一种基于陨石坑拟合椭圆的着陆器位姿估计算法

针对星际着陆自主导航问题,提出一种利用陨石坑边缘曲线估计着陆器位姿的简便算法。该算法首先利用至少3条陨石坑边缘曲线及其对应的像曲线,建立关于着陆器位姿的几何约束方程;然后由克罗内克积和最小二乘算法,求取着陆器位置、姿态的解析解。该方法的优点在于,计算过程简单、快速。仿真结果表明,该算法可以较精确的估计着陆器位姿,鲁棒性好。     

一种基于自动特征学习的陨石坑区域检测算法

基于陨石坑的视觉导航技术成为一种新颖的高精度空间探测自主导航方式,如何从导航图像中精确地提取陨石坑区域是实现基于陨石坑视觉导航的首要条件。针对这一问题,根据陨石坑导航图像特点,提出了一种基于自动特征学习的陨石坑区域检测算法。首先,基于最大稳定极值区域检测算法提取陨石坑候选区域;其次,利用卷积神经网络（CNN）自动学习提取候选区域的特征;最后,通过支持向量机（SVM）实现候选区域的精确分类,得到真实的陨石坑区域。大量的仿真实验表明:与传统的基于人工特征的陨石坑区域检测算法相比,提出的基于自动特征学习的陨石坑区域检测算法具有更高的检测精度和更好的鲁棒性,在通用火星表面陨石坑数据集上,所提算法的F₁度量指标较于传统算法高出8%,可以广泛地应用于基于陨石坑的视觉导航算法中的陨石坑区域提取,为基于陨石坑视觉导航算法提供精确的导航路标输入。      

一种基于多尺度边缘的图像融合算法

给出了一种只利用源图像多尺度边缘点进行融合的图像融合算法.该算法分为三步:首先, 对源图像进行多尺度边缘检测;其次,采用边缘相关性最大的融合准则对源图像的多尺度边 缘进行融合,得到融合图像的多尺度边缘;最后,由融合图像的多尺度边缘重构 出融合图像.该算法融合过程中计算量小,融合图像中最大程度地保留了源图像的边缘信息 ,在一定程度上对融合图像进行了压缩,从而减小了数据存储所占用的资源以及数据传输占用 的带宽.仿真结果表明,用该算法得到的融合图像能有效包含源图像的信息.      

一种面向空间飞行器视觉导航的椭圆检测算法

基于椭圆特征的空间飞行器视觉导航技术是一种新颖的高精度空间探测自主导航方法,如何对空间目标的环形边缘进行精准提取和高效拟合是实现空间飞行器视觉导航的必要条件。针对该问题,提出一种面向空间飞行器视觉导航的椭圆检测算法。利用多项式逼近导航图像连续边缘段的方式提取椭圆弧段;通过基于极大似然假设检验理论构建的模型选择判据,对来自同一个椭圆的椭圆弧段进行准确合并;对合并后的椭圆弧段进行拟合,得到空间飞行器视觉导航的椭圆检测结果。大量的仿真实验表明：与传统的椭圆检测算法相比,所提算法具有较高的精度和更高的鲁棒性,可以广泛应用于空间飞行器视觉导航图像椭圆检测,为空间飞行器视觉导航算法提供精准的二次曲线输入。     

基于边缘对称性的视频车辆检测算法

针对现有视频车辆检测算法受光照、阴影等环境因素影响大,漏检和误检率高的问题,提出了一种视频车辆检测算法.有别于传统算法使用运动特征进行车辆检测,该算法使用边缘特征和对性特征定位车辆.算法首先对图像进行灰度化、平滑去噪等预处理,使用Sobel算子垂直方向掩模计算图像感兴趣区域内的边缘梯度,确定候选区域;而后根据车辆图像垂直边缘具有对称性的特点,分析候选区域的对称性强弱,并计算其对称轴位置和车辆宽度.使用边缘强度、对称性和宽度这3个约束条件对候选区域进行验证.道路实验结果表明,该检测算法有效、可靠,具有良好的鲁棒性.      

基于跨尺度特征聚合网络的多尺度行人检测

行人的空间尺度差异是影响行人检测性能的主要瓶颈之一。针对这一问题,提出了跨尺度特征聚合网络（TS-FAN）有效检测多尺度行人。首先,鉴于不同尺度空间呈现出的特征差异性,引入一种基于多路径区域建议网络（RPN）的尺度补偿策略,其在多尺度卷积特征层上自适应地生成一系列与其感受野大小相对应的候选目标尺度集。其次,考虑到不同层次卷积特征在视觉语义上的互补性,提出了跨尺度特征聚合网络模块,其通过横向连接、自上而下路径和由底向上路径,有效地聚合具有语义鲁棒性的高层特征和具有精确定位信息的低层特征,实现对卷积层特征的增强表示。最后,联合多路径RPN尺度补偿策略和跨尺度特征聚合网络模块,构建了一种尺度自适应感知的多尺度行人检测网络。实验结果表明,所提方法与当前一流的行人检测方法TLL-TFA相比,在整个Caltech公开测试数据集上（All:行人高度大于20像素）的行人漏检率降低到26.21%（提高了11.94%）,尤其对于Caltech小尺寸行人子数据集上（Far:行人高度在20~30像素之间）的行人漏检率降低到47.30%（提高了12.79%）,同时在尺度变化剧烈的ETH数据集上的效果也取得显著提升。      

一种基于区域划分的改进ORB算法

针对传统ORB算法所提取的特征点分布不均匀、存在冗杂,且不具有尺度不变性的问题,提出了一种基于区域划分的改进ORB算法。算法根据需要提取的特征点总数和所划分的区域个数计算每个小区域需要提取的特征点个数,解决了在特征点提取过程中特征点重叠和特征点冗余的问题;通过构建图像金字塔,在每一层图像金字塔上提取特征点,解决了ORB算法提取的特征点不具有尺度不变性的问题。实验结果表明:在不损失图像匹配精度的同时,所提算法提取的特征点更加均匀合理,在提取速度上也较传统ORB算法提升了16%左右。      

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征,传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究,且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象,结合图像处理和神经网络等方面的知识,创建了来自不同数据源的陨石坑样本数据库,研究了数据源对网络模型泛化能力的影响,提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上,提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证,构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率,在同源验证集上识别率可达0.985,在异源验证集上识别率可达0.863,并且有效改善了目标检测时检测框冗余及误检测的问题。      

基于拉普拉斯边缘增强的SAR影像水体提取研究

在深度学习水体提取中;存在卷积神经网络对低级语义特征识别效果不佳的问题;比如对小型湖泊、细小河流识别不到。针对此问题;提出了一种基于拉普拉斯（Laplace）边缘增强的水体提取方法;通过拉普拉斯算子对预处理后的SAR(Synthetic Aperture Radar)数据集进行卷积操作;生成拉普拉斯边缘特征层;再将原始图像与生成后的边缘特征层进行融合得到边缘增强后的SAR数据集;使水体边缘更加清晰;在此基础上再利用DeeplabV3+和U-net两种语义分割模型进行水体提取。实验表明;相较于无处理的DeeplabV3+和U-net模型;经过Laplace算子处理后的两种模型对不同地区的水体提取效果均有提升;其中;经过Laplace算子处理后的U-net模型对大型水体、小型湖泊以及细小河流的提取效果最佳。     

基于最小二乘法的椭圆拟合改进算法

基于最小二乘法研究了一种改进的椭圆拟合算法.最小二乘椭圆拟合算法,由于包含误差较大样本点在内的所有样本点都参与运算,所以会对椭圆拟合的最后结果产生偏差.针对这种情况,采用随机理论的思想,先随机选取6个点拟合椭圆,然后计算与此椭圆匹配的所有样本点个数.重复此过程一定次数,采用投票机制,匹配样本点多的椭圆即为最优椭圆,构造了一种快速准确剔除误差较大样本点的改进椭圆拟合算法,并在实际图像应用中验证了算法能够有效地处理包含有较大比例误差点的样本空间,拟合出具有高精度的椭圆,并且算法的速度能够满足实时性的要求.      

激光测高仪回波分解算法

开发了一种激光测高仪回波基本信息提取算法,对回波数据进行了高斯波分解,获取了高斯波分量的个数,及每个高斯波分量的波中心位置、宽度和幅度等参数.该算法首先根据回波拐点的数目和位置确定出高斯分量的个数及每个高斯分量的波中心位置和宽度初始值,随后利用线性最小二乘法计算出每个高斯分量的幅度,最后将经过选择和标记的高斯分量针对实际回波采用Levenberg-Marquardt方法进行拟合,得到优化后的高斯波基本参数.通过这些基本参数信息,能够进一步推导出激光测高仪光斑内各个反射表面的垂直分布、起伏程度和反射率等基本信息.     

基于相对最值点的最小二乘直线检测方法

为了解决传统目标检测中遇到的检测速度慢、精度低等问题,本文提出一种新的图像特征——相对最值点,并依据相对最值点提出一种新的最小二乘直线检测的方法。该方法首先搜索Canny边缘的闭合包络,并寻找闭合包络的相对最值点。包络上相邻相对最值点之间长度满足阈值要求的即为疑似直线的两端点,进而利用最小二乘拟合方法获得该疑似直线的拟合方差,最后利用拟合方差与拟合直线长度之比作为直线判定的标准用来检测出图像中的直线。实验表明,本方法与传统方法如PPHT直线检测、LSD直线检测方法等相比,检测直线的精度更高,检测速度更快。     

空间目标快速轮廓特征提取与跟踪技术

为满足空间目标交会对接任务中高精度、快速的测量要求,提出了一种空间目标快速轮廓特征提取与跟踪技术。该算法首先从初始帧图像中分割定位目标所在局部区域,作为目标连续跟踪的初始值;其次基于初始帧目标局部区域完成对初始帧目标边缘特征的检测及细化处理;最后采用Hough变换完成对初始帧目标边缘的检测及细化后的局部图像轮廓直线的提取,分别选取目标轮廓四方向最优的直线参数作为最终目标轮廓直线获取的效果,并采用梯度最大法则实现两两求交获取的轮廓特征的优化提取。在目标逼近过程中,结合相邻帧图像间目标尺度动态变化的关联性,根据初始帧提取目标轮廓特征的先验信息,确定目标在第二帧图像中的轮廓位置,并依次根据上一帧图像的轮廓位置信息定位目标在当前帧所在的区域,通过局部处理实现序列图像轮廓区域特征的连续跟踪。该算法无需遍历整个图像,所需处理的目标区域大幅减小,能够有效克服由目标图像较多边缘干扰导致的轮廓提取效果差及处理速度慢的缺点,具有速度快、准确性强、稳定性高等优点。     

一种自适应观测器设计和故障检测方法

利用模糊系统和径向高斯函数网络,设计一种具有自适应能力的模糊神经网络.用高斯函数表示模糊规则前件的隶属度函数,然后,构造一种递阶自组织在线学习算法,从输入输出样本数据中,通过学习提取模糊IF-THEN规则;在此基础上,提出一种非线性时变系统的自适应状态观测器设计和故障检测方法,并对其结构及特征进行了讨论,仿真结果表明,这种自适应状态观测器能很好地观测系统的状态,并能有效地应用于系统的故障检测.     

基于小波的非线性模型的孔探图像压缩

针对涡轮发动机内部图像细节丰富的特点,为了实现在高压缩比下对细节信息的保留,以不影响发动机内部故障检测,采用小波域的非线性表示和建模方法,利用多尺度边缘检测对边缘进行定位,通过轮廓加剖面模型在定位的边缘进行边缘影响区域划分;之后通过阈值将边缘影响区域进一步划分为较重影响系数区域与较轻影响系数区域,在不同区域应用不同的编码质量控制,从而实现了一种基于小波着重于边缘的图像编码系统.实验结果表明,与一般的小波图像压缩方法相比较,在不同的压缩率下,峰值信噪比均得到小幅度的提高,并且从视觉感官上也得到较好的效果.      

基于边缘与颜色信息的车牌精确定位算法

针对现有车牌定位算法定位率不高和速度慢等问题,结合数学形态学,提出了一种基于车牌边缘检测与颜色信息的精确定位算法.首先对图像进行灰度化、平滑去噪及灰度拉伸等预处理,然后对图像进行垂直边缘检测和二值化处理;再采用线过滤算法滤去干扰边缘线信息,并利用车牌区域灰度变化次数多的特性定位出车牌上下边缘;对经过上下边缘定位后的车牌采用点密度过滤算法滤去零散点,接着采用数学形态学方法寻找连通域粗定位出车牌区域;最后对粗定位车牌在HSV空间进行颜色分割和倾斜矫正,从而精确定位出车牌.实验结果表明,该算法能够实现车牌的快速精确定位.      

具有方向特性的X角点的亚像素检测定位

X角点被广泛应用于相机标定与可见光视觉跟踪系统,不仅具有位置信息,还可以具有方向信息.针对X角点的精确位置检测和方向检测,提出了一种利用X角点对称性的检测与定位算法——对称性计算算子(SC,Symmetry Calculation),简称SC算子.该算法主要由两部分组成.先利用对称性计算值确定X角点像素位置,然后基于二次曲线拟合及直线相交求亚像素位置.通过角点定位实验,仿真分析高斯噪声和畸变对定位精度及鲁棒性的影响,并与Harris算法及Micron Tracker系统进行比较.实验表明,本文方法能有效检测X角点,排除其他类型的角点和干扰点,具有较高的定位精度和鲁棒性.      

基于小波变换的多方位角SAR图像融合方法

针对目标散射特性空变效应以及多方位角图像信息冗余的问题,提出了一种基于小波变换和边缘检测的多方位角SAR图像融合方法。首先,将图像进行小波变换,完成低频信息和高频信息的分离,实现图像的多分辨表征及序贯图像多方位角信息的融合;然后,利用改进的Robinson算子增强图像的轮廓特征;最后,融合实验和定量评估结果证明了本文所提融合方法的有效性。     

基于小波的航空发动机叶片孔探损伤检测

发动机孔探技术是航空发动机内部故障检测的重要技术,而叶片损伤则是发动机内部的一种常见损伤.针对发动机叶片损伤的特点,通过对损伤模型的分析,应用SUSAN(Smallest Univalue Segment Assimilating Nucleus)边缘检测算法对叶片损伤进行定位,应用小波变换对孔探图像进行分解,得到不同位置处的不同频率分量.并根据损伤模型的分析通过已定位的损伤位置来确定损伤法线方向的频谱分量,计算出损伤处除直流分量之外的其它频率分量的频谱能量,从而依据损伤频谱能量检测并估计发动机叶片的损伤.实验结果表明,应用此方法可以定量检测并估计航空发动机叶片表面损伤情况,为检测并估计发动机叶片损伤提供了理论和实践依据.