基于单目AR环境下的目标识别与跟踪算法

为解决AR技术中运动目标的识别与跟踪这一问题,提出了一种基于特征点匹配结果提纯和迭代最近邻算法的目标识别与跟踪算法。通过提取目标与视频图像的FREAK特征,采用暴力匹配的方法,并利用Hough投票以及求解单应性矩阵的方法对匹配结果进行提纯。在目标识别过程中,通过特征点提纯结果检测出视频中目标出现的第一帧,并利用迭代最近邻算法求解初始旋转平移矩阵;在目标跟踪过程中,利用上一帧中特征点的位置,通过与目标图片进行模板匹配,得到当前帧中特征点的位置,再利用迭代最近邻算法求得当前帧的旋转平移矩阵。实验结果表明,该算法能够对运动目标进行准确实时的识别和跟踪。

基于多角度LBP特征的三维人脸性别分类

人脸性别分类是一个富有挑战的研究方向,目前的研究尚不完善.本文提出一种三维人脸的性别分类方法,首先对数据集进行局部区域最近邻点迭代算法(Iterative closest point,ICP)匹配,自动实现人脸正向姿态校正;对数据集人脸统一做俯仰角度的旋转,从不同视角上提取基于深度缩略图的多角度LBP(Local binary patterns)特征;再由支持向量机(Support vector machine,SVM)分类器完成训练分类.该方法在CASIA数据库上实验,对全库中性表情人脸进行性别分类,可以得到最高98.374%的正确率.

基于Inliers跟踪统计的RGB-D室内定位与地图构建

室内移动机器人同时定位与地图构建(SLAM)的前端位姿估计与后端优化容易受运动模糊的干扰。为此,提出一种基于Inliers跟踪统计的室内定位与地图构建算法。对RGB图像进行特征提取和匹配,运用RANSAC算法得到Inliers后,通过对Inliers数量的跟踪与统计剔除受相机运动影响的模糊图像,然后利用最近邻迭代的非线性优化方法求解相机位姿。在此基础上,通过闭环检测和优化后的全局位姿拼接出运动轨迹和三维稠密点云图。实验结果表明,相对RGB-D SLAM算法,该算法能够有效提高SLAM系统的建图鲁棒性与精度。

基于二进制特征描述符的点云数据配准

传统点云数据特征描述符存在表达能力不足、计算效率低和鲁棒性不强等问题,针对二进制形状上下文(BSC)特征描述符不能有效检测到曲率分布较大的区域以及局部坐标系存在二义性的问题,提出了一种基于二进制特征描述符的点云数据配准算法。首先,采用内在形状签名关键点检测法和三维曲面片估计方法改进语义问题。然后,利用汉明距离与改进的几何一致性方法进行特征匹配。最后,用随机抽样一致性算法剔除误匹配。实验结果表明,相比快速点特征直方图、融合点签名的直方图和BSC算法,本算法与迭代最近邻点算法的结合能在大幅度提升配准效率的同时减小配准误差。