基于改进SURF的增强现实图像匹配方法

针对传统增强现实图像匹配算法鲁棒性不强且效率不高的问题,提出一种改进的SURF匹配算法。首先,使用SURF算法进行特征点检测,并通过Haar小波模板确定特征主方向,在得到特征主方向后构建特征描述符;由于传统SURF算法采用高达64维的矩形描述符,导致算法的计算量非常大,并且鲁棒性不强。因此,该文使用DAISY圆形描述符替代原始算法中的矩形描述符,DAISY是三层同心圆结构,每层包含8个采样点,可以得到25个维度的描述符,这种结构使得算法的鲁棒性大大增强并且降低了计算复杂度;接着,使用特征描述符计算欧氏距离进行特征点匹配;最后,对得到的匹配点集使用随机抽样一致(RANSAC)与三角不规则网络(TIN)算法进行优化,剔除误匹配点。实验结果表明,该算法虽然略微增加了时间复杂度,但鲁棒性变得更强,并且算法的效率和匹配精度也大大提高,平均精度达到了95%以上。

基于改进YOLOv7的织物疵点检测算法

针对织物疵点检测方式大多为人工操作且检测耗时、背景复杂、所含疵点种类繁多等问题,提出一种改进YOLOv7算法的轻量级检测方法。首先,在主干和颈部引入FasterNet结构,在保证检测精度的同时又降低网络参数量;其次,为减少位置信息丢失,在特征提取阶段引入CA注意力模块,以提高网络的表达能力;最后,引入新的损失函数Focal-EIoU,将Focal与EIoU相结合,提高疵点的分类和定位精度。通过对构建的含有6种疵点的面料数据集进行测试可以看出,相比于原算法,所提算法计算量GFLOPS降低至38.6,参数量降低6.14×10^(6),平均精度均值提高4.6%,漏检率降低5.5%,帧率达到63.2帧/s。

点云数据的补全与精简算法研究

随着三维点云技术的不断成熟,目前许多企业将其应用到了货物管理中。但在点云获取中设备会因为外界原因(光照、温度等)导致数据不完全(点云空洞),而且获取初始点云数巨多,降低了后期点云处理效率。提出了对点云的一种预处理,既要获取完整目标物的曲面特征,也要对点云进行高效地压缩。首先对原始点云进行条件滤波和统计分析滤波去噪,然后提出了一种由统计分析和三角格化结合的点云补全算法,最后将补全的点云使用改进的曲率精简法对点云进行处理,并将方法与其他方法做了对比实验。实验结果表明,方法可以将孔洞点云补全,保留货物平面特征和边缘细节信息,降低点云存储空间,为后期对点云处理提高效率有着重要意义。其中,补全算法使补全后的点云与补全之前的点云的最近点平均距离小于0.0004 m,点云精简算法的精简率可达到90%。