融合光度参数估计的单目直接法视觉里程计

针对单目直接法视觉里程计在光照变化大的场景下定位精度低、定位鲁棒性差的问题,文中提出一种融合光度参数估计的单目直接法视觉里程计。首先通过对图像帧进行特征匹配实现特征跟踪,建立起图像像素点之间的关联,接着利用非线性优化方法进行光度参数估计,然后在光度参数估计提供的光度参数先验信息的基础上对图像灰度值进行校正,最后利用校正后的图像采用单目直接法视觉里程计对相机运动进行估计。在EuRoC数据集上的实验结果表明,与传统方法相比,文中提出的算法提高单目直接法视觉里程计对光照变化的鲁棒性,定位精度平均提高约18%。     

机器自监督学习的建筑物面要素几何形状度量

针对传统方法在度量建筑物面要素几何形状时,未能考虑形状认知的视觉特征因素且形状特征需要人为定义等问题,该文提出一种建筑物几何形状度量方法。首先,利用深度卷积神经网络的图像特征学习特性,结合自动编码机的自监督学习能力,构建基于机器自监督学习的建筑物面要素几何形状度量神经网络;其次,利用建筑物图像形状大数据对网络进行训练;最后,利用训练完成的神经网络识别并提取建筑物形状特征集并作为形状度量的结果。实验表明,该方法形状度量结果区分度高,一定程度上克服了人为定义形状特征的缺点,且与视觉感知结果基本一致。     

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%。     

一种用于单目视觉里程计的特征匹配改进算法

针对随机采样一致算法计算复杂且不能完全消除误匹配的缺点,该文提出了一种特征匹配改进算法来克服该缺点。在特征匹配后根据距离约束筛选匹配点对,然后基于随机采样一致算法进行二次筛选,利用最终的匹配结果构建优化问题,基于图优化理论进行运动估计。匹配筛选实验验证了算法的有效性,结果表明,经本文算法筛选得到的特征匹配,满足单目视觉里程计的数据要求,且轨迹跟踪实验里程计绝对轨迹误差的均方根误差值较现有方法下降了22.66%。     

基于点特征的单目视觉里程计实现

本文采用特征点检测实现移动机器人的单目视觉里程计,通过对图像进行网格划分保证特征点均匀分布,提高特征点匹配效率。并行计算基础矩阵及单应矩阵实现单目视觉里程计的自动初始化,采用RANSAC算法剔除外点提高特征点匹配质量。设定运动模型及参考帧模型加速帧间运动估计,并通过合理的关键帧选取策略及图优化提高相机位姿精度及鲁棒性。利用TUM数据集测试本文设计的单目视觉里程计,实验轨迹误差为3.58 m,通过Turtlebot2移动机器人对真实环境进行测试,实验表明本文方法的有效性。     

基于Realsense传感器的机器人视觉里程计研究

基于RGB-D传感器能直接获取空间环境的深度信息和图像信息的能力,采用最新的RGB-D传感器(Realsense),实现了室内移动机器人的视觉里程计。首先利用张正友相机标定法对Realsense传感器的彩色摄像头进行标定;接着采用ORB算法实现图像特征点的匹配,并用PROSAC算法进行外点剔除;最后采用PnP算法实现相机姿态的估计,利用g2o库对相机的姿态进行光束法平差优化,并绘出相机的运动轨迹,实现了基于RGB-D传感器的机器人视觉里程计。实验结果显示该方法能快速、准确地估计视觉传感器的位姿信息,实现移动机器人的精准定位和导航。     

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%.      

点线联合的优化视觉惯性里程计

为了减弱视觉同时定位与地图构建(SLAM)易受光照、纹理等条件的影响,在非线性化单目SLAM研究基础上,该文提出了 一种加速度计bias估计优化初始化与点线特征结合的优化视觉里程计,使得在光线较弱的情况下也有较好的位姿估计效果,更优秀的初始化结果使得整个系统更加鲁棒、精度更高,且为了减少因为线特征的加入而增加的计算量,提出一种新的数据选择策略.通过和其他优秀算法(如PL-VIO、仅特征点方案)对比及真实场景实验的结果分析可知,该文提出的点线联合的优化视觉惯性里程计不仅能够减少定位误差,而且在光照条件较弱的环境中有较高的精度,既保证了系统的实时性,又提高了系统的鲁棒性.     

基于深度学习的语义SLAM关键帧图像处理

同时定位和地图构建(SLAM)凭借其高能效和低功耗等特点在诸多领域应用前景广阔.然而,在传统的SLAM系统中仍存在一些问题:传统的视觉里程计中关键帧并不包含语义信息,移动机器人获取的图像信息较为单一,且在实际场景中关键帧总包含大量误匹配点和动态点.针对以上问题,本文提出一种语义SLAM思路.首先,为了能够匹配到正确且对应的特征点,摒弃动态点和误匹配点的干扰,提出了一种基于Lucas-Kanade光流法的相邻帧特征状态判别法,将这项功能作为新的线程加入ORB-SLAM3的视觉里程计部分,完成对部分传统SLAM框架的优化和改进工作.其次,针对传统SLAM系统前端视觉里程计获取的图像帧不包含任何语义信息的问题,使用基于YOLOV4的目标检测算法和融合全连接条件随机场CRF的Mask R-CNN语义分割算法对ORB-SLAM3中的关键帧图像进行处理,有效提高了机器人等智能设备对室内环境的感知能力.     

深度学习的中文地址切分算法北大核心CSCD

针对传统分词对词典依赖过高的问题,该文提出了一种基于深度学习的中文地址要素的切分与重组算法。首先利用二元语法(Bigram)二分法将地址切分,然后用网络兴趣点(POI)数据地址集作为样本,采用基于深度学习的方法对地址要素进行特征匹配与要素重组,最终实现以地址要素为单元的中文地址自动切分。本文采用上万条网络采集的POI地址数据作为实验样本,实验结果表明,该算法不仅降低了对词典的依赖,同时也对地名地址的切分正确率有较大提升。     

基于DBN的机载高光谱影像分类

高光谱图像分类是目前遥感技术应用的关键环节,对分析地物类别与土地利用起到了十分重要的作用。目前应用于高光谱图像分类普通算法,其精度已不能满足当今大数据时代下的分类要求,本文提出了深度置信网络(DBN)分类算法。深度置信网络具有无监督学习与有监督学习二者共同的优点,对于维数高的数据有较优的分类效果,并利用机载AISA Eagle II高光谱传感器的影像进行了验证。结果表明,DBN算法与支持向量机(SVM)及传统神经网络(BP)对比取得了较好的分类效果。     

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。     

一种单目视觉/INS组合室内定位抗差方法

针对单目视觉/INS的组合定位算法中,单目视觉本身不具备尺度的问题以及在景深变化明显和光照不均匀的环境下会产生粗差的问题,提出了一种单目视觉/INS组合室内定位抗差方法。在尺度恢复方面,借助INS的位置增量信息,基于最小二乘法对单目视觉进行尺度恢复。在抗差方法方面,利用INS在短时间间隔内增量信息高精度的特性,对单目视觉在此时间间隔内的增量信息进行检测,判断是否产生粗差并进行粗差剔除,进而提高组合定位系统的定位精度。实验结果表明,所提算法可以有效的探测并剔除单目视觉/INS组合系统在恶劣环境下产生的粗差,提高组合定位系统的精度及鲁棒性。     

改进注意力机制的遥感地貌识别算法

对遥感地貌进行识别，近年来一直是遥感图像应用领域的研究热点。使用深度学习算法识别遥感影像具有比传统方法更高的准确率和稳健性。针对遥感影像中目标复杂度高、特征信息多等问题，本文提出了一种基于改进注意力机制的遥感图像识别算法，即将并联注意力机制（CS）和神经网络模型相结合，借助弱监督学习来辅助训练。同时采用双损失函数来缓解数据过拟合问题。试验结果表明，本文模型总精度为98.35%，Kappa系数达0.95，优于其他深度学习算法，能有效地识别出自然地貌。     

动态卷积YOLOv5的视频火焰检测算法

针对传统火灾检测系统容易受地理空间的影响，且现有的深度学习方法对动态火灾的检测能力较弱等问题，该文提出了一种动态卷积YOLOv5视频火焰多尺度目标检测算法。采用K-means++算法优化了anchor box聚类，降低了分类结果的误差。基于动态卷积思想，采用剪枝方法对YOLOv5 Neck和Head的网络头进行了剪枝，降低了模型大小，实现了视频火灾的动态实时准确检测。基于不同火灾监控视频的实验结果表明，该文方法不仅可以有效地对地面监控视频中的火灾点进行检测，还能够对无人机上监控视频中的火灾点进行检测。研究结果可以应用于基于视频的不同场景的火灾检测，从而达到对现有火灾检测系统补充的作用。     

深度学习在遥感影像分类与识别中的研究进展综述

深度学习一直是机器学习和人工智能研究的热门主题，特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来，使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性，其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状，最后对未来深度学习应用于遥感识别与分类趋势进行了展望。     

极化SAR影像深度学习分类方法对比研究

针对近年来极化SAR影像深度学习分类研究取得了显著的进展,但仍缺少全面系统的对比分析问题,该文首先讨论了极化SAR处理与分类中常用的深度学习网络结构,然后使用极化SAR分类研究的典型数据集,对多个主要深度学习算法的分类结果进行了对比分析,并对常用极化目标分解在深度学习分类算法中的应用进行了对比.实验表明,各类算法有不同的适用场景,同一场景不同算法的精度有时表现很大的差异.深度网络的选择、网络参数的优化和极化信息的应用依旧是该领域未来重点研究方向.     

柱面基准下的深度图像建模研究

不规则三角网模型重建点云模型是目前已经成熟的算法,但该算法具有较大的时间复杂度和空间复杂度,尤其是无法提取模型的几何参数,而三维模型重建后的几何参数的描述却具有重要的作用。针对这一问题,本文将传统深度图像概念拓展到了三维,并提出了一种基于柱面基准的深度图像三维重建方法。首先利用高斯映射法和几何法确定柱面模型初值,再进一步通过Levenberg-Marquardt算法进行全局参数优化得到柱面参数曲面,将拟合的圆柱作为新的基准面进行点云格网化并计算深度值,所得到的具有栅格结构的深度值即为深度图像,进而得到基于深度图像的三维圆柱实体模型。试验表明,该方法在不降低精细纹理表达的前提下能够有效地实现快速构网,同时保留了几何参数信息等优势。     

基于ORB-SLAM2算法的水下机器人实时定位研究

随着近几年视觉SLAM的快速发展，为机器人、无人机、汽车等导航定位提供了更多选择。针对当前水下机器人定位技术存在的系统复杂、操作难度大等问题，本文提出了一种基于ORB-SLAM2算法的水下定位方案。利用单目相机作为传感器，构建了单目视觉SLAM水下机器人定位模型，完成像素坐标系到世界坐标系的转换，介绍了ORB-SLAM2算法定位涉及的关键技术。通过水下理想环境试验，对ORB-SLAM2算法在水下定位性能进行了综合评价，通过海洋环境试验证明ORB-SLAM2算法可以有效对水下机器人进行实时定位。     

基于深度学习的GPS水准拟合方法

针对数学拟合法在进行全球定位系统(GPS)水准拟合时,因受自身模型限制,导致GPS水准拟合精度不高的问题,该文提出了一种基于EGM2008模型和深度学习的GPS水准拟合法.首先使用深度学习中的分段线性整流函数(ReLU)作为神经元激活函数加快网络的收敛速度,然后利用 自适应矩估计函数(Adam)作为优化函数加速获取最优解,并采用正则化丢弃法(Dropout)增强深度学习网络的泛化能力.通过实测数据计算表明:该文方法相比常用的多项式拟合法,丘陵地区外符合精度提高了约65％,达到1.7 cm;高差变化较大的山地外符合精度提高了约90％,达到1.2 cm.