单目SLAM直线匹配增强平面发现方法

针对微小型机器人及无人机系统日益迫切的轻量化视觉导航需求,提出了一种多维几何特征单目视觉三维环境建模方法。单一点特征单目SLAM制图方法地图描述效率相对较低,噪声容忍性能需要进一步提高。将线和面特征引入单目SLAM的三维地图构建过程,提高系统三维空间建模的搜索速度和稳定性。利用快速直线搜索算法,并基于二维直线匹配生成三维空间直线。现有基于三维空间特征点生成最小采样集的J-Linkage算法需要的倾向向量维数较高,完成单目SLAM常见场景三维平面聚类所需的计算量大。通过点线特征结合以及直线增强的J-Linkage算法可以提高特征平面聚类速度和稳定性,减少系统三维空间表达的冗余信息。     

未知环境下移动机器人单目视觉导航算法

提出了一种未知环境下移动机器人单目视觉导航算法,算法包括障碍物检测、单目视觉测距和局部路径规划3部分.为减小光照等环境因素对基于特征的障碍物检测的影响,对彩色图像在HSI颜色空间中用基于像素的直方图比较进行分割,获取障碍物轮廓序列的图像坐标点集.在单目视觉测距中,通过几何关系推导法建立图像坐标系和机器人坐标系间的变换关系,进而实现由障碍物图像位置计算其与机器人间的实际距离.局部路径规划对摄像机梯形视场区域转换后的矩形区域建立模型划分栅格,由障碍物轮廓序列图像坐标和单目视觉测距计算构建障碍物栅格图,并用提出的栅格搜索算法搜索障碍物栅格图,得到机器人安全行驶路径.实际环境中进行的实验结果表明,算法能有效减小反光、阴影等的影响,在未知环境中正确规划出机器人局部可行路径实现导航.      

基于多约束因子图优化的无人车定位与建图方法

针对目前在特定场景下应用的低速无人车定位系统极度依赖全球导航卫星系统（GNSS），存在定位精度不高、漂移误差大、受环境影响严重等问题，提出一种低成本、高精度的无人车定位与建图方法。该方法基于三维激光定位与建图（SLAM）技术。首先，使用点云主成分分析（PCA）实现基于特征匹配的激光里程计；其次，将GNSS位置信息、点云分割聚类得到的地平面和点云聚类特征作为位姿约束分别加入图优化框架，消除激光里程计的累积误差；最后，得到最优位姿和大规模场景的点云地图，以实现无人车的自主定位导航。利用包含大型户外城市街道环境的KITTI数据集对所提出的SLAM算法进行了评估，结果表明:系统在3km运动距离情况下定位偏差可控制在1.5 m以下，在局部精度和全局一致性方面均优于其他里程计系统，为无人车的定位提供了新思路。      

无人机位姿测量的点特征视觉方法

针对无人机在动态环境下快速高精度定位的问题，提出了用单目相机对无人机上的人工特征点进行位姿解算的方法。在无人机上放置一定数量的小型LED灯，并将其作为视觉测量的特征点，并以其中一个点作为原点建立无人机机体坐标系。通过多场景测量确定特征点在机体坐标系下的三维位置，再将三维位置与特征点在图像中的成像位置相匹配，最后使用EpnP算法求解出无人机的位置和姿态。在实验部分，利用三轴移动平台和三维转台，分别对位置解算结果和姿态解算结果进行误差测量。试验结果表明，位置解算误差在2%以下，姿态误差在8%左右。同时，该算法的处理时间在2 ms左右，该算法可以满足无人机对定位的实时性和精度的要求。     

基于先验子图检测的失效航天器SLAM方法

基于激光雷达的航天器位姿估计技术是当前在轨服务研究热点。针对失效航天器位姿估计,将通用的图优化SLAM技术应用到空间非合作目标的研究中。为解决SLAM算法在动态场景中产生累积误差问题,利用失效航天器自身运动特点,提出一种基于先验子图检测改进的SLAM算法。在该算法中,通过激光雷达和惯性测量单元分别采集失效航天器及周围环境的点云数据、服务航天器的运动信息,构建出服务场景下航天器的相对位姿图;再采用先验子图检测方法建立不连续的位姿节点间的约束关系;最后用约束信息对位姿图进行优化。仿真结果表明,相较于通用的SLAM算法的位姿估计,该方法减小了累积误差,提高了相对位姿估计精度,可以为后期的导航、控制等在轨任务提供信息。     

视觉SLAM方法综述

实时定位与建图(SLAM)技术搭载特定传感器,使移动机器人在无任何环境先验条件下,在运动过程中自主建立环境模型来计算自身位姿,大幅提高其自主导航能力,以及对不同应用环境的适应性。视觉SLAM方法以相机作为外部传感器,通过采集周围环境信息来创建地图并实时估计机器人自身位姿。为此,介绍了具有代表性的经典视觉SLAM方法及与深度学习相结合的视觉SLAM方法,分析了视觉SLAM方法中采用的不同特征检测方法、后端优化、闭环检测,以及动态环境下视觉SLAM方法的应用,总结了视觉SLAM方法的问题,并探讨了视觉SLAM方法在未来的热点研究方向和发展前景。     

基于改进关键帧选择的ORB-SLAM2算法

针对同时定位与建图（SLAM）算法精度不高且跟踪易失败的问题，提出了一种改进关键帧选择的ORB-SLAM2算法。通过ORB-SLAM2算法计算帧间相对位姿；在原有算法的基础上，增加旋转与平移量作为判定依据，决定是否创建新关键帧；针对移动机器人所安装的相机与机器人产生相对运动引发误拍摄，导致劣质关键帧生成的问题，设计了劣质关键帧剔除算法；基于RGB-D数据集与自主研发的移动机器人进行了实验验证。实验结果表明:改进的关键帧选择算法能够准确及时地选择关键帧，最优情况下定位误差约为原误差的51.9%，有效消除了相机与机器人之间相对运动产生的影响，直线误差仅为原误差的82.1%。改进算法能够有效提高定位精度，减少跟踪失败。      

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

一种高效的油液磨粒图像自适应分割方法

为了提高油液磨粒图像的分割效果,优化磨粒自动识别工作的重要环节,提出了一种结合分水岭算法及区域相似度合并的油液磨粒图像自适应分割方法。对于待分割图像,首先通过形态学重构和基于形态学的自适应H-minima技术对梯度图像进行修正,利用分水岭算法完成磨粒图像的一次分割;其次提取分水岭分割后同质区域的Lab颜色特征、局部二值模式（LBP）纹理特征作为区域的量化指标,基于Bhattacharyya系数分别计算区域间的颜色、纹理相似度,设计可以实现权重自适应调整的颜色、纹理特征融合规则,以此来获取同质区域的综合相似度矩阵,实现过分割区域的合并;最后基于统一的后处理算法完成磨粒图像的完整分割。选择60幅磨粒图像对所提方法的分割效果进行测试,结果表明,单幅图像的平均分割速度在12 s左右,分割正确率稳定在90%以上,所提方法避免了用户在分割过程中对图像的交互式处理,较好地平衡了分割效率和分割精度,自适应程度明显提高。      

结合多层特征及空间信息蒸馏的医学影像分割

U-Net在医学影像分割领域是目前应用最广泛的分割模型，其“编码-解码”结构也成为了构建医学影像分割模型最常用的结构。尽管U-Net在许多领域实现了非常高的分割准确度，但是存在着计算复杂度高、推理速度慢、运行消耗内存大等问题，导致其难以在移动应用平台部署。为解决这一问题，提出了一种结合多层特征及空间信息蒸馏的医学影像分割方法TinyUnet。该方法使用轻量化的U-Net作为学生网络。考虑到小模型没有足够的学习能力，通过选择合适的蒸馏位置，对多层教师特征图进行蒸馏; 同时加强教师网络深层特征图的边缘，并构建边缘关键点图结构，采用图卷积网络对学生网络进行空间信息蒸馏，从而补充重要的边缘信息和空间信息。实验表明:在3个医学影像数据集上，TinyUnet能够达到U-Net 98.3%~99.7%的分割准确度，但是将U-Net的参数量平均降低了99.6%，运算速度提高了约110倍; 同时，与其他轻量化医学影像分割模型相比，TinyUnet不仅具有较高的分割准确度，而且占用内存更少，运行速度更快。      

基于图像卷积的地图匹配算法

地图匹配定位是一种主流的车载导航定位方法，其以车辆轨迹数据和路网地图为基础，将车辆位置估计输出到路网地图上。该过程可对车辆定位结果进行修正，是车辆导航、交通诱导、交通预测等应用的基础。针对现有地图匹配算法存在的一些问题，如算法流程依赖路口匹配精度，在较大初始误差场景下寻路正确率较低，以及寻路结果错误易影响后续匹配精度等，提出了一种基于图像卷积的地图匹配方法。利用图像卷积方式对比了车辆轨迹与道路的几何特征，以实现匹配定位，从而确保了初始误差较大场景下的匹配精度，并且避免了由寻路错误所引发的相关问题。     

卫星摄影系统象移补偿速高比计算

本文研究了卫星摄影系统象移补偿速高比计算。从飞机上拍摄地面景物时,象移补偿速高此中的速度为地面相对飞机的速度,通常称为地速。但是,从卫星上拍摄地面照片时,如果把速高比中的速度取为地面相对于卫星的速度,则会导出谬误。为此,作者对速高比的定义进行了推广,对于这种拓广的速高比定义,也能适用于从飞机上拍摄地面景物的速高比计算。本文在推导公式过程中,把地球视为旋转椭球体,卫星轨道为椭圆轨道,导出了计算星下点速度和速高比的公式。最后与把地球视为正球体,忽略轨道偏心率的计算结果相比较,速高比的相对误差不超过0.5%。     

一种深度学习分割遥感影像道路的损失函数

传统的根据光谱特征或形态学算法来分割道路，存在精度低、阈值难确定等缺点，而深度学习中已有的方法并未考虑道路的特性，只是利用通用方法来分割道路。针对上述不足，提出了一种针对道路特有形态的深度学习损失函数——形态损失函数。首先使用连通性算法将预测结果划分为若干个相互分离的连通区域，分别计算这些区域的面积与外接圆面积的比值，然后取平均值作为此批训练数据的形态损失函数，最后将形态损失函数按一定的比例与交叉熵损失函数求和，得到最终的损失函数。通过在公开的遥感数据集上使用深度学习网络进行对比试验，附加了形态损失函数后平均交并比（MIoU）、准确度（ACC）及F1 Score均有提高。从预测的图形来看，附加了形态损失函数后，预测的道路更为连续。所提出的形态损失函数可用于提高光学遥感影像道路分割的精度。     

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.      

基于混合稀疏表示的二维压缩感知SAR成像

压缩感知(CS)理论在合成孔径雷达(SAR)成像中应用广泛。针对包含城市、河流等区域的非稀疏场景压缩感知SAR成像, 提出基于近似观测模型的混合稀疏表示(MSR)压缩感知SAR成像方法。该方法将复杂的SAR图像分解成点、线、面, 并将线、面分别通过离散余弦变换和曲波变换转换到稀疏域, 使压缩感知的稀疏性条件得以满足, 通过求解基于近似观测模型的二维压缩感知优化问题重建非稀疏场景的SAR图像。所提方法能够实现降采样率条件下对包含城市、河流等非稀疏场景区域的成像, 仿真场景和实测场景成像结果表明了所提方法的有效性。