摘要:本文围绕中国科学院深圳先进技术研究院认知技术研究中心自行研发的搭载有Kinect传感器的服务机器人操控平台，从Kinect传感器带来的彩色图像、深度图像和真三维点云信息中提取基于图像的2D和基于点云的3D特征，并将它们进行融合，作为待识别物体几何模型归类的依据，为手爪选择合适抓取姿态提供判断准则。同时结合人体示范学习框架（Learning from demonstration，LFD），研究了一种通过提高机器人的认知学习能力来完成人类生活环境中室内日常物品操控任务的方法，如：自行识别门把手的位置并完成开门动作，从橱柜中识别出目标物，抓取目标物体并送到指定目标地点等。最后，我们通过实验验证，该方法能够保证服务机器人成功抓取一些类似圆柱状、长方体等几何形态的物体并能在抓取之后顺利完成与周围环境进行交互过程中的轨迹规划这一复杂任务。

摘要:电磁定位具有精度高、速度快和易实现等优点，所以对手术、室内和室外机器人跟踪是一个良好的选择。电磁定位以交变电磁信号作为源信号。交变的电流信号激励发射线圈（信号激励部件）在空间中产生交变的电磁场，感应线圈（信号感应部件）在交变的电磁场中输出频率相同的信号。根据输出信号的幅值和相位信息，我们可以计算出感应线圈相对于发射线圈的位置和方向信息。本文面向机器人定位跟踪，介绍电磁定位系统的原理与实现，包括磁场模型、电磁定位算法与系统软硬件的搭建与实验。本文介绍两种不同的激励模式，分别为分时激励3轴正交发射线圈模式与同时激励2轴正交发射线圈模式，两种模式中的感应线圈均采用3轴正交线圈。实验结果表明，定位系统可以达到1 mm的定位精度。

摘要:路面检测对于自动驾驶系统具有极其重要的作用，其具体的应用方面包括检测辅助、避障、自动导航等。基于视觉的路面检测主要就是对图像中每一个像素点进行分类，区分其是否为路面。到目前为止大部分的路面检测算法是应用于白天。在本文中，我们集中解决夜间的路面检测。我们利用一个近红外摄像头来采集夜间图像。检测时，首先利用平面反射模型来对图像中的路面部分进行拟合，然后，一个基于像素点的分类方法被用来对图像中的每一个像素点进行分类。在实验部分，我们将我们的算法与区域增长的方法进行了比较。实验证明，我们的算法相对区域增长有一定的优势。

摘要:相位奇点是复信号中的零点。在此前的研究中，我们发现相位奇点可提供丰富的图像信息，并对变换噪声等具有鲁棒性。本论文将相位奇点与视觉词袋模型相结合，构建图像表示的相位奇点包表示方法，并在此基础上开发图像的分类方法。与传统基于SIFT检测子的图像表示方法相比，基于相位奇点的表示方法不仅可以找到更多的兴趣点，而且可以根据相位奇点的正负属性进行单词的预分类。实验结果表明作者提出的方案是可行的，并在PASCAL2005图像分类的结果上表现的比基于SIFT的方法更好。

摘要:本文提出一种基于变换特征和分层模型的静态手势检测方法，所采用的分层模型由一系列手势表观模型和一个总的判别模型构成，其中每个手势表观模型各包含一个通用模板和一系列子类模板。将这些模板作为转移函数，可以从原始的梯度方向直方图特征中得到一组新的特征表示，即变换特征。将此变换特征用于构造分层模型中的判别模型，可以实现背景与手势以及不同手势间的精确分类。为了提高检测速度，算法在初始阶段引入了肤色滤波器方法，用于排除大部分的非肤色区域。实验表明，所述算法能够有效处理视角变换、手势倾斜、自然形变等因素带来的手势表观波动，处理速度可达20帧/秒以上，在鲁棒性和计算效率方面均体现了明显的优势。

摘要:本文旨在为胶囊内窥镜系统提出一种提高图像传输速率并降低误码率的方法——MIMO（Multiple Input Multiple Output）技术来提高传输可靠性。为了不增加发射端的体积和功耗，我们使用单个发送天线，而在接收端采用多个接收天线即SIMO（Single Input Multiple Output）系统，同时我们仿真了各种分集接收技术的性能，选出一种最优的接收合并方式。

摘要:传统方法，基于超声瞬时弹性成像，利用粘弹性逆问题建模分析的方法，可以简单的求解生物软组织的粘弹性系数。但是由于一些因素导致这种测量方法存在测量误差。其中激励源半径和近场效应是导致瞬时弹性成像对剪切波速度高估的主要原因，而衍射效应则是导致对剪切波衰减高估的因素。本文通过对组织进行建模分析，设计出相关自适应误差校正方法来减少剪切波速度和位移衰减的测量误差。实验结果和理论结果相符合，验证了该方法的正确性，为粘弹性精确测量提供一条有效的方法。

摘要:世界卫生组织调查发现在全球范围内心血管、心脏疾病是导致死亡概率最高的疾病，心电图(ECG)是临床上广泛应用的预防、监护和诊断心血管及心脏疾病的重要工具之一。心电自动分析诊断技术可以大大减少心电医师的工作量，提高心电图的诊断效率，其中心电节拍(ECG Beat)分类是心电自动分析诊断技术的主要研究方向，是自动分析心律失常的一种重要分析手段，特别是在动态心电图或者长期心电记录领域发挥着重要的作用。本文提出一种心电节拍分类算法，该算法在聚类分析的基础上，结合线性分类器加权判断和心电医师对各聚类的抽样判断，获得心电节拍的最终分类。以MIT-BIH-AR[1]心律失常数据库作为原始数据，采用AAMI的ANSI/AAMI EC57:1998/(R)2003[2]标准规定的心电节拍分类种类及准确率的衡量方法，对该算法的检验，发现采用聚类分析和线性分类器加权判断的方法，分类的准确率达到86.60%；结合心电医师的抽样判断后，算法最终的准确率高达98.16%。

摘要:软组织结构是一种非线性、各项异性、近似不可压缩的粘弹性材料体，而软组织变形仿真是虚拟手术系统中最重要的研究方向之一，同时也是难点之一。本文首先对虚拟手术做了大致的介绍，然后重点分析和总结了软组织形变的各种方法，从几何方法到物理方法，从网格模型到无网格模型，并列举了最近几年的研究情况。其中对目前比较流行的有限元方法做了较为详细的说明。最后对未来发展方向进行了展望和总结。

摘要:集群系统中面向多用户的资源部署策略优先考虑的是资源能够在不同用户之间进行公平分配，同时实现用户之间的资源共享。为了充分利用集群资源，用户以一定的原则通常是采用权重比的方式共用集群资源。该策略并不关心每个用户所获取的资源总量，只关心用户所获取的资源比例是否总是符合原则，这样可以保证空闲资源总是能够被充分利用。该策略包括资源的定额分配和自主申请两部分，以满足用户的需求。同时提出了采用用户占用资源量与占用时间共同作为公平分配依据的策略，以适应更加复杂的情况。

摘要:数据的快速增长，为我们提供了更多的信息，然而，也对传统信息获取技术提出了挑战。这篇论文提出了MCMM算法，它是基于MapReduce的大规模数据分类模型的最小生成树（MST）的算法。它可以看做是介于传统的KNN方法和基于聚类分类方法之间的模型，旨在克服这两种方法的不足并能处理大规模的数据。在这一模型中，训练集作为有权重的无向完全图来处理。顶点是对象，两点之间边的权重是对象间的距离。这一距离，不同于欧几里得距离，它是一个特定的距离度量。这样，可以找到图中最小生成树集，其中，图中每棵树代表一个类。为了降低时间复杂度，提取了每棵树中最具代表性的点来代表该树。这些压缩了的点集，可以通过计算无标签对象和它们之间的距离，来进行分类。MCMM模型基于MapReduce实现并且部署在Hadoop平台。该模型可扩展处理大规模的数据，是因为Hadoop支持数据密集分布应用，并且这些应用可以和数以千计的节点和数据一起运作。另外，MapReduce 和Hadoop能在由商品机组成的集群上很好的运行。MCMM模型使用云平台并且通过使用MapReduce 和Hadoop进行云计算是有益处的。实验采用的数据集包括从UCI数据库得到的真实数据和一些模拟数据，实验使用了4000个集群。实验表明，MCMM模型在精确度和扩展性上优于KNN和其他一些经常使用的基础分类方法。