借助标志点的深度数据全局匹配方法

深度数据匹配是三维光学测量系统的关键问题,借助标志点匹配方法具有廉价、方便、快速等优点,但当前该方法对多视场数据匹配的误差积累问题没有解决.阐述一种借助非编码标志点进行深度数据匹配的方法,利用图像处理及模式识别技术提取标志点,并由光学测量系统标定信息获得标志点三维局部坐标,利用欧式空间距离的刚体不变性,完成两个视场深度数据的精确匹配.并提出一种全局迭代优化算法完成对多个视场深度数据的全局精确匹配,避免了误差积累,最大匹配误差从0.123 mm降到0.076 mm.实验证实了方法的有效性,不仅可以自动、快速完成两个视场深度数据的精确匹配,而且解决了对多个视场深度数据匹配的误差积累问题.     

三维点云中关键点误匹配剔除方法

三维点云关键点配准与识别过程中存在寻找匹配对不理想、大量误匹配对及配准与识别准确率下降等问题,提出了一种新颖的关键点误匹配剔除方法。在关键点检测阶段,基于边缘点及其邻域点大多分布在同侧的特性,提出了一种边缘点检测算法,剔除处于边缘的关键点,以提高关键点的可重复性和可匹配性,并降低关键点特征匹配的误匹配率。在关键点特征匹配阶段,对经由最近邻算法得到的初始关键点匹配对,通过Kmeans算法和分裂法,剔除掉大量错误的关键点匹配对,从而提高三维点云之间关键点的匹配率。实验结果表明,该方法能够剔除完整三维点云匹配完整三维点云、完整三维点云匹配杂乱且有遮挡的三维点云、部分点云匹配部分点云所产生的大量关键点误匹配对,提升了关键点匹配效果;同时在时间上,本文算法较随机取样一致性算法更有效率,是最邻近算法的有益补充。     

十亿像素瞬态成像系统实时图像拼接

为了满足工程应用对图像拼接实时性的要求,依据已设计完成的基于同心球透镜与微相机拼接阵列复合结构的十亿像素瞬态成像系统,提出一种基于统一计算设备架构(CUDA)与先验信息相结合的自适应图像拼接并行加速算法。首先,利用高精度四维标定平台对相邻微相机成像重叠区域进行预标定。接着,采用基于CUDA的快速鲁棒特征(SURF)方法检测提取重叠区域图像的候选特征点集。然后,运用基本线性代数运算子程序(CUBLAS)加速基于随机KD-Tree索引的近似最近邻搜索(ANN)算法,用于获取初始匹配点对。最后,提出一种改进的并行渐近式抽样一致性(IPROSAC)算法,用于剔除误匹配点对和空间变换矩阵的参数估计,从而得到拼接图像的空间几何变换关系。实验结果表明,该算法的图像拼接时间为287 ms,与单独采用CPU串行算法相比速度提高了近30倍。     

关键点引导相位测量的三维人脸表情获取

三维人脸表情捕获在影视、游戏、医学、社交等领域有广泛的应用.为了实现无标记自由运动中的人脸表情三维信息高精度采集,提出了基于人脸关键点检测与匹配的条纹投影三维人脸测量方法.首先,采用三频外差法获取待测对象准静态三维信息作为参考模型,并利用基于深度学习的人脸关键点检测算法从调制度图中得到初始关键点及对应的三维坐标.然后,...     

基于LLE与Gold-SA-SVM的海藻三维荧光光谱门类识别

针对海藻三维荧光光谱线性降维方法不理想、模型识别准确率低的问题,提出通过局部线性嵌入(LLE)算法进行降维、通过黄金正弦算法(Gold-SA)对支持向量机(SVM)进行优化来构建分类模型的方法.将LLE算法降维后的海藻三维荧光光谱数据作为SVM的输入,并与其他两种降维方法进行对比.结果 显示:LLE算法的降维效果最好,...     

基于改进Harris的低动态载体速度的快速计算方法

针对光照分布不均匀的室内环境下低动态载体速度计算实时性较差的问题,提出一种基于改进奇异值分解(SVD)-Harris的低动态载体速度快速计算的新方法。利用SVD对相邻两帧视觉图像分别进行压缩与重构,并结合改进的Harris角点检测算法对两帧图像进行特征点的检测;利用归一化互相关(NCC)模板匹配算法对相邻两帧视觉图像的特征点进行粗匹配;利用随机抽样一致性算法进行误匹配点对的剔除;利用特征匹配点对的信息对载体的速度进行计算。实验结果表明:传统算法的平均计算时间为3.07s,而改进算法的平均计算时间为0.71s,且传统算法的误匹配率远大于改进算法。与传统的NCC模板匹配方法相比,所提算法不仅保证了低动态载体速度计算的精确性,而且显著提高了载体速度在光照不均匀的室内环境下的计算效率,该研究为实现室内移动机器人实时视觉导航提供了理论依据。     

基于SURF特征匹配的数字图像相关变形初值可靠估计EI北大核心CSCD

鉴于Newton-Raphson(N-R)迭代法的数字图像相关方法(DIC)对初值敏感等问题,提出了一种使用SURF(speeded up robust features)特征匹配的数字图像相关方法。SURF算法能匹配出变形前后图像的特征点对,并获得点对的坐标值,使用与匹配点对所在的子区相对应的仿射变换来初始估计子区的变形参数,获得兴趣点的估计值。根据估算的初值进行迭代优化,得到使归一化最小平方距离相关函数(ZNSSD)最小化的兴趣点位移值。实验中,分别用该法及传统的基于尺度不变特征变换(SIFT)的初值估计方法对鲤鱼鳞片拉伸变形图样进行处理,结果表明所提的初值估计方法更加精确有效,并能够使后续的N-R迭代优化快速收敛。     

基于深度卷积神经网络的红外船只目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。     

基于曲率尺度空间角点检测的交通标志分离算法

针对交通标志出现互连现象导致检测率下降的问题,提出了一种基于曲率尺度空间(CSS)角点检测的交通标志分离算法。使用基于红绿蓝(RGB)归一化的彩色分割算法和区域特征判决准则自动识别多标志互连候选区域,并对提取的目标区域进行边缘平滑和轮廓跟踪。利用基于全局和局部曲率特性的CSS角点检测器对提取的轮廓进行角点检测,并依据角点凸凹性判定准则及分离点对匹配条件,从角点中提取标志间的分离点对。利用Bresenham算法寻求分离点对间的分离线,实现标志的最终分离。实验结果验证了算法的有效性,与现有基于分水岭变换的标志分离算法以及改进的自适应分离算法相比,克服了标志过度分离问题,提高了标志检测整体性能。     

基于近似后验信息的高光谱异常检测

高光谱遥感技术通过成像光谱仪记录带有地物光谱信息的辐射信号,获得包含光谱信息和空间信息的三维高光谱图像,在光谱解混、图像分类、目标检测等方面取得了广泛的应用。近年来,随着遥感技术的发展及人们对获取目标准确位置的需求逐渐加大,目标检测取得了较快的发展。根据是否提前掌握目标光谱作为先验信息,目标检测分为光谱匹配检测和异常检测。光谱匹配检测需要目标光谱作为先验信息,通常检测精度较高、效果较好。而异常检测不需要先验信息,应用范围更广,但是检测精度通常低于光谱匹配检测。由于实际应用中缺少完备且实用的光谱库,先验信息的获取较为困难,不需要先验信息的异常检测成为研究的热点。针对异常检测与光谱匹配检测相比精度较低的问题,提出一种基于近似后验信息的高光谱异常检测算法。首先利用矩阵分解算法对原始高光谱图像数据进行矩阵分解,得到纯净的背景矩阵与包含噪声的异常矩阵。舍弃异常矩阵,将得到的背景矩阵作为近似背景信息。然后计算图像所有像元光谱向量与背景矩阵中均值向量的马氏距离对图像进行初始异常检测,得到初始异常像元,将初始异常像元光谱取均值作为近似目标信息。最后将近似背景信息与近似目标信息作为先验信息,进行正交子空间投影得到最终的异常检测算法。将本算法作用于图像中所有像元,得到对整幅图像的异常检测结果。为证明本算法的优良效果,采用一组仿真数据和一组AVIRIS真实高光谱数据进行实验,并与RX, LRX和LSMAD算法进行对比。实验表明,无论是从定性的角度还是定量的角度来看,该算法能够有效抑制噪声,在信噪比较低的情况下仍然可以有效地检测出图像中的异常目标,检测精度较高并且对检测效率的影响不大,取得了较好的检测效果。