多视点相机联合标定及改进的PMVS重建方法

提出一种能够在强约束条件下快速进行相机标定的方法。通过相机间6个相互独立的约束,充分利用系统的几何条件,确定相邻立体相机的固有关系;再以共线方程为基础推导强约束条件下的平差模型,并应用于自检校光束法平差,从而实现多相机系统的快速标定;最后利用改进的PMVS三维重建方法开展标定后系统的人体三维重建。实验表明,通过加入强约束条件,增加平差的多余观测数,提高了标定精度和鲁棒性,对三维重建的精度亦有较大提高,并且该方法可推广到多个相机组成的多相机立体量测系统的标定中。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。     

利用直线特征进行单幅图像畸变校正方法

针对传统镜头畸变校正方法较少,并考虑畸变中心带来的不利影响,提出了一种基于单幅图像直线特征的畸变校正方法,且能够同步地估计畸变系数和畸变中心。在单幅图像中建立单参数划分模型,深入分析了空间直线与畸变后直线的几何关系,证明了空间三维直线经镜头畸变后,在二维平面形成圆弧,并且从该圆弧圆心为圆心的同心圆上的某点即是畸变中心,进而基于圆拟合方法对畸变参数进行估计。与已有方法相比,该方法考虑了畸变中心的影响,并且直接使用畸变点进行畸变参数估计,因此,具有更高的校正精度和更强的鲁棒性。实验中,首先对拟合图像进行实验,针对不同噪声、不同畸变系数对各种算法展开了三组仿真实验,结果表明,利用列文伯格马夸尔特(Levenberg-Marquardt,LM)算法进行圆拟合和畸变参数估计的方法性能表现良好。展开对真实黑白棋盘的畸变校正实验,运用三种算法对棋盘中13条直线进行畸变校正后的测量,表明LM算法要明显优于其他两种算法,有着良好的畸变校正效果。最后对真实场景的图片进行测试,取得了较为理想的畸变校正结果。