- 姚满宇;陈孟元;徐韬;
针对传统SLAM算法特征跟踪匹配时效过低,光流与特征点融合算法跟踪精度较差以及机器人曲线运动时易选取到图像质量较差的关键帧导致系统定位精度较低等问题,提出一种曲线运动下基于关键帧补偿决策的快速SLAM算法(Fast Simultaneous Localization and Mapping,FA-SLAM)。该算法将LK光流与ORB特征点进行融合,通过在光流跟踪中实行双阈值约束自适应特征匹配策略,减少计算冗余,快速计算相机位姿,提高了系统实时性与跟踪精度。与此同时,为避免机器人曲线运动时易选取到图像质量较差的关键帧,导致系统定位精度不足,提出一种重新定义图像质量的关键帧补偿决策,通过判定当前帧活跃特征点的数量选取高质量的图像作为活跃关键帧,提高机器人的定位精度。将该算法在TUM公开数据集上进行测试,结果表明该算法相比ORB-SLAM2运行时间减少了43.1%,绝对轨迹误差缩小了31.8%。
2025年02期 v.40;No.153 21-31页 [查看摘要][在线阅读][下载 2241K]
[引用频次:0 ] - 张庆;梁涛年;时培成;
交警手势识别对于自动驾驶与辅助驾驶系统具有实用意义。目前基于图卷积网络(GCN)的交警手势识别方法使用深度前馈网络来处理动作中的所有骨架,导致需要大量浮点运算来处理单个样本,使得模型受限于算力,实际应用性差。针对该问题,提出了一个时间注意模块(TAM)来提高模型对交警手势识别的效率。通过在网络输入层对关节和骨骼数据进行早期融合,并将TAM整合到GCN拓扑中,以进一步减少计算量。在公开的中国交警手势数据集上的实验结果表明,该方法相比于原算法在计算量减少4倍的情况下,模型识别精度达到90.73%。改进算法在解决算力限制问题的同时,为实际场景的交警手势识别提供了有效的解决方案。
2025年02期 v.40;No.153 32-38+47页 [查看摘要][在线阅读][下载 2349K]
[引用频次:0 ] - 王岱嵘;陈新泉;丁达之;
辅助教师提高教学质量,构建一个能够精准识别学生课堂状况并进行合理评估的教辅系统,构建了双粒度标注的学生行为(Student Action,SA)数据集;提出了SGE-BI(Spatial Group wise Enhance-BiFormer)双注意力机制模块并将其添加在YOLOv5算法中;结合双粒度标注的学生行为数据集对传统层次分析法(Analytic Hierarchy Process,AHP)进行改进,提出了双粒度层次分析加权法(Analytic Hierarchy Process-Double Granularity Weighted,AHP-DG)。在SA数据集上进行仿真实验,使用改进的YOLOv5算法将精度、mAP@0.5和mAP@0.5:0.95的值分别提高了1.9%、0.5%和0.8%;用构建好的系统得到真实课堂的识别结果并进行数据分析,发现AHP-DG法较之传统AHP法能得到更客观的评估结果。与原算法相比,改进的YOLOv5算法得到了更准确的学生课堂行为识别结果;与传统AHP法相比,提出的AHP-DG法取得了更好的学生课堂状况评估效果。
2025年02期 v.40;No.153 39-47页 [查看摘要][在线阅读][下载 1908K]
[引用频次:0 ]