基于D-S证据理论的雷达模糊识别研究

针对现代雷达信号的复杂性和模糊性以及信号在时间上的冗余性等特点,将模糊匹配和D-S证据理论相结合.在信号的积累和求取模糊隶属度的基础上,用D-S证据理论对隶属度进行融合,有效地解决了雷达信号识别的不确定性问题,同时充分利用了信号在时间上的冗余信息,提高了雷达信号的识别效果.仿真试验证明了该算法的有效性.     

航拍视频拼图中基于特征匹配的全局运动估计方法

 主要研究了航拍视频拼图中的全局运动估计问题。根据航拍视频成像过程的特点,得出相邻帧之间全局运动的4参数近似变换模型,该模型参数较少,鲁棒性好且计算简单,任意帧之间的变换模型通过“帧到帧”的方式递归获得。提出了一种双向最近邻距离比的尺度不变特征(SIFT)的匹配方法,提取出有效的匹配点,并采用随机采样一致性(RANSAC)方法去除外点和估计全局运动参数。从试验结果可以看出,该方法估计出的全局运动参数精度高,鲁棒性好。     

实现CBERS图像自动几何精校正的地面控制点数据库的设计方法

文章首先介绍自动几何精校正的大致流程 ;然后简要讨论了应用相关系数匹配技术实现地面控制点与待校图像的配准 ;最后详细分析了建立适合CBERS卫星图像自动几何精校正的地面控制点 (GCP)数据库的思路及控制点库的结构与特点     

基于改进ORB-GMS-SPHP算法的快速图像拼接方法

针对传统图像拼接算法存在拼接速度慢、图像拼接有色差等问题,提出了一种基于ORB-GMS-SPHP算法的大视场多图像拼接方法。该方法首先利用高斯函数构建尺度空间,将高斯尺度空间划分为多个网格,在每个网格内借助FAST算法提取尺度空间特征点,使用BRIEF算法提取描述符并匹配,得到更加均匀分布的特征点;然后使用运动网格统计算法筛选匹配点;最后采用SPHP算法融合图像重叠区域,从而得到完整的拼接图像。将改进的ORB-GMS-SPHP算法与现有的传统特征点匹配算法在特征点匹配精度和特征点匹配速度进行对比与评价,验证了该方法特征点匹配速度快、精度高,并且可以保留更多的正确匹配点的特点。将该拼接方法与传统拼接方法在拼接速度、图像配准均方误差RMSE以及视觉主观判断拼接色差进行对比与评价,验证了该拼接方法具有较快的拼接速度、更高的拼接精度和无明显色差。该方法在2 736像素×3 648像素图像中,特征点匹配时间降低至6.463 s,图像配准精度RMSE降低至3.87。实验证明该方法特征点匹配速度快、精度高,且拼接精度高、无明显色差。     

抗旋转和尺度变化的导航系统图像匹配算法

在惯性导航系统中,定量分析了景象匹配过程中惯性导航系统漂移和无线电气压高度表测量误差对实测图的旋转和尺度所造成的影响,引入了对数极坐标变换.基于图像边缘特征提取,提出了一种结合中心点的4-邻域点共同参与计算的抗旋转和小尺度变化的图像匹配算法,并给出了相应的算法流程.仿真分析表明,在导航系统误差漂移所引起的图像旋转和气压高度表所引起的尺度变化范围内,该算法能满足匹配准确性的要求,并能有效给出系统的定位误差修正信息.     

车辆导航系统中超前滞后校正方法

分析了车辆导航系统中超前滞后产生的原因,提出了利用地图匹配MM(Map Matching)进行GPS(Global Positioning System)/DRS(Dead Reckoning System)组合导航系统超前滞后校正的方法.该方法是将超前滞后误差归结为GPS误差,先利用GPS沿道路垂直方向上误差的可观测性进行GPS误差校正,再将校正的GPS信息与DRS信息进行卡尔曼滤波,从而减少组合导航系统超前滞后误差.仿真结果表明上述方法是行之有效的.      

激光治疗鲜红斑痣手术机器人双目视觉系统的实时立体匹配

针对激光治疗鲜红斑痣手术机器人双目视觉系统在监测治疗区域的空间位置时立体匹配的实时性和准确性要求,提出了一种基于极线引导的立体匹配算法。采用基于角点的Hu矩匹配,计算双目视觉系统的基本矩阵。实验结果与计算结果相符。     

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。     

高动态条件下星点像斑建模与补偿

高动态条件下星点提取有两个难点：一是暗弱星点目标湮没在噪声中不易识别,质心定位精度较差;二是星点像斑可能断裂,无法用常用的连通域算法提取。针对上述难点,本文建立了高动态条件下星点像斑模型,提出了基于该模型的像斑补偿与质心定位提取算法。该方法分为四步：第一,利用卡尔曼滤波实现星点像斑静态模板的实时迭代;第二,基于静态模型与星点运动模糊模型建立星点像斑动态模型;第三,以动态模型作为模板在恒星跟踪窗口内进行相关性匹配以确定星点像斑位置;第四,基于动态模型补偿星点像斑,并计算质心位置。实验结果表明,该方法能有效解决高动态条件下暗弱星点提取与断裂残损星点修复问题。相比传统算法,姿态精度误差均值减少了40.9%,最大误差减少了81.2%;星点提取率达到100%,提高174.5%,提取星数相比阈值分割与连通域法提高了173%。