相机位姿求解的复用镜像约束法

针对参照物不在视场范围内的问题,提出一种复用镜像约束求解相机位姿的方法。具体步骤为：(1)依据相机位姿求解方法得到镜像相机位姿;(2)根据平面镜反射对称性构建单张图像镜像相机与相机位姿间线性约束关系;(3)复用镜像相机姿态,建立多张图像之间约束关系,在获得3张图像情况下,可得18个线性约束条件,提高相机位姿求解精度。试验结果表明：旋转矩阵和平移向量均误差分别为0.009°和1.866 mm,较对比方法,旋转矩阵均误差平均降低0.009°,平移向量均误差平均降低2.292 mm,且具有较强适应性。在真实试验中,平均重投影误差为0.492像素,优于对比方法,能够准确求解参照物不在视场范围内的相机位姿。     

遥感图像分割的低维纹理特征算子与双变异蝴蝶优化算法

针对光学遥感影像受天气影响导致部分地物间形成弱边缘问题,提出一种低维纹理特征算子与双变异蝴蝶优化算法。首先提出一种适用于遥感影像的低维完备局部三值模式的纹理特征提取算子,并将其引入简单线性迭代聚类算法,对遥感影像进行初始分割,减小了噪音影响,同时增强算法对弱边缘的敏感度和分割准确性;然后采用双变异蝴蝶优化的支持向量机合并同质超像素块,以简单线性迭代聚类算法和低维纹理特征算子得到的综合特征作为输入,得到最终分割图像。利用2组高分辨率遥感影像进行分割实验,并与当下流行的卷积神经网络进行对比,实验结果表明,所提算法相较于传统算法对弱边缘有更好的分割效果,数据一的边界回归率(boundary recall,BR)值较对比算法平均提高了1.9%,Kappa系数平均提高了0.036;数据二的BR值较对比算法平均提高了2.33%,Kappa系数平均提高了0.027。对比实验证明了所提算法相较于卷积神经网络有更好的泛化性。     

宽泛地理注记的投放模型

针对网络地图服务环境中的地理注记评价问题,对传统地理注记内容进行非结构化文本形式扩展,定义宽泛地理注记,用投放过程来模型化标注行为首先,依据词频分类方法确定地理注记文本内容分类,并根据Voronoi k阶邻近关系建立投放邻域的空间相关性定量收敛描述,进而结合地理注记文本与地理注记存在邻域构建基于地理注记类型与类型转化的投放模型实验结果表明,在已知两种类型地理注记集的实际情况下,投放模型能够有效地对新增地理注记进行合理性评价.     

利用高帧频相机检测运动控制轴精细形变

在运动控制应用场景中,由于疲劳等原因会导致设备微小形变,因此需要更加密集的观测手段与恢复方法.考虑到待检设备的摄影测量属性及高帧频相机高信息量特性,利用240帧/s的高帧频电荷耦合元件(charge coupled device,CCD)相机结合摄影测量方法实现对运动控制轴形变信息的精确量测,具体步骤如下:(1)固定标...     

顾及短基线同轴约束的指向性观测相机原型

针对相机大视场感兴趣目标分辨率不足的问题,提出短基线同轴约束模型并设计主从相机原型, 大视场相机用于监视整个视场,主动相机用于对目标区域进行指向性高清观测。基本过程为:（1）利用短基线同轴约束模型简化相机外参矩阵, 并构建大视场相机与主动相机间的映射关系,通过三角函数计算主动相机初始控制参数;（2）在近距离场景下,对主动相机控制参数进行补偿。实验结果表明,相机只需一次离线标定即可适应各种场景。观测目标与大视场相机距离3~10 m的近距离场景下,目标在主动相机图像中的实际位置与理论位置误差在30像素以内;远距离场景的有效距离内,误差在6像素左右。计算单一目标点对应主动相机控制参数的时间不超过0.2 ms。原型对目标场景、目标深度无依赖性,且用于较远目标观测时相对于其他方法在精度与时效性方面具有较高优势。     

结合多尺度共享编码的半监督网络航空影像语义分割EI北大核心CSCD

在半监督语义分割中,主要采用编码-主从解码器结构使无标签样本参与计算以提高分割精度,但编码器的连续下采样操作易丢失浅层细节特征,从而导致地物边界分割不完整。为此,本文提出结合多尺度共享编码的半监督网络架构对航空影像进行语义分割,该网络的编码器采用ResNet-50获取影像浅层特征,并通过在ResNet-50末端嵌入多尺度共享编码模块来链接浅层特征,以构建密集特征金字塔和扩大感受野,从而获取目标地物多尺度细节信息。将本文网络与UNet、DeepLabv3+、FCN监督网络和CCT、XModalNet、VLCNet半监督网络在LandCover.ai和DroneDeploy数据集上分别进行了对比试验和精度评估。结果表明:本文网络在标签数量与精度方面均具有明显优势,对于LandCover.ai数据集,在6000张标签样本和6500张无标签样本的前提下,整体mIoU提升1.15%,对于DroneDeploy数据集,在30张标签样本和5张无标签样本的前提下,整体mIoU提升0.94%,同时显著提升影像地物的分割精度,得到更清晰、完整的地物边界。     

Res＿ASPP＿UNet++：结合分离卷积与空洞金字塔的遥感影像建筑物提取网络

针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题，尝试以UNet++网络为基础，通过将编码器的标准卷积及最大池化替换成深度可分离卷积，以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能，并将改进后的建筑物提取网络称为残差空洞空间金字塔网络（Res＿ASPP＿UNet++）。为验证Res＿ASPP＿UNet++网络结构的有效性和适用性，以经过数据增强预处理的WHU和Massachusetts数据集作为数据源，对Res＿ASPP＿UNet++网络与目前常用的语义分割网络进行了试验和精度评估，并将Res＿ASPP＿UNet++网络与文献中的研究成果进行了对比。结果表明Res＿ASPP＿UNet++在模型参数量与精度两个方面均表现出优势，能够在大幅压缩模型参数量的前提下，显著提升建筑物提取精度，提取建筑物的边界更加平滑和精确，对不同尺度的建筑物表现出较强的泛化能力。