规则图像特征的标准互相关相似函数

利用标准互相关算子对机器视觉领域常用的十字图像特征进行匹配运算,发现相似函数在峰值区域的分布特征为4个互相对称的双曲面.受此启发,对规则几何图像特征(如矩型、圆型等)的标准互相关相似函数展开了研究.以图像特征概率分布的形式给出了NCCO算子在二值图像匹配下的相似函数计算式.推导并证明了矩型、圆型等典型图像特征相似函数在峰值点区域具有确定的数学模型.基于上述数学模型,在微装配显微视觉系统上进行了实验验证,对模板优化、图像特征的尺寸等优化方法进行了探讨.上述结论对图像定位、图像标定、图像跟踪等技术研究具有实用价值.      

已知初始匹配对的图像四元松弛匹配算法

提出了已知初始匹配对的四元松弛匹配算法,该算法以向量旋转角的旋转和缩放不变性特征作为匹配对的优化准则,首先计算向量旋转角度差值,然后通过构造支持度函数和剔除策略选出最优匹配对.在初始错误匹配比例较高和游动误差较大的情况下能够实现正确匹配.通过大量图像实验证明,该算法在匹配速度和正确率上优于桑农松弛匹配算法.     

一种基于三角形重投影的虚拟视角合成

相比较传统的视角插值合成方法只能在基线上合成虚拟图像,提出的一种基于三角形重投影的虚拟视角合成方法,可以在已知少数几个匹配点的情况下,将场景内容自动迭代划分为一致和非一致三角形区域,通过不同策略的三角形重投影实现更加自由的视点的虚拟图像合成.划分过程中引入直线段约束可以解决直线纹理在三角形接缝处的畸变问题,保证最后的合成图像中场景表示在此处的连续性.利用设计的可信度函数,沿一定搜索路径可找到更多的新匹配点,从而带来更多的一致三角形区域.将此方法应用到虚拟彩色图像的合成,实验结果证明了此方法可以在更大视点范围内合成逼近于真实图的虚拟图像.     

新型快速传递对准方法

针对惯性导航系统的动基座传递对准问题,提出了速度加姿态加角速率组合匹配法.用来自主、子惯导的3组参数信息作观测量,通过卡尔曼滤波法迅速准确地估计出失准角及安装误差角等状态量,以便精确地对子惯导系统进行初始化.根据传递对准的基本原理,设计了载体结构挠曲运动统计模型,建立了状态方程及量测方程.同条件仿真结果表明:这种方法与速度加姿态匹配和速度加角速率匹配的对准精度相当,但估计速度约为这两种方法的2倍.可用于机载或舰载战术导弹武器系统,有效减小导航误差和制导误差.     

微型飞行器的GPS-图像复合导航技术

根据微型飞行器的飞行特点,设计了一种能有效提高图像匹配速度的复合导航算法,即GPS-改进图像相关法,利用GPS传感信息与图像信息相结合,快速而准确地引导微型飞行器到达目的地.为了进一步减少匹配时间,提高匹配效率,同时保证一定的匹配精度,文中设计了先粗后精的分层匹配控制策略.仿真结果表明,该算法相对于传统相关匹配法,不仅保持了很好的匹配率,还有效地提高了匹配的速度,运行于4-DSP系统平台上,完全达到系统实时性的要求.     

序列图像中直线边缘快速提取和匹配

针时飞行器视觉导航等实时性较强的应用,给出了一种在航空序列图像中进行直线边缘快速提取和匹配的方案。在提取直线边缘时,运用了当前速度较快的邻接元素标记方法,从而提高了直线边缘提取速度。而在时直线边缘进行匹配时,给出了一种分三步走的方案,并提出了一种能够有效降低噪声影响的度量方式。首先选择3条直线边缘作为参考模型,在直线边缘的方向、位置以及物理特性的约束下构建候选匹配基,然后在基于矢量技术的基础上确定与参考模型基相对应的匹配模型,在此基础上再确定其他直线边缘之间的对应关系。试验结果表明,本文的直线边缘匹配方法比现有的方法速度提高了30倍以上,能够有效地满足一些实时性较强的应用。     

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。     

小型螺旋桨飞机动力装置特性试验研究

小型螺旋桨飞机的动力装置一般由活塞式发动机和螺旋桨两个主要部分组成。本文用实验验证和理论计算的方法,研究了活塞式发动机和螺旋桨性能传统的估算方法所得到的数据与实测结果之间的偏差,并进一步研究了发动机和螺旋桨性能参数的不同匹配对整个飞机动力装置特性的影响。研究结果表明,传统的估算方法对于装小型活塞式发动机的螺旋桨飞机也是适用的。用传统的估算方法所得到的各种性能数据与实验测试数据比较,相对误差的最大值均低于１０％,这对工程应用来说,是可以接受的。文中还用试验数据和试飞实例说明了对动力装置匹配参数加以优化的重要性。     

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。