基于相似度曲面二阶差分的景像匹配算法

在分析景像匹配相似度曲面特性的基础上,提出了采用相似度曲面二阶差分为最小作为选取景像匹配点的准则,并进一步给出了利用该准则得到的匹配点的置信度指标. 与传统的景像匹配相似度最大值准则相比,该准则可有效地提高匹配概率(在本仿真实验中,采用修正相关系数(CCF)算法的匹配概率由92.7%提高到98.1%),给出的置信度指标也较好地表示了匹配点的可信程度,并可作为剔除误匹配点的一种参考标准.      

BP网络实时图像自动选取算法研究

实时图像的自动选取是景像匹配自动化的关键技术.提出了一种基于神经网络的实时图像自动选取算法.仿真研究表明,引入Sobel算子的3层BP网络实时图像自动选取算法结构简单、训练时间短和分类准确性高,其并行处理能力能满足景像匹配技术的实时性要求.经最小二乘和Bayes精匹配算法检验,实时图经此网络选取、粗匹配和精匹配,可达到高于0.5像素的定位精度.     

一种改进的最小二乘景像匹配算法

为提高景像匹配系统的匹配速度和对初始定位误差、噪声的鲁棒性,对实时图与基准图之间的灰度分布关系进行分析,建立实时图和基准图之间的景像匹配模型,给出了一种改进的最小二乘景像匹配算法.该算法在最小二乘目标函数中引入一个辅助约束项构成综合目标函数,辅助约束项隐含有对量测输入平滑性的约束,提高了匹配算法的稳定性,运用牛顿法推导出该算法的递推公式,该算法充分利用了综合目标函数的一阶、二阶导数信息,因此具有较快的收敛速度.仿真结果表明了算法的有效性.     

一种多策略GML应用模式匹配方法

地理标记语言(GML,Geography Markup Language)应用模式匹配是实现基于GML的地理信息共享的基础问题.结合现有模式匹配算法和GML3.0应用模式的特点,提出了一种多策略GML应用模式匹配方法.首先,将输入的GML应用模式转化为GML模式树,通过引入基于语言学和基于约束的具体匹配规则,分别对GML模式树进行元素对相似度计算,并对2种计算结果加权合并获得元素水平匹配的相似度值;然后,通过基于相似度传播的结构匹配算法对元素的相似度进行修正;最后,获得2个输入模式的元素匹配映射表.实验表明,该算法能够提高GML应用模式的元素匹配正确率.      

一种基于图像特征点提取及匹配的方法

针对图像特征提取与匹配的适应性和准确性的问题,将尺度不变特征变换(SIFT, Scale Invariant Feature Transform)算法应用到图像匹配领域.首先从原理上对SIFT算法的特性进行了分析,并以visual studio 2005为开发平台对SIFT算法分步骤进行了实现;最后以基于欧氏距离的最近邻准则作为特征的相似度量将SIFT算法提取的特征应用于图像特征匹配,并对不同的近邻比进行比较,给出了建议值.通过3组实验图像的匹配结果表明,SIFT算法提取的特征对图像缩放、旋转、亮度变化的匹配正确率都等于或接近100%,证明了SIFT算法提取的特征点有很好的适应性和准确性,可以进一步应用到图像识别以及图像重建等领域.      

一种改进的ORB特征匹配算法

针对现有的ORB特征匹配算法在图像模糊、光照变化、图像压缩、噪声条件下,匹配准确率下降问题,提出了一种改进的ORB特征匹配算法。首先,在提取特征点过程中,对图像进行网格化处理,并引入四叉树结构,使提取的特征点在图像中均匀分布,解决传统的特征提取方法遇到的特征点集中问题。然后,利用暴力匹配进行初步匹配,并采用交叉验证的方式,剔除部分误匹配,改善暴力匹配的结果。最后,利用高斯核对网格运动统计的结果做加权处理,优化统计结果,进一步剔除误匹配,得到准确率更高的匹配集合。实验结果表明:改进后的算法在图像模糊、光照变化、图像压缩和噪声条件下,平均准确率分别提高了3.5%、4.2%、2.2%和6%。      

基于脊线校准的指纹细节点匹配算法

对自动指纹识别系统(AFIS, Automated Fingerprint Identification Systems)中居于重要地位的细节点匹配算法进行研究,对基于校准的细节匹配算法进行了修正.在细节点相关脊线信息的提取阶段,提取分叉点相关脊线的拓扑信息,并将其引入后续的校准和匹配算法.采用一种半可变的限界盒以适应指纹图像的非线性形变.引入一个新的参考量计算并比较脊线相似度,以更低的计算代价解决匹配中参考细节点对的选择问题,加快匹配算法的收敛速度.将脊线校准和细节点匹配两个阶段结合起来,采用一种新的更简单有效的方法进行细节匹配.测试结果表明,改进的匹配算法能够在使用较少资源的前提下,提高指纹匹配速度,改善系统的匹配性能.      

无人机全包线模糊T-S建模

针对无人机大包线一体化飞行控制要求,提出全包线模糊T-S(Takagi-Sugeno)建模方法.该方法根据非仿射系统的局部线性化原理,将模糊T-S建模转化为仅对模糊规则中隶属度函数的中心和宽度的优化过程,优化的代价函数为模糊T-S模型对无人机全包线稳定性和操纵性的逼近误差的加权值.基于敏感度逐步扩展前件变量的模糊集以实现全局优化,确定模糊规则的数量和隶属度函数的初值.采用对正则因子启发式调整的Levenberg-Marquardt算法进行快速的局部优化.算例表明,建模算法收敛迅速,所建立的模糊T-S模型采用少量模糊规则实现了对无人机全包线稳定性和操纵性的高精度逼近,适用于无人机全包线一体化控制.     

基于二型模糊系统多源异质信息目标身份类别推理方法

针对前件推理规则未知的目标身份识别问题,考虑到目标信息量测的多源异质特点,利用模糊集对目标速度、图像等多维度特征信息进行统一的抽象化描述,借助遗传算法对模糊推理规则进行优化,在确定模糊划分区间的前提下训练得到最优隶属度函数,建立最优推理规则库。此外,针对由传感器探测精度有限带来的量测不确定性问题,引入区间型样本数据的模糊分类思想,在完成一型模糊系统构建的基础上,提出一种基于二型模糊推理系统的遗传优化算法,给出由三角型隶属度函数嵌入构造对应二型模糊集的推导过程,设计了满足点值与区间型数值复合输入的二型模糊推理系统,并通过仿真验证该推理系统的可行性。     

Lyapunov自适应滤波及其 在INS/SMNS组合中的应用

为克服在惯导/景像匹配导航系统(INS/SMNS,Inertial Navigation System/Scene Matching Navigation System)组合导航系统中随着匹配点增多最小二乘法易出现发散的缺点,提出了一种基于多输入多输出(MIMO,Multi-Input-Multi-Output)系统的改进型Lyapunov自适应滤波算法.该方法利用观测方程信息,通过定义滤波误差和预测误差获得算法的递推公式,而算法的稳定性和收敛性可由Lyapunov稳定性理论来证明.以INS/SMNS组合导航系统为例进行了仿真验证,和递推最小二乘算法相比该算法简单、可靠,而且滤波的性能优于递推最小二乘算法.     

复杂交通场景中多运动目标分割算法

针对室外复杂交通场景中多运动目标分割问题,提出了一种由变化检测和运动分割组成的算法,利用水平集算法对帧差图像进行变化检测得到运动窗口,在运动窗口范围内进行改进的k-均值聚类分割,利用运动相似性进行分割区域融合.算法避免了整个图像的分割,减少了运算量,完整的分割出运动目标.试验结果表明,算法不仅能从复杂交通场景图像序列中有效的检测和提取出运动目标并有很强的鲁棒性,而且能够解决运动目标的遮挡问题.      

视觉导航中陀螺仪辅助特征点匹配算法

为了解决视觉导航中无摄像平台条件下特征点匹配不准确的问题,提出了一种利用导航系统中陀螺仪输出辅助进行特征点匹配的方法.构建了陀螺仪角速度输出与特征点坐标变化之间的关系,分别采用相关系数匹配和双向匹配进行特征点匹配和匹配检验,通过插值计算得到亚像素精度的匹配结果;分析了该方法的各种误差来源,并对陀螺仪输出误差和摄像机焦距误差的影响大小进行了分析.实验表明:相对于SIFT(Scale Invariant Feature Transform)方法,此处提出的匹配方法准确性有了较大提高,并且在原系统基础上不需要增加额外设备,具有较好的实用性.     

着陆避障中双目立体匹配方法与仿真

摘要： 在着陆避障过程中，利用双目相机拍得的图片进行立体匹配得到稠密的地形高程图是一种有效的方式.文中对绝对误差之和(sum of absolute differences, SAD)、全Census变换以及稀疏Census变换立体匹配方法原理进行说明，针对SAD算法无法处理左右图像亮度不一致的情况提出了对匹配窗口进行灰度规范化以及加入LOG滤波的改进措施，并且对上述方法分别应用数据库图像和沙盘拍图进行仿真测试及比较，从匹配错误率和实时性的角度分析各算法在地外星体着陆这种特殊场景中的使用性能.     

大场景深度范围下的角度校验立体匹配算法

针对三维扫描系统开发过程中遇到的大场景深度范围下标志点误匹配率较高的问题,对基于单应性约束的双目立体匹配算法进行研究,从理论上推导出匹配误差与场景深度和工作距离比值间的数学关系,明确该算法的适用条件。为提高场景深度与工作距离比值较大时的匹配正确率,提出一种基于角度校验的双目立体匹配算法,首先通过极线约束获得初始匹配点对,然后通过计算角差异度校验得到最终正确匹配点对,实验表明所提出的方法能够达到良好的匹配效果。     

基于支撑描述的SIFT匹配方法

为减少局部结构相似等因素导致的图像匹配错误,提出一种基于支持描述的匹配判定方法.利用尺度不变特征变换（SIFT,Scale Invariant Feature Transform）算法获得初始匹配集,选取其中稳定性较高的特征点对建立支撑特征集;根据支撑特征点的分布,对初始匹配集的剩余特征点对进行支撑描述,并根据所生成支撑描述符的相似程度,判定剩余特征点对是否为正确匹配.经判定正确的匹配特征点对被加入支撑特征集,使支撑特征集动态扩展,保证了支撑特征点的分布密度及支撑描述的准确性.实验结果表明,该方法能够在保留正确匹配的同时,消除90%以上的错误匹配,有效提高正确匹配率.      

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法——加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.