一种采用图像特征匹配技术的RGB-D SLAM算法

针对复杂环境下运动机器人自主运行的任务要求,提出了一种采用图像特征匹配技术的视觉SlAM算法。相比于传统滤波器方法在机器人长时间运动过程中产生的误差积累,采用了基于图优化的SlAM方法,本文算法分为两个部分：前端和后端。前端负责处理图像数据提取机器人位姿几何关系,首先提取彩色RGB图像的特征点,创建特征点的高维特征描述子,建立特征点的位置对应关系;后端负责表达各时刻机器人的位姿并最大化地消除轨迹漂移问题,根据前端处理所产生的信息,构建一个代表机器人几何位置关系及其不确定性的关系图,通过对图的优化将测量轨迹最大化地逼近真实轨迹,最后生成稀疏点云地图和高精度的机器人运行轨迹。试验表明本文所提出的方法实用性强,具有较高的鲁棒性。     

一种适用于SAR图像边缘检测的序贯算法

提出了一种用于检测SAR图像上阶跃性边缘的序贯算法。由于SAR图像上存在大量的光斑噪声而使图像质量受到严重影响，而光斑噪声属于乘性噪声，不服从高斯分布，因此常用的图像处理方法难以取得好的效果。文中首先根据光斑噪声模型，自动确定图像中高反差部分，然后采用具有高抗噪性能的边缘检测算子，进行边缘提取。实验证明该算法明显提高了特征提取速度，同时具备良好的抗噪声能力。     

一种适用于SAR图像边缘检测的序贯算法

提出了一种用于检测SAR图像上阶跃性边缘的序贯算法。由于SAR图像上存在大量的光斑噪声而使图像质量受到严重影响，而光斑噪声属于乘性噪声，不服从高斯分布，因此常用的图像处理方法难以取得好的效果。文中首先根据光斑噪声模型，自动确定图像中高反差部分，然后采用具有高抗噪性能的边缘检测算子，进行边缘提取。实验证明该算法明显提高了特征提取速度，同时具备良好的抗噪声能力。     

近景摄影测量下的视场关系定量表达

近景摄影测量下的视场关系指较小空间范围中不同视场之间存在的位姿关系，它用来确定不同摄像机所代表的参考坐标系之间的旋转量与平移量。它在交通监控、目标识别与定位、居家安全保障等方面有着广泛的应用。本文在近景摄影测量的框架下，提出了一种确定两种不同视场之间位姿的方法，具体步骤为：①在大视场下进行变化检测，当有变化区域被检测到时，获得原始图像，同时在小视场下获得样本图像集合；②对原始图像和样本图像集合进行相对定向，得到样本图像相对于原始图像的空间姿态参数；③将原始图像和样本图像进行图像匹配，获取匹配度最高的样本图像，该样本图像存储的姿态参数即是拍摄瞬间小视场相对于大视场的位姿；④按照步骤③中获取的姿态参数调整小视场下的摄像机空间位姿，使其对准变化区域。试验表明该方法能够有效支持空间范围较小区域内视场关系的定量描述。     

一种基于目标检测和PnP的移动终端室内定位方法

针对传统的视觉定位易受噪声干扰、目标检测准确率低且无法获取终端准确位姿信息的问题，提出了一种基于卷积神经网络的目标检测和PnP相结合的移动终端室内定位方法，通过Mask-RCNN进行目标检测，然后采用EPnP算法求解相机准确的位姿信息，并对该方法进行系统实现及真实场景试验。试验结果表明，该方法目标检测准确率在98%以上，单轴定位误差在0.35 m以内，满足移动终端室内定位的精度，具有精度高、稳定性好的优点，为基于视觉的移动终端室内定位提供了新的思路。     

一种场景稳健的单目视觉里程计算法

针对利用单目相机采集的图像序列进行实时车载平台位姿估计问题,对比了不同单目半直接典型算法的原理和试验结果以及不同场景、运动状态、光照和耦合因素下的同名点跟踪算法、长时间场景稳健的高精度位姿估计方法、位姿优化方法的试验结果。通过与两个典型半直接MVO算法进行了计算过程多个阶段和计算结果多个方面的对比,得出每个阶段和整体结果更好的计算方法;最终总结提出了一种场景稳健的单目半直接视觉里程计算法并利用序列真实数据进行了试验验证。试验结果表明,该算法的长时间位姿估计的场景稳健性和计算精度均显著优于目前典型的半直接MVO算法,位姿估计精度比ERL算法提升10%以上,计算效率与典型的ERL算法相当,能够满足各类单目视觉里程计应用场景需求。     

高分辨率遥感图像港口检测的复合线索视觉注意模型

为提高高分辨率光学遥感图像港口自动检测的准确性,常需综合多类线索并进行复杂的特征提取、融合与分类推理,从而带来较高的计算复杂度。为此,仿生人类视觉注意机制,提出了一种复合线索视觉注意模型,综合利用高分辨率光学遥感图像港口多尺度底层特征和高层知识线索,实现了港口检测特征自然融合与综合分类推理。该方法在提高检测效果的同时较好地控制了计算量的增长,避免了复杂特征的大范围区域提取,采用多步快速算法降低了整个算法的计算复杂度,实现了计算资源受限条件下港口的快速定位与检测。同时,由于能将有限计算资源快速聚焦于最可能含有港口目标的区域,大大提高了目标检测方法响应的实时性。来自不同卫星的高分辨率光学遥感图像实验结果,验证了提出方法的有效性。     

改进Yolo-v3的视频图像火焰实时检测算法

为解决现有视频图像火焰检测方法精度低、速度慢的问题,提出了改进Yolo-v3的视频火焰实时检测算法。首先,在特征提取阶段,通过进一步融合多尺度特征提高网络对图像浅层信息的学习能力,以实现小火焰区域的精准识别;其次,在目标检测阶段,利用改进的K-means聚类算法优化多尺度先验框以适应火焰不同尺寸;最后,在改进Yolo-v3的视频火焰检测之后,利用火焰特有的闪烁特征对检测结果中的误检帧进行排除,进一步提高检测精度。从精度和速度两个方面对视频火焰进行检测,并与近年来先进的火焰检测算法对比,结果表明,该方法准确率均值可达到98.5%,误检率低至2.3%,平均检测速率为52帧/s,在精度和速度方面皆有更好的表现。     

一种基于深度相机的机器人室内导航点云地图生成方法

点云地图是智能机器人自主导航的基础。文中提出一种基于深度相机的机器人室内导航点云地图生成方法,通过对图像特征的快速提取与匹配,实时估计相机位姿;综合考虑彩色图像的投影误差与深度图像的反投影误差,应用图优化算法对关键帧位姿与地图点进行联合优化;通过环路检测与地图优化降低估计误差累积的影响;利用估计得到的相机位姿将关键帧对应的图像点云进行拼接融合,形成表示三维空间场景结构的稠密点云地图。通过实验验证方法的有效性、精确性与实时性。     

一种高分辨率遥感图像舰船检测方法研究

本文针对传统舰船检测方法在复杂海况条件下检测结果不佳,易造成大量虚警的问题,提出了在利用自适应分割算法进行舰船快速筛选的基础上采用方向梯度直方图(HOG)特征提取舰船的边缘结构信息,通过监督学习进行舰船检测虚警滤除的新算法。与现有算法相比,这种算法克服了由云、浪造成的舰船目标虚警滤除问题,在保证鲁棒性的同时兼顾了算法效率,并使用该方法对遥感图像进行了检测试验。     

一种基于改进CoHOG的视觉SLAM算法

移动机器人在SLAM的闭环检测环节计算量大、运行时间长、匹配误差大,从而导致闭环检测精度较低。针对该问题,本文在CoHOG闭环检测算法的基础上进行改进,将算法中的HOG描述符改进为GDF-HOG描述符,以增强图像特征表现,提高图像特征提取效率;在匹配环节前添加GDF-HOG全局粗匹配,以减少视觉模板的数量,提高算法的计算效率;在匹配环节后添加感兴趣区域（ROI）位置匹配进行检验,以减少闭环检测的假阳性,提高准确率。将本文闭环检测算法与RatSLAM相结合,在公开数据集与真实环境中进行测试,测试结果表明,本文算法在闭环检测环节的准确率较高,且对环境的适应能力较强。     

轨迹延续性与影像特征相似性结合的城市道路提取

城市道路区域检测是城市土地管理、交通规划等领域的迫切需求,而传统城市道路区域检测多使用轨迹提取、遥感解译、人工采集等单独方式,在自动化程度或提取质量上存在一定的局限性。本文结合GNSS轨迹点与高分遥感影像各自的数据优势,提出一种基于轨迹延续性与影像特征相似性的遥感影像道路区域检测方法。该方法以出租车GNSS轨迹点构建轨迹特征栅格,基于轨迹延续性在平均方向特征栅格中划分路段对象,利用道路对象的光谱特征向轨迹无法覆盖的小区内部进行拓展,以获得提取区域内较为完整的道路信息。试验证明：本文方法可以有效降低道路的同物异谱现象及阴影、树木遮挡的影响,高效地提取高分遥感影像中的道路区域。与传统的遥感影像分类方法相比,具有更高的精度与自动化程度,相较于深度学习模型具有更广的适应性。     

基于紧耦合的视觉惯性定位方法

惯性测量单元（IMU）受自身温度、零偏、振动等因素干扰,积分时位姿容易发散,并且机器人快速移动时,单目视觉定位精度较差,为此研究了一种基于紧耦合的视觉惯性即时定位与地图构建（SLAM）方法. 首先研究了视觉里程计（VO）定位问题,为减少特征点的误匹配,采用基于快速特征点提取和描述的算法（ORB）特征点的提取方法. 然后构建IMU的数学模型,使用中值法得到运动模型的离散积分. 最后将单目视觉姿态与IMU轨迹对齐,采用基于滑动窗口的非线性优化得到机器人运动的最优状态估计. 通过构建仿真场景以及与单目ORB-SLAM算法对比两个实验进行验证,结果表明,该方法优于单独使用VO,定位精度控制在0.4 m左右,相比于传统跟踪模型提高30%.      

基于图像语义分割的动态场景下的单目SLAM算法

在恢复场景信息和相机运动时，传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合，以减少动态物体对定位结果的干扰。首先，构建有监督的卷积神经网络对输入图像中的动态物体进行分割，获得语义图像；然后，从原始图像中提取特征点，并根据语义图像剔除动态物体特征点，保留静态物体特征点；最后，利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明，与传统方法相比，本文算法在动态场景中定位精度提升约17%。     

基于点特征的低空遥感影像多级高效率匹配方法研究

研究基于点特征的匹配算法,结合现有影像匹配算子的优缺点,提出一种适用于低空遥感影像特征点的自动提取与匹配方法。首先在简化的高斯尺度空间中检测Harris角点,使该特征点具有尺度不变性;然后采用Forstner算子对关键点精确定位,精度达到子像素级;最后通过简化特征点描述符实现算法简化。在特征点匹配阶段,采用BBF-KD初匹配和二次精匹配提高匹配精度。以低空遥感影像为实验数据测评SIFT算法和文中方法在提取速度、匹配正确率、稳定性等方面的性能。实验结果表明,相对于传统的SIFT算法,处理影像清晰的低空遥感数据时本方法有更高精度和更快速度。     

文物对象近景序列影像位姿高精度估计方法

针对文物对象影像三维纹理重建中影像位姿估计的问题,本文提出了三维数据驱动及平差的位姿高精度估计方法。首先通过影像特征提取、匹配、误匹配点剔除得到准确的同名特征;然后建立首对影像高精度位姿相对关系,并以其像对三维点数据为驱动,结合二三维索引确定后续影像的相对位姿;最后以光束法平差与LM算法确定高精度的影像位姿参数。试验表明,本文方法在确定位姿速度和位姿精度上都体现了一定的优越性,为影像后续的密集点云生成奠定了基础。     

基于MATLAB的边缘检测算法研究

边缘检测是处理与剖析图像的主要内容之一,它在文字识别、车牌识别、遥感特征地物的提取等生产和生活领域发挥着非常重要的作用。但是,不同的图像有着不同的特征,到目前为止,没有一种统一的方法对所有的图像及地物的特征进行边缘检测。针对这一不足,本文首先探讨了4种经典的二值化算法和相应的改进二值化算法,并将经典算法与改进后的算法进行对比分析,然后利用Canny算子对二值化处理后的图像进行边缘检测。得出结论,迭代法和改进的迭代法与Canny算子相结合作为边缘检测的方法是一种高效率、高精度的方法。