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。

基于随机抽取一致性的稳健点云平面拟合

针对常用的平面拟合方法在点云数据存在误差或异常值时产生拟合不稳定的现象,提出了结合最小二乘法的随机抽取一致性(random sample consensus,RANSAC)平面拟合算法.该方法先用RANSAC算法检测并剔除异常数据点,再利用最小二乘法将得到的有效数据点拟合,计算平面模型参数.实验中,分别采用该算法和最小二乘法、特征值法对仿真数据进行平面拟合,且采用本文提出的算法,分别对含有不同程度误差和异常值的点云数据进行拟合计算.研究结果表明:该算法适用于存在误差和异常值的点云数据拟合,能稳定地得到较好的平面参数估值,具有较强的稳健性.

基于点云特征的改进RANSAC地面分割算法

针对室外复杂场景下,轻量级和地面优化的激光雷达里程计与测图(LeGO-LOAM)算法由于地面分割不精确而导致算法定位精度降低的问题,提出一种基于改进随机一致性采样(RANSAC)的多线程地面分割算法:相较于传统RANSAC算法,该算法舍弃从全部原始数据中随机选取种子点拟合地面模型的迭代方式,首先利用点云高程、曲率等点特征信息挑选出所有小于高程、曲率等阈值的种子点以构建种子点集合,并根据种子点集合中的种子点数量判断是否需要多线程处理;然后根据判断结果从种子点集合中选择种子点子集进行地面拟合;最后比较各地面模型所包含的点云数量以获得最优地面模型参数以及地面点云集;地面分割精度的提高有效地降低了LeGO-LOAM算法的定位误差。实验结果表明,在室外复杂场景下所提出的地面分割算法分割效果更好,杂点更少;相较于原LeGO-LOAM算法,改进算法的定位误差降低至3.73 m,平面均方根误差降低了20.8%。

一种结合随机采样一致性与主成分分析的点云配准方法

针对迭代最近点算法(ICP)对点云初始位姿有较高要求和随机采样一致性算法(RANSAC)不稳定的问题,提出了一种基于RANSAC和主成分分析(PCA)的点云配准方法。基于局部关键点配准、RANSAC+PCA粗匹配、全局优化精配准的框架,利用固有特征(ISS)关键点检测方法和非最大抑制值处理关键点,通过改进的快速点特征直方图(FPFH)优化建立关键点之间的对应关系组,融合过滤筛选、PCA主方向限制,以降低迭代次数且能利用ICP进行精准配准。本文对飞机点云、道路点云和兔子点云的点云配准数据进行特征点检测方法对比实验,实验表明:在相同的迭代次数条件下,RANSAC+PCA+ICP配准方法比RANSAC+ICP配准方法更具有稳定性,运算时间分别降低7.60%、13.49%、15.64%,并具有较好的配准效果。

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。

改进的RANSAC算法在图像配准中的应用

为了提高图像配准的速度,提出了一种基于改进的随机抽样一致性(RANSAC)算法的快速图像配准方法。该方法首先采用Harris角点检测算法提取出参考图像和目标图像的特征角点,然后利用灰度相关性进行特征角点的匹配,最后采用基于预检测的RANSAC算法快速而精确地估计变换矩阵,进行图像配准。该算法中采用预检测的方法快速抛弃那些不是候选模型的临时模型,提高了算法的速度。同时使用随机块选取法选择样本,很好地消除外点的影响进而保证精度。实验结果表明,此方法在得到较高的精度和鲁棒性的情况下,还大幅度减少了运算量,提高了图像配准的速度。

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。

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。

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。

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。

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。

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。

基于多区域RANSAC的地面点云提取算法

本文针对随机样本一致性(random sample consensus,RANSAC)算法提取地面算法的不稳定性,提出一种基于多区域稳定的点云路面提取算法。该方法以RANSAC结合最小二乘为基础,通过将点云数据划分为多个区域,进行逐区域的地面点云提取,以此来提高地面提取的稳定性。首先将激点云进行多区域分割,接着对每个小区域进行RANSAC拟合地面点云的同时,用最小二乘加快拟合速度。实验采用KITTI[1]官网的三维目标检测的点云数据集。实验表明,本文提出的方法相比传统的RANSAC算法,有效提高地面点云提取的稳定性。

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。

改进的RANSAC立体匹配算法的研究

图像匹配的精度在很大程度上决定着三维重建的成功与否.为了提高图像匹配的精度和速度,提出了一种改进的随机抽样一致性(RANSAC)算法的图像匹配方法.该方法首先采用Harris角点检测算子提取图像的特征点,然后通过SIFT算法计算特征描述子对图像进行初匹配,最后采用改进的RANSAC算法对误匹配点进行剔除,在保证精度的前提下提高了算法的速度.主要从两个方面进行RANSAC算法的改进:采用均匀分布9点算法生成的基本矩阵代替常规方法中的单应矩阵作为模型进行计算,使得模型具有较高的鲁棒性;使用随机块选取法选择样本,保障了选点的均匀分布性并且保证了精度.实验结果表明,此方法不仅能够得到较高的精确度,而且还大幅度减少了计算量,提高了匹配速度.

基于机器视觉的齿轮中心定位算法

齿轮加工精度影响因素复杂,精度测量要求高,齿轮中心(基圆圆心)的定位精度在检测过程中至关重要。为降低工业视觉检测中缺陷与噪声对齿轮中心定位精度的影响,文章提出一种齿顶圆弧分割结合改进随机抽样一致性(random sample consensus,RANSAC)算法定位齿轮中心。对采集的齿轮图像采用Canny算子检测边缘,使用Freeman码进行边缘跟踪;以最小二乘法拟合得到圆心粗基准,通过比较轮廓点到粗基准的距离快速分割出齿顶圆弧;采用亚像素边缘与更精确的阈值对圆弧进行精分割,并结合随机抽样一致性算法对圆弧进行拟合,得到齿轮中心。实验结果表明该算法具有较高的定位精度和较强的实用性。

一种扭曲粘连字符验证码识别方法

验证码识别研究能及时发现验证码的安全漏洞,使其变得更加安全.扭曲粘连字符验证码能抵抗字符分割,是验证码识别中的难点.针对由扭曲粘连字符构成的验证码,提出一种基于密集尺度不变特征变换(DENSE SIFT)和随机抽样一致性算法(RANSAC)的识别方法.首先通过DENSE SIFT特征匹配获得匹配点集,再利用RANSAC算法获取匹配信息,最后采用队列式分析算法得出识别结果.实验表明,该方法对不同难度级别的扭曲粘连验证码均有较好的效果.