对光照鲁棒的道路边缘检测算法

针对在光照变化和强阴影干扰条件下的道路边缘检测问题,提出了一种对光照鲁棒的道路边缘检测算法。该算法结合导向滤波和抗阴影特征提取器,首先,采用导向滤波对图像的边缘进行增强,减少背景噪声干扰;其次,利用抗阴影道路特征提取器提取道路粗边缘轮廓;最后,采用模糊连通性分析,结合道路边缘全局信息将道路边缘分为远、近两部分,对提取的边缘点进行修正,并采用RANSAC进行拟合。实验部分采用ROMA数据集对算法进行验证,实验结果表明,该边缘检测算法的综合性能指标为83.67%,在各种道路条件下,具有较好的鲁棒性和准确性。

单站光测图像中空间目标姿态估计

提出了一种基于单站光测图像的空间目标姿态估计方法。该方法采用Otsu阈值分割方法对空间目标光测图像进行目标和背景分割,利用LSD直线检测算法提取空间目标太阳能帆板的直线特征,结合测站观测空间目标的跟踪信息,采用面面交会方法解算出卫星太阳能帆板中轴线在指定坐标系下的姿态信息,完成空间目标的指向估计。通过仿真验证了所提算法的性能,表明该算法能够有效地实现空间目标在指定坐标系下的姿态估计。

概率框架下多特征显著性检测算法

显著性检测是计算机视觉的一项基础问题,广泛地用于注视点预测、目标检测、场景分类等视觉任务当中.为提升多特征条件下图像的显著性检测精度,以显著图的联合概率分布为基础,结合先验知识,设计一种概率框架下的多特征显著性检测算法.首先分析了单一特征显著性检测的潜在缺陷,继而推导出多特征下显著图的联合概率分布;然后根据显著图的稀有性,稀疏性,紧凑性与中心先验推导出显著图的先验分布,并使用正态分布假设简化了显著图的条件分布;随后根据显著图的联合概率分布得到其极大后验估计,并基于多阈值假设构建了分布参数的有监督学习模型.数据集实验表明:相比于精度最高的单一特征显著性检测方法,多特征算法在有监督和启发式方法下的平均误差降低了6.98%和6.81%,平均F-measure提高了1.19%和1.16%;单幅图像的多特征融合耗时仅为11.8ms.算法精度较高,实时性好,且可根据不同任务选择所需的特征类别与先验信息,能够满足多特征显著性检测的性能要求.

一种基于局部特征索引结构的目标跟踪方法

提出了一种基于局部特征索引结构的目标跟踪方法,将BoVW(视觉词袋)引入到跟踪方法中。构建了一种不依赖于具体特征类型的目标跟踪方法,较好地解决了实际应用特征描述子在进行相似度度量时的计算和度量问题。再通过对误匹配特征的剔除和未匹配特征的关联预测,提高跟踪的准确性与鲁棒性,最后对目标区域前景特征进行分离并对目标区域进行最优更新,得到更为精确的跟踪结果。

基于空间约束的非重叠视场相机精确标定方法

针对现有的非重叠视场多相机系统标定方法复杂的问题,提出了一种基于空间约束的非重叠视场相机精确标定方法。将多个小靶标分布在各自相机的视场中,拼接成大的标定平面,采用大视场相机对固连靶标进行平面测量,求得标定板之间的位置关系,作为相机之间的关联参数;通过非重叠视场相机分别获取视场区域中的小靶标,依据空间约束条件,构建相机之间的重投影误差函数,采用Levenberg-Marquardt算法进行非线性优化,获取优化后的非重叠视场相机之间的转换矩阵。实验结果表明,所提出的全局标定方法在X轴和Y轴方向上的重投影误差分别为0.33 mm和0.57 mm,具有较高的精度和稳定性,可以实现非重叠视场相机的精确标定。