基于正交迭代的增量LLE算法

LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.

基于加权加速正交迭代算法的相机位姿估计

单目视觉中的位姿估计是三维测量中的一个关键问题,在机器视觉、精密测量等方面运用广泛。该问题可通过n点透视(PnP)算法求解,正交迭代算法(OI)作为PnP算法的代表,因其高精度的优点在实际中得到了广泛运用。为了进一步提高OI算法的稳健性和计算效率,提出了一种加权加速正交迭代算法(WAOI)。该方法首先根据经典正交迭代算法推导出加权正交迭代算法,通过构建加权共线性误差函数,利用物点重投影误差更新权值,达到迭代优化位姿估算结果的目的;在此基础上,通过自适应权值,整合每次迭代过程中平移向量以及目标函数的计算,减少迭代过程中的计算量,从而实现算法的加速。实验表明,在12个参考点中存在两个粗差点的情况下,WAOI的参考点重投影精度为0.64 pixel,运算时间为8.02 ms,精度高且运行速度快,具有较强的工程实用价值。

基于广义正交迭代算法的立体视觉定位

提出了一种新的基于广义正交迭代算法的立体视觉定位.该算法通过提取CenSurE局部特征和相应的U-SURF描述符,采用SAD方法进行子像素立体匹配,并利用U-SURF描述符匹配进行前后帧图像特征跟踪.在RANSAC框架下对匹配点进行3D-3D运动估计获得了运动参量的初始值.由于3D-3D运动估计使3D点集间欧式距离误差最小,而3D特征点坐标受噪音影响很大,因此运动估计误差也较大.本文把广义正交迭代算法应用到立体视觉定位方法中,得到使立体相机目标空间共线性误差最小的运动估计参量,由于共线性误差比3D-3D运动估计算法中的共点误差受噪音影响更小,从而大大较少了运动估计误差.仿真实验和户外真实实验表明:本文算法获得了较高的计算准确度、鲁棒性和实时性,优于传统方法.

综合重构与正交迭代位姿估计算法

多摄像机系统(multiple camera systems,MCS)在机器视觉领域成为研究热点.针对MCS的位姿估计问题提出了一种新的综合重构与正交迭代算法,并引入广义摄像机模型来描述MCS以方便算法推导.为充分利用MCS提供的冗余测量信息,将观测到的参考点进行分类,并构建了加权目标函数,综合了最优绝对定向解和正交迭代(orthogonal iteration,OI)算法的优点.三维重构信息的引入不仅克服了OI算法的位姿模糊,而且提高了位姿估计的收敛速度和鲁棒性.采用了自适应权值方法降低重构误差对最终估计的影响.仿真结果验证了提出算法的有效性和优越性.

二值加权正交迭代相机位姿估计算法

在相机位姿估计算法的实际应用中,由于2D像点与3D参考点的错误匹配,参考点中往往含有异常值。针对现有算法抗异常值能力较弱的问题,提出了一种基于正交迭代的二值加权算法。该算法在正交迭代算法的基础上,引入包含两个阈值的加权系统来衡量参考点的可靠性。选取重投影误差的四分位数中的最大值作为阈值之一,另外引入一个与重投影误差和焦距相关的阈值来加速异常值比例较低时的收敛速度。最终选取两阈值的最大值对目标函数进行二值加权,降低了异常值对估计结果的影响。实验表明,该方法提升了正交迭代算法的抗异常值能力,具有较强的鲁棒性。

正交迭代局部Fisher判别转子故障诊断

通过局部加权邻接矩阵重新定义类内散度和类间散度,建立局部Fisher判别函数,在特征值求解过程中以正交迭代方式找出最优投影向量,得到故障诊断模型。该方法能保证数据降维过程中的重构误差最小,并可直接运用故障诊断模型识别增量数据,避免了一般流形学习模式识别时对动态增量数据需要重建模型的问题。转子故障诊断试验表明,对于多传感器振动特征融合信号,相对其他流形学习算法,正交局部Fisher判别(orthogonl locally Fisher discriminant,简称OLFD)的故障诊断效果最好。

一种基于正交迭代的无人直升机着舰相对位姿估计方法

针对基于视觉的舰载无人直升机自主着舰过程中的相对位姿估计问题,选取着舰标志图像的角点特征进行求解,提出了一种基于正交迭代的位姿估计算法。该算法为满足位姿估计结果精确、鲁棒和高效的要求,采用目标空间误差作为误差函数,并基于透视投影模型给出迭代初值,相对于随机给定初始值而言,使得迭代次数减少,收敛速度提升;在迭代过程中,通过绝对定向方式来求解空间共线性误差最优值问题。仿真结果表明:该方法实时性好、精度较高,具有全局收敛性。

基于序列正交迭代算法的立体视觉定位

针对智能车自主视觉导航需要快速准确地获取自身位置的要求,提出了一种鲁棒、高效、精确的立体视觉定位方法.计算中采用直接P3P位姿估计方法和RANSAC算法进行匹配内点检测和初始运动参量估计,极大地提高了计算准确度.利用基于一般相机模型序列正交迭代算法的立体视觉定位运动参量非线性优化法对立体相机的最近N帧运动参量和结构参量进行快速在线优化,与集束调整法相比,该方法的优化速度有较大提高,且能保证全局收敛,鲁棒性高.室外真实实验结果表明:本文方法计算速度快,定位准确度高,鲁棒性强,能满足导航定位的高性能要求.

求解Sylvester方程的正交迭代算法

对于任意初始矩阵,运用求解Sylvester矩阵方程的正交迭代算法可以在有限步内得到方程的最小二乘解,而且通过选择初始矩阵还可以得到方程的极小范数最小二乘解,这种算法还能用于解决最佳逼近问题,数值例子表明了所提出算法的有效性。

正交迭代静校正方法

本方法以野外获得的表层调查资料和野外静校正量作为初始条件，经初至拾取、道集分选后，以高速层顶板为基准面，在共炮点、共接收点和共炮检距三个域内分别提取剩余时差，进而对大量的数据体进行统计，利用正交迭代求取出全局最优化的剩余静校正量。然后将计算结果在道集上反复地检验、调整、剔除异常值，直至得到最佳的高速层顶板静校正量。该结果与基准面校正量合在一起即可作为最终的静校正成果供后续处理使用。

基于视觉正交迭代法改进的激光跟踪姿态测量

针对航空航天、汽车船舶以及机器人应用等领域对姿态精准测量的需求,研究了一种基于视觉加权加速正交迭代(WAOI)的激光跟踪姿态角测量方法。首先阐述了测量系统组成、建立了数学测量模型,并分析了系统的主要误差源;其次在正交迭代(OI)的基础上,通过物方重投影误差设置参考点权重系数,引入常系数矩阵整合迭代过程中的冗余计算,提出了一种WAOI算法,并通过实验验证了算法的性能;最后搭建实验平台,利用精密二维转台对基于WAOI的姿态角测量进行精度评定。结果表明,在-20°~20°角度范围内,3~15 m测量范围内,方位角精度可达0.11°,俯仰角精度可达0.26°。相较比例正交投影迭代变化(POSIT),方位角和俯仰角测角精度均提升75%以上。本文提出的WAOI算法有效提升了激光跟踪姿态测量系统的精度。

一种航天器位姿测量的鲁棒正交迭代法

航天器位姿测量是许多空间任务和地面大型试验必不可少的关键环节,基于合作标志点的单目位姿测量技术是实现该测量的重要手段之一;由于受到外界复杂环境的干扰,标志点提取可能会出现野值点或者精度不一致的情况,传统的正交迭代方法对于该类问题不能够达到最优的求解精度,甚至求解错误。文章提出了一种基于M估计的鲁棒型正交迭代方法,使用M估计给每个标志点分配不同的权重,优化加权物方残差目标函数得到位姿参数。通过仿真验证和实物试验,证明了该方法可以较好地消除错误数据对测量的影响,提高了正交迭代算法的测量精度和鲁棒性。

基于点和直线段对应的扩展正交迭代位姿估计算法

正交迭代算法是基于点特征,全局且快速收敛的位姿估计算法,是目前性能最优的实时位姿估计算法之一。对摄像机观测到的直线段提出了其不确定性描述的新方法:目标空间直线段误差,并把该误差融入到正交迭代算法的位姿计算过程中,形成扩展正交迭代算法。该算法可以同时利用点和直线段特征。算法先把点共面性方程表达为与正交迭代算法中点共线性方程一致的数学形式,再根据目标空间点共面性误差定义了目标空间直线段共面性误差。接着把目标空间点共线性误差和直线段共面性误差二者之和作为误差函数。最后推导出使该函数最小化的迭代求解过程。实验结果表明,本文算法是有效的,精确的。与正交迭代算法的计算结果对比,由于可以同时利用直线段特征,扩展正交迭代算法的位姿估计误差更低,抗噪声性能更强,算法更稳定。

相机位姿估计的加速正交迭代算法

面对需要实时计算的相机位姿估计问题,针对经典的广泛应用的正交迭代算法,提出了一种加速正交迭代算法。其关键思想是将每一次迭代过程规整化,从而提炼出每一次迭代的重复计算,若将此重复计算在迭代开始前提前计算,则可以大幅度的减少迭代过程中的计算量,使得每一次迭代的计算复杂度从O(n)降低为O(1)。因此,可以在更短的时间内迭代更多的次数,从而获得更高的精度。进行了对比实验,结果显示本加速算法计算精度更高,速度更快。并通过实验提出了选择稳健n点透视(RPn P)计算初值,再使用加速正交迭代算法进行迭代运算的方法,在控制点不多的情况下,是一种精度接近最大似然估计,计算速度最快的算法。

多摄像机系统位姿估计的广义正交迭代算法

目前,多摄像机系统的位姿估计还缺乏系统的方法,它通常通过求解透视n点问题或者求解使两组3D点集之间平方和误差最小的刚体变换来解决,这些方法都有局限性。正交迭代算法是基于点特征的单目视觉算法,快速且全局收敛,是目前性能最优的实时位姿估计算法之一,被广泛应用。提出了一种广义正交迭代算法把所有摄像机获取的全部图像作为整体计算得到相对位姿参数,是通用的多目视觉位姿估计算法。算法先把所有摄像机数据进行统一表达,再把所有摄像机观测到的全部特征点的目标空间共线性误差平方和作为误差函数,最后经数学推导得到使该误差函数最小化的迭代求解过程。实验结果验证了算法的有效性以及在多摄像机系统位姿估计中的优越性。

单目相机位姿估计的稳健正交迭代方法

单目位姿估计是计算机视觉中一个基础而重要的问题,在机器人定位、虚拟现实、图像精密测量等领域应用广泛。在实际应用中,参考点坐标不可避免地含有粗差点,导致估计结果偏离真值,为此,提出自适应加权的稳健正交迭代算法。该算法采用稳健估计方法自动识别粗差点,并赋予其较小权值,以提高算法的稳健性。实验结果表明,稳健正交迭代算法求解精度高、稳健性好,可有效抑制不同个数、不同水平的粗差影响。当20个观测点中存在8个水平为60 pixel的粗差点时,本文解算精度分别比经典正交迭代算法和加权正交迭代算法高2个和1个数量级。

相机位姿估计的加权正交迭代算法

在相机位姿估计的实际应用中,参考点的坐标数据不可避免地包含了测量误差,其量值大小通常不会完全一致,如果不区别测量误差直接进行相机位姿估计,将可能导致估计结果与真值相差甚远。为此,在广泛应用的正交迭代算法基础上,提出了相机位姿估计的加权正交迭代算法,该方法以加权共线误差为目标函数,根据像面重投影误差确定权重系数取值,优化相机位姿估计结果,具有精度高、稳健性好等优点,且满足全局收敛条件。数值仿真实验与风洞迎角实验的结果表明,本文算法更加有效,能够抑制不同程度测量误差对相机位姿估计结果的影响,所得结果明显优于正交迭代算法,具有较强的工程实用价值。

基于正交迭代的参考点不确定相机位姿估计

相机的位姿估计广泛应用于计算机视觉和机器人学等领域。针对相机位姿估计的稳定性与实时性,基于正交迭代算法,提出了一种考虑空间参考点不确定性的相机位姿估计算法。该算法的关键思想是在考虑摄像头畸变的情况下,根据参考点的位置特征获得相应权值,并利用加速正交迭代思想对迭代过程中的重复计算进行规整,最小化加权重投影物方残差函数获得相机位姿。模拟数据实验和真实图像实验表明,该算法计算精度更高,速度更快,时间复杂度较低。在空间参考点深度较大或者偏离摄像头光轴的情况下,该算法的时间复杂度和精度均优于现有的正交迭代算法,从而实现了相机位姿估计的实时性。

基于点线对应的多摄像机全局位姿估计迭代算法

为了解决工业视觉场景中点和直线段共存情况下的多摄像机位姿估计问题,提出了基于点线特征对应的多摄像机全局位姿估计算法.以正交迭代算法为基础,使用多个固定在平台上的已标定摄像机间的几何约束,以全局方式处理多摄像机的重叠和非重叠视图的点和直线段特征,获得更加稳定精确的位姿估计.该算法先把所有摄像机数据进行统一表达,再把摄像机观测到的全部点特征的目标空间共线性误差和直线段特征的目标空间共面性误差之和作为误差函数,最后经数学推导得到使该误差函数最小化的迭代求解过程.实验结果验证了该算法的有效性以及优越性.

基于视觉信息的航天器位姿估计迭代算法

基于视觉信息的空间目标相对位姿估计问题是未来空间操作的关键所在,正交迭代算法是一种具有实时性好且全局收敛特点的单目位姿估计算法。为了有效利用多个摄像机获取的数据,进一步提高位姿估计算法的综合性能,提出了一种双目正交迭代融合算法,取两个摄像机获取的所有特征点的目标空间共线性误差平方和作为误差函数,推导得到使两个摄像机总的目标空间共线性误差最小的迭代求解过程,进而采用单位四元数法求解算法中的目标函数得到目标位姿的估计值,从根本上解决传统算法旋转矩阵计算误差大的问题。最后通过仿真算例验证了该算法在计算精度、抗噪性能以及稳定性等方面具有的优势。