双目立体视觉中的一种运动目标检测算法

运动目标的检测是计算机视觉研究领域中的一个重要组成部分,传统的基于单目视觉的目标检测算法要么受环境因素的限制较大,要么收敛速度较慢,还难以解决多个运动目标部分遮挡的问题。针对以上存在的问题,本文在目标检测中采用了立体视觉方法。用双目摄像机对图像进行拍摄获取立体图像序列对,然后对立体图像对运用立体视觉方法进行分析。实验表明该方法能正确检测到运动目标,不受光线变化和阴影的干扰,并且在运动目标发生部分遮挡时仍能正确区分各目标。     

月球探测器自主软着陆中的三维重构技术研究

为了使月球探测器自主的在月球表面进行软着陆，应对着陆区域的地形进行三维重构的方法，获得着陆区域的地形描述。提出了一种通过运动获得长基线的立体视觉的三维重构方法，针对长基线立体视觉方法所存在的问题，通过设计一系列的算法，完成了图像特征点选取和匹配，估计相机在不同位置的相对旋转和位移；对立体图像对进行校正，获得稠密的视差图；通过视差图进行三维重构，生成着陆区域的DEM。根据月球地形的特点建立了软件仿真平台，并且在仿真平台的基础上对文中的算法进行验证。仿真的结果表明该方法可以有效的应用于月面地形的三维重构。     

单视角立体成像技术研究

立体成像是获取目标三维轮廓信息的有效方法。目前,在航天航空领域立体成像方法主要包括：基于立体视觉原理的三线阵成像方法和主动式激光测距立体成像方法。这两种成像方式由于对平台要求较高或者无法得到目标的灰度图像而存在相应的缺陷。文章研究了一种新的单视角立体成像技术。通过对该技术的研究认为,单视角立体成像技术能够实现单台相机单...     

一种非合作目标相对位置和姿态确定方法

针对非合作目标中的从星若无法获得主星的动态信息时,就无法自主进行相对位置和姿态确定的问题,提出了一种采用陀螺、立体视觉系统和加速度计的相对状态确定方法。首先分别建立相对姿态方程、主星动力学方程和相对位置方程等系统的数学模型。然后根据这些方程组成的状态方程和立体视觉系统的测量模型设计了卡尔曼滤波器。该滤波器使得从星根据加速度计、陀螺和立体视觉系统的输出,在仅获得主星的外观特征和一些静态参数的情况下,能够自主进行相对位置和姿态的确定。最后,数值仿真结果表明,在相同仿真条件下,与使用主星陀螺信息的相对状态确定算法相比,该算法能够自主进行相对状态的确定,且位置和姿态稳态误差分别为0.05m和2°。     

月球车视觉系统的一种匹配算法

针对月球车立体视觉系统对匹配速度和准确度要求较高的特点，提出了一种基于特征约束的区域匹配算法。该算法用多尺度小波变换实现边缘提取和降噪，采用多特征匹配、双向匹配、部分二次采样、选取图像子集等技术保证匹配的速度和精度。最后对匹配结果进行滤波，进一步提高匹配的准确性。     

利用着陆器立体视觉对月面巡视探测器定位

在月面巡视探测器漫游过程中,需要测量月面巡视探测器的位置和姿态信息,以使巡视探测器行驶在规划好的路径上,并确保其安全。定位系统可以采取多种方式。在文章中,利用着陆器立体视觉系统对月面巡视探测器定位方法进行了研究,它采用立体视觉测量技术以及彩色图像分割的方法,进行跟踪测量月面巡视探测器位姿信息,能够对惯导系统加里程计的定位方法进行修正,减小月面巡视探测器的计算工作量。在定位方法的研究中,采用彩色图像分割方法对月面巡视探测器进行识别,能够适应变光照条件,并且运算速度快,达到实时图像伺服控制的目的。通过月面巡视探测器上制作特征点及采用基于四边形约束的特征点匹配方法,提高了图像匹配概率。通过卡尔曼滤波技术,能够满足任意时刻的月面巡视探测器定位要求。     

月球车立体视觉的一种标定与三维重建算法

为提高月球车视觉系统的摄像机标定和图像的三维重建精度,提出了一种基于多平面标定点的改进Tsai氏两步法,用线性重建算法对标定和匹配结果进行空间景物点的重建,根据最小二乘曲面拟合原理拟合视场区域的基本轮廓。对一标定模板的标定和图形的三维重建结果表明,该算法的精度高、速度快,可用于月球车立体视觉系统。     

基于立体视觉的航天器相对位姿测量方法与仿真研究

空间目标的相对位姿测量,是进行交会对接、绕飞监测、编队飞行等的前提.提出了基于立体视觉的方法,包括图像滤波、分割、连通区域标记、3D重建、相对位姿计算等步骤.并建立了仿真系统,该系统基于VC环境,将追踪星、日标星的3D几何模型、姿态动力学模型、相对轨道动力学模型、控制器/执行机构的数学模型,以及立体相机的成像与采集模型集成一体,可进行全闭环的仿真.仿真结果验证了算法的有效性.     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

地球同步轨道目标物深度学习检测方法

针对欧空局SpotGEO竞赛中地球同步轨道目标物的检测问题,提出面向低精度CCD空间图像的深度学习检测方法。在图像预处理环节,分别采用高斯过程回归和模板匹配实现前景/背景分割和多帧图像配准。根据地球同步轨道物体的运动特征,采用拓扑扫描提取候选目标物。在此基础上,提出一套基于深度学习的目标物筛选方法。该方法利用卷积神经网络,依次对拓扑扫描前后候选目标物进行筛选,显著减少噪声点数量,提高检测效率。仿真结果表明,该方法达到98%的目标检测准确率,适用于存在光污染、云层遮挡等干扰的复杂环境。