借助弱纹理匹配的TEDS车底故障区域定位算法

针对当前动车组运行故障动态图像检测系统(trouble of moving EMU detection system,TEDS)故障识别准确率低的问题,本文提出一种借助弱纹理匹配的动车底部潜在故障区域定位方法。首先,采用拓扑交叉数检测大量弱纹理区域特征点;然后,以特征点为中心的环形区域内各像素点的拓扑交叉数值筛选特征点,构建相应特征向量进行弱纹理特征匹配;最后,对配准后的图像进行比对定位潜在故障区域。实验结果表明,该算法保证了匹配精度,能检测出大部分潜在故障区域,弱纹理区域的特征匹配准确率超过80%且所有图像对均存在特征匹配对,为以后的精准故障分类提供了有利条件。

基于深度学习的宽基线弱纹理影像匹配研究

为了解决宽基线弱纹理影像匹配中的挑战性问题,本文深入研究了基于深度学习的匹配方法。首先,设计了宽基线弱纹理影像匹配的完整流程,包括几何纠正、粗等级匹配预测和最终匹配等关键步骤。在几何纠正方面,本文采用了一种有效的影像配准方法,以纠正由于摄影角度和地形变化引起的几何畸变。接着,通过引入深度学习模型,实现了对宽基线弱纹理影像的粗等级匹配预测,为后续精细匹配提供了可靠的初值。在最终匹配阶段,本文提出了一种结合传统特征和深度学习特征的综合匹配算法。研究结果表明,应用本文方法进行宽基线弱纹理影像匹配时,匹配正确率均在95.00%以上,显示了该方法在处理具有挑战性的影像数据时的优越性能。

一种改进的地下车库弱纹理下智能汽车即时定位与建图算法

地下车库中纯视觉的即时定位与建图(simultaneous localization and mapping,SLAM)方法无法克服光线不足和弱特征纹理两大不利因素,为此,提出一种基于VINS-Mono框架下改进的视觉惯导融合算法,把原算法中提取Harris角点的方法改进为提取灰度值陡变的像素点,并使用非线性优化方法在初始化阶段进行视觉位姿估计。后端采用滑动窗口的形式建立先验估计残差、惯性测量单元(inertial measurement unit,IMU)残差以及基于灰度值不变原理构建的视觉残差的联合残差模型,进一步提升了系统底层变量的优化效果,从而提高算法的定位准确度。通过基于EuRoc数据集的仿真实验和地下车库实际场景的实车实验,验证了所提算法的鲁棒性和精确性。

基于单目视觉边缘频谱的散焦图像测距算法研究

为了实现基于单目相机的弱或无表面纹理特征目标精确测距,提出了一种基于保留边缘频谱信息的改进散焦图像测距算法。通过对比以傅立叶变换和拉普拉斯变换为计算核心的两种经典散焦测距理论,构建相应的清晰度评价函数,根据灵敏度更好的频谱清晰度函数选择基于频谱的散焦测距法,并根据频谱清晰度函数在保留目标边缘信息的基础上选择频域计算范围,从而进行测距。为验证算法的可行性,本文采用6组不同的鸭蛋样本,获取不同光圈、不同距离的散焦图像,利用该改进算法求解鸭蛋到相机镜头的距离。实验结果表明,基于边缘频谱保留的散焦图像测距改进算法具有良好的测距效果,相关系数为0.986,均方根误差为11.39 mm,并发现对于斜放拍摄的鸭蛋图像进行图像旋转处理后,可有效地提升测距能力,均方根误差从11.39 mm下降至8.76 mm,平均相对误差从2.85%下降至2.28%,相关系数提升至0.99。基本满足了弱或无表面纹理特征目标测距的稳定、精度等要求。