云三维目标检测任务还有很多问题需要开展相关研究。本文为解决目前基于深度学习的点云目标检测任务中存在的点云数据标注复杂、依赖大量标注数据以及模型运行慢等问题,开展了一系列的工作。以室外道路环境为主要场景,利用深度学习作为主要的技术手段,重点研究点云数据的标注、基于半监督学习的点云目标检测以及目标检测模型在实际平台上的部署等问题,并开展了一系列的实验研制,取得了较好的效果。本文主要的研究工作如下:1.针对点云数据标注复杂且工作量巨大的问题,采用了一种半自动化的标注方法对点云数据进行标注,通过在鸟瞰图投影上人工标注出目标的中心点,然后基于该中心点标注,利用神经网络模型生成精确的三维标注,大大简化了三维点云数据的标注流程。在KITTI数据集上进行了相关实验,对KITTI的部分数据利用该方法进行重新标注并和原本的标注进行对比评价,并基于该方法标注的数据对几个经典的三维检测模型进行重新训练和性能评估,验证了标注方法的有效性。同时,也利用自动驾驶平台采集了实际场景下的数据并标注,利用标注的数据训练三维检测模型并在采集的数据上进行了实验,实验结果表明该标注方法在简化流程的同时,精度也得到了较好的保持。2.为了减少学习模型对标注数据的高度依赖,本文设计了一种半监督的三维点云目标检测方法。该方法采用基于mean teacher的半监督学习方法对三维点云目标检测网络进行训练,通过同时使用少量带标注的数据以及大量没有标注的数据一起对网络模型进行训练,加强了从无标签数据中学习的能力,大大减少了对数据标注的依赖。对于该半监督方法,同时在KITTI数据集和实际采集标注的数据上进行了相关的实验,并对检测效果进行了比较分析。实验结果表明本文的半监督目标检测方法在降低对标注数据量要求的情况下,仍然可以获得较好的检测精度。3.针对自动驾驶的需求,研究了上述网络模型的优化和部署问题。首先把Pytorch框架下训练好的模型转成ONNX模型,再调用Tensor RT完成模型推理,加速了推理的速度,使该模型的运行速度能够满足应用需求,最终在自主驾驶的运算平台上进行了检测模型的部署。借助ROS与实际传感器进行通信,并把检测的结果实现了可视化。本文的研究工作表明,所采用的点云数据标注方法简单快速,在保持一定标注精度的前提下极大地减轻了人工标注的成本,具有很好的应用价值,同时本文设计的半监督目标检测方法,能够减少网络模型对标注数据的依赖,利用较少的带标签数据和大量无标签数据可达到较好的检测效果。通过在实际车载平台上的部署应用,也验证了本文研究方法的实用性,能够满足实际应用的需求。

关键词：点云三维目标检测半监督学习自动驾驶

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于半监督学习的障碍物检测

基于半监督学习的障碍物检测

作者：王平南京理工大学

学位级别：硕士

障碍物检测是移动机器人环境感知技术研究的重要内容。传统的障碍物检测方法需要人工调节参数。引入机器学习进行障碍物检测可以降低人工参与和提高移动机器人智能程度,也可以更好的处理输入的高维信息。传统的监督学习算法只利用已标... 详细信息

障碍物检测是移动机器人环境感知技术研究的重要内容。传统的障碍物检测方法需要人工调节参数。引入机器学习进行障碍物检测可以降低人工参与和提高移动机器人智能程度,也可以更好的处理输入的高维信息。传统的监督学习算法只利用已标记样本进行学习,而移动机器人的工作环境复杂多变,道路状况和障碍物变幻莫测,为了尽可能准确地检测障碍物,需要对大量的样本进行人工标记以建立完备的训练样本集,非常耗时耗力。针对上述情况,本文引入半监督学习方法,分别应用自我训练和协同训练,首先利用少量的已标记样本建立初始分类器,然后利用大量未标记样本不断更新分类器,从而提高分类器的性能。本文针对环境感知图像数据进行了大量实验:运用分块策略,分别进行颜色特征提取和纹理特征提取,获得少量的已标记样本和大量的未标记样本,然后在k-近邻算法基础上,引入半监督学习中的自我训练和协同训练进行障碍物检测。实验结果表明,引入半监督学习后,在只有少量的已标记样本的情况下,就能达到较高的障碍物检测率和分类正确率。

关键词：障碍物检测半监督学习自我训练协同训练 k-近邻

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于单目视觉的夜间车辆和车距检测

基于单目视觉的夜间车辆和车距检测

作者：周俊杰南京理工大学

学位级别：硕士

近年来，智能车辆系统成为各国潜心研究的一个新领域，其中基于计算机视觉的车辆检测跟踪和车距检测是汽车辅助安全驾驶系统研究的重要内容之一。目前日间的基于计算机视觉的车辆检测算法因为从图像获取的信息量比较大，特征比较多，所... 详细信息

近年来，智能车辆系统成为各国潜心研究的一个新领域，其中基于计算机视觉的车辆检测跟踪和车距检测是汽车辅助安全驾驶系统研究的重要内容之一。目前日间的基于计算机视觉的车辆检测算法因为从图像获取的信息量比较大，特征比较多，所以发展迅速，已经基本达到实用要求。而夜间驾驶时，光线不足，可见度低，日间检测常用的边缘灰度突变特征和车辆尾部灰度对称特征会大大减弱，甚至消失，所以夜间方面的研究相对于白天的算法还处于摸索中，因此本文的研究对夜间的算法是个很好的探索。本文的试验环境是夜间沪宁高速连接线，采用低成本的MVC1000SA-GE30千兆网摄像头，图像中路灯，车头灯路面反光，路边广告牌反光，车牌照反光，车尾灯闪光都成为尾灯对特征提取的障碍，上述恶劣环境下普通的夜间车辆检测算法效果极差，为此本文设计了一个基于单目视觉的夜间车辆检测跟踪方法，能够在低质量采样的情况下很好地检测跟踪前方车辆。方法主要基于图像颜色信息并结合形态学算子，其核心步骤为：自适应域值分割，尾灯特征提取，结合颜色信息的特征中心检测和尾灯配对。在上述车辆检测算法检测出车辆的前提下，采用了仅利用摄像机内参和离线标定外参的几何测距方法进行前方车辆距离估测，并对摄像机外参数造成的测距误差进行了大量的模拟试验定量分析。

关键词：智能车单目视觉车辆检测车距检测摄像机参数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于不精确推理的中医处方分析

基于不精确推理的中医处方分析

作者：陈瑾南京理工大学

学位级别：硕士

中医处方虽然身材短小,但是内涵丰富,蕴含了中医辨证论治的思路和经验,所以处方挖掘是中医药数据挖掘中的关键工作。本文首先通过数据挖掘方法获得所需的知识表,然后进行具体的挖掘分析,目的是以一则具体处方为研究对象,从其药物组成和... 详细信息

中医处方虽然身材短小,但是内涵丰富,蕴含了中医辨证论治的思路和经验,所以处方挖掘是中医药数据挖掘中的关键工作。本文首先通过数据挖掘方法获得所需的知识表,然后进行具体的挖掘分析,目的是以一则具体处方为研究对象,从其药物组成和剂量出发,综合运用了数据挖掘和模糊数学中的多种方法,分析并量化处方功效、分析处方中药对量效关系,分析处方对应证型和相应治法,从而反映出中医辨证论治的治病思路;另外,从分析配伍模式出发,运用基于摄动思想的模糊聚类方法推断经方君臣药,并运用模糊意向判决的方法判断实际临床处方的君臣药,从而更好的理解中医组方配伍原则,也为以后的新的组方尝试提供一定的理论依据。 1.研究中医药数据的预处理技术,基于标准词表对中药、功效、症状、证候等进行了提取与规范,并且使用中药剂量进行处理,将绝对剂量转化为相对剂量,构建了“量效”关系知识表。 2.基于关联规则方法挖掘处方分析需要的功效互相作用关系,并研究将SimRank方法应用于中医药效和症状贴近度的求取,分别构建了“药效”、“候效”关系知识表。 3.研究处方功效量化技术,综合“量效”“药效”关系,运用一定的数学模型对处方各功效强度进行求取,并利用“候效”关系对处方功效集进行筛选和归约,进而总结出一定的中医处方“量效”关系。 4.研究“症证”关系,运用贝叶斯方法,根据一组症状推断对应证型,从而总结相应治法,以体现中医治病的辩证论治思路。 5.综合聚类和模糊关联规则,研究中医处方中药对的“量效”关系。 6.研究中医处方组方配伍模式,分别采用了基于摄动思想的模糊聚类方法和基于模糊意向判决的方法,以体现中医处方配伍的结构和原则,也为以后的新的组方尝试提供一定的理论依据。

关键词：数据挖掘处方功效量化模糊关联规则贝叶斯方法模糊意向判决摄动思想

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于层次分类的病性分析

基于层次分类的病性分析

作者：朱丽南京理工大学

学位级别：硕士

名老中医的治病思路是智慧的结晶,它包含了丰富而又深邃的经验与知识,对这些经验知识进行挖掘并加以传承有着很重要的意义,所以中医药数据挖掘是一项非常重要的工作。眩晕病证发病率较高,而且其发病年龄有年轻化趋势,另外此病症会反复发... 详细信息

名老中医的治病思路是智慧的结晶,它包含了丰富而又深邃的经验与知识,对这些经验知识进行挖掘并加以传承有着很重要的意义,所以中医药数据挖掘是一项非常重要的工作。眩晕病证发病率较高,而且其发病年龄有年轻化趋势,另外此病症会反复发作,可能妨碍正常生活及工作,因而开展有关中医眩晕病证的病因研究尤为必要, 故本文以眩晕病案为案例展开研究。本文采用了多种数据挖掘方法从两个方面对中医眩晕病案进行了病性分析研究,首先是从症状出发,基于层次的分类方法,进行眩晕病性分析,然后,为了佐证结果的正确性,我们又从处方的角度,采用基于主动学习的聚类方法进行相关的算法与应用研究。本文的主要研究工作如下：1.先用k-means算法进行样本二类划分,基于此设计了一个改进的自上而下的松弛层次构建方法。当存在不确定性决策时,该方法把类集分割成有重叠区域的分区,这样能够推迟决策,直到类别数量减少,可以很容易地学习到分类性能良好的决策边界。然后以SVM作为基分类器,设计一个在类别数很多时也能准确快速分类的方法。我们通过将一组二元分类器组织成DAG结构,基于上述的松弛策略构建了在标签空间下的层次结构算法框架。该方法的关键技术包括：对类进行标记,以及基于max-margin的二元分类器和类标记的优化。由于采用了上述策略,从而具有更好的分类性能。2.针对k-means聚类算法在方剂聚类时,难以准确确定初始化聚类中心,造成聚类结果不理想的问题,设计了基于主动学习的聚类算法,在确定初始聚类中心过程中通过距离计算方法——最近邻图得出种子候选集,使得种子候选集位于数据集的高密集区;然后应用Min-Max主动学习策略,挑选出种子点征询用户是否可以作为聚类中心,从而提高了聚类结果的准确率,将上述方法应用于微博数据分析得到了良好的结果。3.将上述层次分类方法应用于眩晕症状病案分析,最终将症状分成5类病因,符合中医书籍的理论知识;将基于主动学习的k-means聚类算法应用于眩晕症的处方分析,验证前面的分类结果,具有较高的准确率。4.基于本科设计中医数据挖掘平台已有的功能和上述的优化算法,扩展了原有平台的分析功能。

关键词：层次分类多类分类支持向量机主动学习聚类中医