基于卡尔曼滤波的时间序列影像背景估计

文章将卡尔曼滤波理论应用于时间序列影像的背景估计,引入衰减记忆因子解决滤波的发散问题,最终实现了对背景信号的估计。     

基于自适应背景估计的视频运动对象提取

提出了一种结合帧间差和减背景的运动目标提取算法,在使用差值图像的高阶统计量检测运动对象的同时估计可靠的背景模型,并通过背景选择性替换机制解决局部背景区域变化的问题。算法需调整的参数少,易于实现。实验结果表明算法具有良好的性能。     

基于配准偏移量的InSAR基线估计

根据SAR干涉测量原理,以配准偏移量为观测值,采用非线性最小二乘迭代法对干涉对的基线进行估计,并以ENVISAT卫星在西藏地区获取的两景SAR数据为例,对此基线估计算法进行实验验证。结果表明,该算法能有效地估计基线,减小轨道不精确带来的误差,在一定程度上提高InSAR生成DEM的精度。     

一种背景微移情况下的运动目标提取算法

分析了常用的静态背景下运动目标提取算法的优缺点,提出了一种基于背景匹配的运动目标提取的算法,有效地解决了帧间背景的微移问题。     

运动分割和光流估计的卫星视频超分辨率重建

针对卫星视频中存在局部运动目标的问题,该文提出了一种运动分割和光流估计联合约束的卫星视频超分辨率重建算法。首先通过视频帧间运动分割方法提取局部运动目标,获得其边缘信息;其次用光流方法对视频图像进行逐像素的运动估计,获得初始运动矢量场;利用分割边缘和运动矢量场进行联合约束,并统一运动目标内的光流矢量,获得纠正后的运动矢量场,并作为几何运动矩阵,将其补偿到超分辨率重建模型中生成高分辨率图像;最后用卫星视频数据进行实验,并与传统方法结果进行对比,证明该文算法可以有效地克服运动目标的伪影效应,提升了卫星视频的分辨率。     

基于K-近邻搜索的点云初始配准

为了使用最近点迭代算法(ICP)实现点云的精确配准,需要点云有良好的初始姿态,这可以通过点云的粗配准实现。本文结合K-近邻搜索和法向量估计,通过组建不变角度作为匹配特征,求解旋转矩阵和平移向量实现粗配准,方法由Matlab7.1编程实现。具体的实验结果表明,利用该方法能得到理想的粗配准效果,可以进一步应用ICP算法实现精确配准,该方法是有效的。     

基于无人机视频的运动目标快速跟踪

无人机视频序列影像是尢人机在高速运动的条件下获取地面目标的动态信息,相机的运动给目标检测、跟踪带来了一定的困难。针对无人机视频序列影像背景位移的特点,将运动目标检测与跟踪技术分为运动估计、目标检测、目标跟踪3个部分。由于无人机视频序列影像中目标较小、分辨率较低,因此采用基于区域的目标跟踪算法。该方法计算量小,计算速度快...     

基于建筑角点的机载和车载点云数据配准

提出一种基于建筑角点的机载和车载点云数据配准方法。首先采用随机抽样一致性算法(Random Sample Consensus,RANSAC)对建筑面片进行稳健估计,结合建筑轮廓在二维平面上投影的拟合直线,解算出建筑角点的三维坐标。利用提取到的同名角点,采用六参数转换模型计算机载和车载点云数据间的空间转换参数,进而完成机载和车载点云数据的配准。实验表明,该方法能有效地提取建筑角点,实现机载和车载点云数据的精确配准。     

一种复杂环境下运动目标检测的背景构建方法

针对复杂环境下背景构建困难等问题,提出了一种彩色图像依照目标运动状态实时进行更新的背景构建方法。该方法通过定义彩色图像距离,根据当前图像与背景图像之间的距离变化定义运动状态矩阵,从而利用状态矩阵结合当前帧图像的彩色特征更新背景。该方法无需假设背景模型,能够适应各类复杂的突变,通过获取包含多类目标的实测彩色图像实验验证了算法的有效性和准确性。     

基于SIFT匹配和RANSAC算法的超分辨率重建

图像超分辨率重建技术是根据序列图像间信息互补重建高分辨率图像的技术,其主要步骤在于精确运动估计算法和有效超分辨率重建算法。针对存在旋转、缩放变换的序列图像,本文提出一种基于SIFT匹配和随机采样一致性算法（RANSAC）的运动估计算法,该方法首先使用SIFT算法对图像序列的特征点进行提取并匹配,然后使用RANSAC算法消除误匹配点并获取投影变换矩阵,从而获得图像序列间的亚像素级的运动信息;采用一组低分辨率序列图像进行试验,基于上述运动估计算法,采用迭代反投影进行超分辨率重建。试验结果表明,运动估计精度较高,重建影像具有较好的视觉效果,尤其适用于影像序列间存在旋转缩放运动的图像序列的超分辨率重建。     

室内定位多传感器的空间配准

针对卫星信号到达地面时较弱、不能穿透建筑物的问题,该文对无法使用卫星定位时的辅助手段之一——室内定位技术作了研究。室内定位多传感器信息融合需要在统一坐标框架下进行,传统的空间配准解决方案多为简单的"松组合"加工。该文给出了多传感器空间配准数学模型,通过构造极大似然函数估计传感器间的位置偏差,采用粗估计与高斯牛顿迭代估计的两步法求解,并用仿真算例验证了该文所采用算法的有效性与正确性。     

一种多站标靶点云整体配准算法

针对普通多站标靶点云配准方法需进行基于传统测量设备的控制测量问题,提出了一种新的多站标靶点云配准方法。该方法使用三维激光扫描仪和卷尺同时完成点云数据的采集和控制测量外业工作,并将经典测边网平差理论引入到多站标靶点云配准领域,给出了相应误差方程的构建方法。实验结果不仅表明了该方法的有效性,而且证明了三维激光扫描技术应用于控制测量的可行性。     

基于可移动角点的航空和地面LiDAR数据配准

针对航空和地面LiDAR数据配准中点云数据的共轭特征较少且精度差异较大的问题,提出了一种基于可移动角点的航空和地面LiDAR数据配准方法:从航空和地面LiDAR数据中分别提取相应的建筑物角点,采用6参数模型对角点进行初始配准;以地面角点为参照,利用迭代移动方法对误差较大的航空角点进行修正;最后根据移动后的航空和地面角点计算获得点云配准关系。实验结果表明,该文方法可取得较好的点云配准效果,角点修正后能有效提升点云配准精度,适合于含有角点特征的航空和地面LiDAR数据配准。     

内点最大化与冗余点控制的无人机遥感图像配准

利用小型无人机进行遥感图像配准在自然灾害损害评估、环境监测和目标检测与追踪等领域发挥着至关重要的作用,但小型无人机的图像采集过程容易受风速/风向、复杂地形、电池容量、飞行姿态、飞行高度等自然或人为因素的影响。这些问题通常会导致捕捉到的场景重叠率低与图像非刚性畸变,在特征点提取过程中产生大量冗余点,增加了图像配准的难度。本文提出一种基于特征点的小型无人机图像配准方法,该方法的核心思想是在配准过程中识别冗余点,同时最大化可用内点数量。所识别的冗余点当作控制点,用于控制网格代图像的运动。最后通过最大化内点和合理移动控制点来恢复图像变换。本文使用50对小型无人机图像进行特征匹配和图像配准的实验,其中平均配准精度可达80.38%,并且本文方法在所有的情况下都优于5种当前流行算法。     

基于测量数据的机载三维SAR横滚角运动误差补偿

机载三维SAR通过天线阵列、合成孔径和宽带信号实现三维成像,但平台的平动误差和姿态角误差会影响成像质量。不同阵元间的平动误差一致,可通过单天线SAR运动补偿方法去除,但姿态角误差改变阵元间相对位置关系,影响复杂,其中,横滚角误差影响最大,目前尚没有基于测量数据的补偿方法。本文建立了阵列天线SAR三维成像模型,分析了横滚角误差影响及横滚角误差与跨航向波数之间的关系,提出了波数域子孔径补偿方法,仿真结果证明该方法可有效补偿横滚角运动误差影响。     

基于SAR影像数据的多分辨率CFAR目标检测算法及精度分析

本文的研究目标是利用极化合成孔径雷达图像统计特性提高目标检测精度。从合成孔径雷达(SAR)成像机理出发,通过研究目标杂波的统计特性以及不同分辨率情况下人造目标的检测效果,探讨一种基于小波变换和恒虚警率(CFAR)的多分辨率算法进行目标检测的方法。实验分析比较传统CFAR目标检测算法与基于小波变换的多分辨率CFAR目标检测算法,实验结果表明,本文算法检测效果明显优于传统CFAR目标检测算法。     

基于势函数点分布调整的SIFT图像配准算法

尺度不变特征转换(scale invariant feature transform,SIFT)是一种广泛应用于图像配准领域的点特征提取算法。针对基于SIFT的图像自动配准算法存在的特征点分布不均匀问题,提出了一种基于势函数点分布调整的图像配准方法。该方法解决了SIFT算法不能针对特征点的分布情况进行优化的问题。通过调整SIFT的比值阈值,增加配准点的数目;通过引入分子力学中的势函数概念,对特征点分布情况进行优化;通过局部互信息精纠正,微调特征点位置,以提高特征配准点的配准精度;最终实现高质量(空间分布均衡,配准精度高)的图像自动配准。     

基于聚类分析的运动目标检测与分割算法及实现

提出了一种基于模式识别的时间序列影像运动目标检测与分割方法,利用聚类分析的思想改进了简单差分方法,引入模式特征空间及运动模式识别作为运动目标检测的判据,实现了运动目标的检测、识别与分割。     

一种基于角点特征的遥感影像自动配准方法

本文通过对Harris算子进行改进,自适应地提取角点特征,然后基于角点特征进行由粗到精的匹配,完成影像的配准;并利用MODIS影像、TM影像和HJ-1卫星影像3种不同分辨率的遥感影像进行配准实验,结果表明该自动配准方法能够达到亚像素级的配准精度,是一种高精度的影像配准方法。