简介:摘要目的探讨前庭自发性眼震(spontaneous nystagmus,SN)对视觉眼动系统平稳跟踪功能的影响。方法对46例存在SN的急性单侧外周性前庭综合征患者(前庭神经炎26例、Ramsay-Hunt综合征伴眩晕6例、突发性聋伴眩晕14例)行视频眼震图平稳跟踪试验(smooth pursuit test,SPT)和SN检测,以SPT水平跟踪增益、非对称性、波形及SN强度为评定参数,分析SN强度对SPT增益、非对称性、波形的影响及相互关系。应用SPSS19.0软件进行统计分析。结果46例患者中SN向健侧36例(78.3%,36/46),强度范围(2.68~32.53)°/s;向患侧10例(21.7%,10/46),强度范围(2.66~16.54)°/s。根据SN强度将患者分为轻[(0.50~5.00)°/s]、中[(5.01~10.00)°/s]及强(>10.01 °/s)三组,分别为14例(30.4%)、18例(39.1%)及14例(30.4%)。比较总体及轻中强三组向SN快相侧及慢相侧的SPT增益,差异均有统计学意义(t值分别为t总=13.338、t轻=6.184、t中=8.436、t强=8.477,P值均<0.001)。比较不同SN强度组间向SN快相侧的SPT增益值,差异有统计学意义(F=9.639,P<0.001);向SN慢相侧的SPT增益值,三组间差异无统计学意义(F=1.137,P=0.330)。SN强度与向SN快相侧SPT增益值呈负相关(r=-0.433,P=0.003),与向SN慢相侧的SPT增益值无相关性(r=-0.061,P=0.687)。46例患者中SPT波形呈Ⅰ型、Ⅱ型、Ⅲ型者分别占8例(17.4%)、21例(45.6%)和17例(37.0%),对应的SN强度平均值分别为(3.71±0.69)°/s、(7.44±1.88)°/s和(20.04±5.53)°/s,无Ⅳ型波。SN强度与SPT左右增益非对称值呈正相关性(r=0.450,P=0.002),即随着SN强度的增大,非对称性值亦随之增大,SPT左右跟踪的对称性越差,SPT波形越差。结论前庭SN可影响SPT的增益、非对称性及波形,SN越强,影响越大,当SN较强时可出现Ⅲ型波,提示急性外周性前庭综合征也会影响视觉平稳跟踪功能。
简介:摘要:本文综述了基于计算机视觉的机器人目标跟踪与识别方法。首先,介绍了研究背景和现状,阐述了目标跟踪与识别的意义及其在计算机视觉和机器人技术领域的重要地位。接着,详细研究了基于光流法的目标跟踪和基于特征匹配的目标识别,对其基本原理、常用算法和实践应用进行了综述。最后,进行实验验证和分析,探讨了算法性能和实用性。实验结果表明,我们所提出的方法具有一定的可行性和实用性,但还需要进一步改进和优化。
简介:为提高无人车行驶过程中前方车辆检测的准确性和实时性,提出了基于激光雷达(LIghtDetectionAndRanging,LIDAR)深度信息和视觉方向梯度直方图(HistogramsofOrientedGradients,HOG)特征的车辆识别和跟踪方法。目标首次进入视野时,聚类处理激光雷达深度信息并确定假设目标的候选区域,采用车辆尾部的HOG特征对假设目标进行验证。在HOG特征验证前,基于最小二乘支持向量机(LeastSquaresSupportVectorMachine,LS-SVM)算法对样本集HOG特征进行训练学习,生成车辆分类器模型。对于验证后的目标车辆,采用激光雷达获取的深度信息对目标车辆进行持续跟踪。构建了2种车辆模型,结合最小二乘直线拟合方法提取出车辆特征,生成目标模型。同时,提出了基于多特征马氏距离的目标关联代价方程,实现了多目标的关联;完成了基于卡尔曼滤波的车辆状态滤波和位置估计,更新了跟踪器模型。通过有效的管理策略,实现了目标跟踪的3个状态:1)初始化模型的生成;2)跟踪过程中跟踪器的更新与预测;3)目标驶离视野时跟踪器的删除。最后,通过试验验证了跟踪算法的有效性。