基于选星预处理的改进随机抽样一致性RAIM方法

多星座导航能够增加可视卫星数量,改善卫星几何构型,已成为卫星导航定位领域发展的重要方向之一。多星座导航接收机自主完好性监测(RAIM)技术对提高导航系统的完好性具有重要作用。面向多星座导航的完好性监测需求,分析了传统随机抽样一致性(RANSAC)故障检测方法的不足,提出了一种基于最小样本集选星预处理的改进RANSACRAIM算法。该算法基于最大四面体积法和GDOP值贡献度的选星方法选取具有较好构型的卫星构成卫星子集,取代了传统RANSACRAIM方法通过遍历构成卫星子集,可有效避免卫星子集中存在较差卫星几何构型的情况,减少子集数量,提升故障检测的准确率。静态和动态仿真实验表明,改进的RANSACRAIM算法在检测效率和检测准确率等方面明显优于传统方法。

融合随机抽样一致性和Hough变换的实时消失点检测

针对消失点拥有2个自由度的特点,提出一种由随机抽样一致性(RANSAC)和Hough变换相结合的实时消失点检测方法.首先利用随机抽样一致性从图像的边缘线段中抽取多条候选消失点局内线段,基于消失点位于局内线段的延长线上的特点确定消失点的第1个自由度,然后通过在候选局内线段的延长线上实施的Hough变换获得消失点的另一个自由度.基于数据集York Urban Dataset的实验结果表明,所提方法在地平线检测精度上比7种国内外同类算法高0.69个百分点以上,在处理速度上比同类方法提高90倍以上.

基于RANSAC变换的车牌图像去模糊算法

针对监控视频中运动模糊车牌图像的复原问题,提出一种基于随机抽样一致性(RANSAC)的车牌图像去模糊算法。首先,在倒频谱域对模糊图像实施Canny边缘检测,使用RANSAC变换来估计模糊方向;然后,通过模糊图像倒频谱域的零点分量来估计模糊长度;最后,结合Richardson-Lucy(RL)算法和L0正则化先验各自的优点,对模糊车牌图像进行复原。实验结果表明:提出的算法不论主观还是客观上,在运动模糊车牌图像上达到了很好的复原效果,复原图像得到的PSNR和SSIM值都有了极大地提高,并且耗时少,效率高。

向量场一致性约束的对立颜色特征匹配

针对Color SIFT类特征提取算法进行特征匹配时误匹配点对多的问题,引入向量场一致性约束改进了Opponent SIFT的匹配算法。首先,在对立颜色空间的3个通道中采用SIFT算子进行特征描述,构建384维特征向量,增强颜色对比效果;然后,利用最近邻距离比率进行粗匹配,降低整体匹配失效的风险;最后,采用向量场一致性约束提纯,规避RANSAC算法因局部最优导致正确点对丢失的缺陷。实验结果表明:在处理图像综合变化时,本文算法较SIFT结合RANSAC的算法,提高了匹配精度,鲁棒性更好。

基于机器视觉的电芯绝缘介质定位算法

为保证电芯绝缘介质定位的准确性和时效性,文章提出一种基于双线性插值亚像素坐标结合改进随机抽样一致性(random sample consensus,RANSAC)算法的绝缘介质定位算法。对工业采集的图像进行空间滤波、阈值分割等预处理操作,分割出目标并增强特征;运用Canny边缘检测算子检测边缘,选取定位轮廓并根据最小外接矩形分离4条边缘直线,用双线性插值公式精确定位边缘直线亚像素坐标;采用部分点先验模型约束RANSAC算法提取4条边缘直线的高质量内点,再用最小二乘法分别拟合4条边缘直线并计算出相应偏移量。实验结果表明,该算法能有效保证绝缘介质的定位精度且具有一定的时效性,可以较好地满足实际生产应用的要求。

基于SIFT和RANSAC的特征图像匹配方法

针对目前普通图像匹配抗干扰能力不强的问题,将尺度不变特征变换(SIFT)和随机采样一致性(RANSAC)算法结合,提出了一种适应性强的图像匹配算法。首先对图像进行SIFT特征提取,利用最优节点优先搜索并计算最近邻特征向量与次最近邻向量间的欧式距离比来加速完成特征点对预匹配。在此基础上引入随机抽样一致性(RANSAC)算法去除不可靠的匹配对。最后根据匹配点对计算出图像间透射变换的参数。实验结果表明:该匹配算法具有尺度、旋转不变性以及一定的仿射不变性、抗干扰性,可以实现目标物体匹配。

基于RANSAC的SIFT匹配优化

本文提出了一种基于RANSAC的SIFT匹配优化。采用加权的圆形邻域替代原有SIFT描述子矩形邻域,使得描述子维度降低了25%。根据特征点最近邻与次近邻的距离比越低,其匹配正确率越高的特点,对匹配点按最近邻比率高低进行匹配点排序,并以最优匹配点作为简化的RANSAC算法初始样本数据集,用简化的RANSAC算法进行几何校验,进一步提纯匹配点。实验结果表明本文方法在匹配精度优于RANSAC-SIFT的基础上,匹配速度大约提高了10倍。尤其当匹配点增多时,本文方法在匹配速度上更加有优势。

一种改进RANSAC的基础矩阵估计方法

针对随机抽样一致性算法估计基础矩阵存在效率低且估计的精度依赖于抽样质量的问题,提出一种改进随机抽样一致性法(RANSAC)的基础矩阵估计算法。该算法采用预检验技术减少计算时间,在计算过程统计每对匹配点被标记为内点的次数,选择被判断为内点次数较多的集合构成候选集合来指导下一次抽样;下一次样本选择在候选集合中完成,并根据当前计算结果更新候选集合;最后选择包含内点数量最多的集合作为内点集。模拟数据和真实图像数据的试验结果表明,本文算法在误匹配和高斯噪声存在的情况下,算法精度和效率都体现出较好的品质。

结合SIFT和RANSAC算法的InSAR影像配准

配准是合成孔径雷达干涉测量(In SAR)得到干涉图前的关键步骤。本文提出了基于SIFT和RANSAC的In SAR影像配准。尺度不变特征变换(SIFT)和随机采样一致性(RANSAC)相结合,得到特征稳定、匹配点对可靠的In SAR影像配准。利用PALSAR数据及Terra SAR-X数据,进行不同分辨率、不同波段的SAR影像配准试验,结合生成的干涉图条纹的清晰程度,评价其精度。并与目前主流的交叉互相关方法得到的相干系数进行了对比,证明了该方法在In SAR影像配准应用中是一种简单、有效的方法。

基于改进RANSAC算法的单应矩阵鲁棒估计方法

单应矩阵的鲁棒性和精度直接决定了其应用效果,如何利用RANSAC算法估计出鲁棒、精确的单应矩阵,仍是一个有待研究的热点问题。针对传统RANSAC算法迭代次数多、运行时间长、单应矩阵估计精度较低的问题,在SIFT特征匹配算法的基础上,从剔除样本集中不符合图像几何特性的部分外点、快速舍弃不合理单应矩阵和迭代精炼单应矩阵等方面对RANSAC算法进行改进,提出一种基于改进RANSAC算法的单应矩阵估计方法,提高了单应矩阵估计的精度和效率。实验结果表明,该方法有效解决了传统RANSAC算法存在的问题,能够快速、精确估计单应矩阵。另外,对于不同视角和大小的图像,该方法均具有较好的鲁棒性。

基于结构相似的RANSAC改进算法

为了减少传统RANSAC(Random Sample Consensus,随机抽样一致性)算法的迭代次数和运行时间,提高算法的速度和精度,提出了一种基于结构相似的RANSAC改进算法。采用BRISK(Binary Robust Invariant Scalable Keypoints)算法提取和描述二进制特征点,用Hamming距离进行特征匹配,获得初始匹配点集,利用结构相似约束剔除误匹配点,得到新的匹配点集,用新的点集作为RANSAC的输入,求出变换矩阵。该算法在初始匹配后进行了匹配点提纯,能快速求得变换模型。实验证明该算法迭代次数和运行时间比传统RANSAC算法明显减少,因此改进的算法在速度和精度上优于传统的RANSAC算法。

基于三维成像声呐的无人艇水下目标检测

针对无人艇水下目标探测过程中声呐图像受干扰多、单个目标可能分裂为多个亮斑等问题,开展了基于三维成像声呐的无人艇水下目标检测技术研究。首先,考虑水面无人艇水下目标检测跟踪识别的需要,建立了三维点云图像模型;然后,提出了基于随机抽样一致性(RANSAC)平面拟合的海底检测算法,以完成三维点云图中海底平面提取与分离,通过基于欧式聚类的三维点云检测技术和多特征数据关联技术等手段提高了目标的检测概率;最后,在湖上进行了试验,试验结果验证了该算法对水下目标检测识别的有效性。

一种改进的基于RANSAC方法的SIFT特征匹配

在图像配准,图像融合,目标识别,图像拼接等领域中,运用SIFT描述子进行特征匹配是一种常用方法,针对传统的消除误匹配的RANSAC算法迭代次数多,计算复杂度较大,在SIFT特征匹配中误配率高的问题,增加了一个原始匹配点对的前道处理环节,引入匹配点对的几何特征定义,根据匹配点对的最近邻点和次近邻点角度差在一定阈值范围内建立预处理模型,剔除误匹配点,减少了参与RANSAC的数据量,提高了RANSAC的运行效率。实验结果表明:与未增加前道处理的RANSAC算法相比,基本消除了误匹配点,提高了图像匹配的准确率。

基于帧间单映变换的视频序列超分辨率重建

针对帧间单映变换的视频序列提出了一种超分辨率重建算法.首先在最小二乘的基础上给出超分辨率重建的数学模型;其次采用基于模型的等级估计法估计相邻帧的单映变换矩阵;然后采用基于RANSAC的特征点匹配方法对非相邻帧进行带指导的改进估计,使其能够达到要求的亚像素级精度;最后运用共扼梯度算法进行迭代重建,并详细讨论了主要的矩阵向量乘法计算.实验结果表明该算法的重建相当有效.

基于RANSAC的SIFT匹配阈值自适应估计

针对基于欧氏距离比值作为图像尺度不变特征变换(SIFT)特征匹配相似性度量时,距离比阈值难以设置最优,且固定距离比阈值易引起误匹配或漏匹配等问题,引入随机抽样一致性(RANSAC)算法。该算法对SIFT匹配算法中的距离比阈值进行自适应优化,确定最佳的阈值,再利用双向匹配的方法剔除误匹配点。实验结果表明,针对不同的实验图像,所提算法都能自适应地求解出一个最优的比例阈值,使得匹配点数最多,同时具有较高的匹配正确率,经过双向匹配的策略优化后效果更好。

基于图像深度信息的尺度不变特征变换算法误匹配点对剔除

特征点匹配是基于特征点的图像配准技术中的一个重要环节。针对现有基于尺度不变特征变换(SIFT)图像配准技术特征点匹配不理想,也无法较客观、快速地筛选正确匹配点对的问题,提出结合图像深度信息进行特征点误匹配筛选剔除的方法。该算法首先根据模糊聚焦线索和机器学习算法估计出待配准图像的深度信息图,再提取SIFT特征点,并在特征点匹配环节利用随机抽样一致性(RANSAC)算法迭代循环,结合深度局部连续性的原理来进一步提高匹配精度。实验结果表明,该算法具有很好的误匹配点对剔除功能。

基于RANSAC算法的稳健点云平面拟合方法

针对点云平面拟合中存在粗差及异常值等问题,对结合特征值法的随机抽样一致性(random sample consensus,RANSAC)平面拟合算法进行了改进。该方法以RANSAC算法为基础,结合特征值法,利用点到平面模型距离的标准偏差来自动选取阈值t,通过阈值t检测并剔除异常数据点,达到获得理想平面拟合参数的目的。用改进的算法和传统的特征值法分别对点云数据进行处理,结果表明,改进的算法适用于存在误差和异常值的点云数据拟合,能稳定地获得较好的平面参数估值,具有较强的鲁棒性。

基于SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性(SSIM)来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。

SIFT和改进的RANSAC算法在图像配准中的应用

在机器人视觉系统中运用SIFT描述子对现实世界中的目标进行识别,这一研究已经取得了很大的进步。运用SIFT生成的图像特征向量的性能十分稳定,对旋转、缩放、平移是保持不变性的,对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法,在标准的RANSAC算法基础上加入了假设评价,改进为R-RANSAC(The Randomized RANSAC)算法。对这两个方面进行论述,运用SIFT(尺度不变特征变换)算法对双目机器人的两幅视觉图像进行匹配,采用带SPRT的R-RANSAC改进算法对匹配过程进行优化,尽可能在短的时间里完成匹配矫正,进而加速整个配准的时间。

基于辅助匹配的1点RANSAC单目视觉导航算法

针对1点随机抽样一致性(random sample consensus,RANSAC)单目视觉导航算法中的主动视觉匹配失效问题,提出了一种基于辅助匹配的1点RANSAC单目视觉导航算法。首先,该算法通过引入尺度不变特征变换(scale invariant feature transform,SIFT)算法完成特征匹配;其次,采用RANSAC算法解算基础矩阵和匹配点;最后,通过实验验证了算法的有效性。实验结果表明,该算法能够解决主动视觉匹配失效问题,提高1点RANSAC单目视觉导航算法的导航精度。SIFT辅助求解的有效匹配点精度在5个像素之内,航向角平均误差减小5.04°,俯仰角平均误差减小1.21°,滚动角平均误差减小3.03°。