渐优随机采样算法在结构化道路无人驾驶中的应用

为了解决随机采样算法在结构化道路无人驾驶应用中无法优化收敛的问题,采用渐进优化的采样算法框架设计符合驾驶需求的规划算法。针对渐进优化算法的耗时问题,首先选择不需要Steer(转向函数)的SST算法作为基础框架以规避求解边界值问题。其次,算法融入"Anytime"策略以提高优化解的利用率。再次,改进的闭环控制策略能减少车辆的实际轨迹与规划路径的误差。在设计的闭环策略中,应用4-D车辆运动模型以保证规划路径符合车辆的实际运动轨迹。为了保证驾驶的安全和舒适,设计了一个综合四重因素的代价函数,且根据不同的驾驶场景调整相应的权重参数。最后,利用真实的无人车在无人驾驶城市测试道路上进行测试,测试场景包括前方静态障碍物躲避、前方动态障碍物跟随以及超车和复合动静态障碍物。测试中,采用车辆的速度和转向数据代表算法的优化收敛特性和运动平稳性。研究结果表明:设计的算法能在时速30km·h-1下完成避障、跟车、超车等机动;无人车在跟驰决策下可保持30km·h-1的最高速度,在避障过程中可实现最高15km·h-1的速度,在跟车决策下可根据前车速度变换自身速度以保持合理的车距和运动平滑性。

基于随机采样一致性算法的平面匹配方法

针对传统的平面图像标定点匹配算法计算量大、准确性不高等问题,提出一种基于随机采样一致性(RANSAC)算法的快速高精度的平面图像标定点匹配方法。该方法首先基于双圆锥曲线模型,借助于椭圆边缘点附近的梯度信息求取椭圆的切线,由切线集合拟合出椭圆参数,并利用这些参数计算出椭圆圆心,即图像上的标志点;然后用RANSAC随机采样算法对标定板上的点和图像上的点进行匹配。实验验证该方法实现起来简单并且有较高的准确率。

基本矩阵随机采样鲁棒估计

提出一种新的基本矩阵鲁棒估计算法:随机采样算法,对含有大量出格点的数据点集,利用7个对应匹配点的最小子集来估计参数;然后在不同的子集重复多次,确保任何一个子集都含有一个好的数据点的机率达到95%.最优估计值是残差低于门限值点数最多的子集,一旦从数据点集剔去出格点,利用没有出格点的数据就可以得到最终估计值.用真实图像测试表明该算法鲁棒性好,精度高.

机器人路径规划的快速扩展随机树算法综述

路径规划是移动机器人的重要研究内容。快速扩展随机树(Rapidly-Exploring Random Tree,RRT)算法因在机器人路径规划中的成功应用,自提出以来就得到了极大的研究与发展。快速扩展随机树作为一种新颖的随机节点采样算法,相对传统路径规划算法,具有建模时间短、搜索能力强、方便添加非完整约束等优点。介绍了快速扩展随机树算法的基本原理与性质,并从单向随机树扩展、多向随机树扩展、其他改进等方面概括了算法的研究现状。最后,展望了算法未来的研究方向与挑战。

基于改进ICP算法的变电站设备三维识别方法研究

针对现有变电站设备三维识别方法在实际应用中存在的准确率差和效率低等问题,提出一种结合改进迭代最近点算法和Umeyama算法的变电站设备三维识别方法。通过随机采样一致性算法提取设备平面特征,通过Umeyama算法在模板库中找出平面特征最相似的几个设备,通过点云曲率特征提取设备点云关键点,通过改进迭代最近点算法对设备进行目标匹配。通过实验对其性能进行分析。结果表明,所提方法对智能变电站设备进行三维识别有较好的识别准确率和效率,识别准确率为99.50%,平均识别时间为2.07 s,有效地提高了三维识别技术的综合性能。

基于MATLAB的基本矩阵随机采样鲁棒估计

基本矩阵的估算可以分为线性算法、非线性优化迭代算法、鲁棒估计算法三大类,而以鲁棒估计效率、效果最为突出,但是实现比较复杂。本文通过数码相机获取的两张未标定照片,采样互相关系数法和RANSAC算法,在MATLAB中实现了基本矩阵的自动拟合,实验表明拟合精度较高、速度快,为下一步三维场景的自动重建和量测奠定了基础。

一种基于分块采样方法的格基约减算法

基于格理论构造的密码方案普遍被认为可以抵抗量子计算攻击,最近几年发展更是迅猛.格密码的安全性依赖于格中困难问题,如最短向量问题等,而要解这些问题需要高效的格基约减算法.国内外学者针对格中困难问题已提出了多种基于枚举法的格基约化算法,如LLL算法、BKZ算法和随机采样算法(RS)等.本文针对最短向量问题的求解,主要对RS算法进行了分析,并指出了其不足之处在于过大的随机性导致格性质倒退及需要生成大量向量导致复杂度过高.本文基于以上分析,进一步结合了分块的思想和插入指数等方法,提出了改进型随机采样约减算法,简称I-RS算法.该算法通过在局部格中的随机化采样和调整基向量的排列顺序改进格基的内部性质,进而提升约减效果.初步的理论分析表明, I-RS算法在O(n^3(k/6)^(k/4))的时间内明显改进了输出格基的长度性质,其中2k是分块的大小.实验表明,新算法比RS算法和BKZ算法在约减效果和稳定性等方面有所提升,输出向量长度较BKZ算法缩短20%,近似因子在BKZ算法的0.95倍以下.

基于一致性随机采样的图像特征匹配鲁棒确认

误匹配点的存在影响了计算图像间变换关系的准确性,从而导致较差的图像匹配效果。通过随机采样一致性算法,提出了一种剔除错误匹配,精确确认图像匹配特征,从而计算图像间几何变换矩阵的鲁棒方法。该方法首先基于特征向量相似性准则,得到初始匹配点对,再利用特征点周围的灰度信息进行权值计算,在用随机采样一致性算法拟合几何变换矩阵的迭代过程中,得到使目标函数最小的匹配关系以筛选由噪声等引起的误匹配点对,从而精确计算图像间的几何变换关系矩阵,实现图像的精确配准。实验结果表明,该算法具有良好的噪声鲁棒性,得到了理想的图像配准效果。

基于目标检测与深度信息关联的RGB-D SLAM算法

针对高动态环境下实时定位与建图(Simultaneous Localization and Mapping,SLAM)系统精度下降的问题,给出了一种基于ORB-SLAM2的动态环境RGB-D SLAM算法.对于一般动态环境SLAM算法中深度学习网络的实时性问题,使用YOLOv5目标检测轻量级网络获得场景语义信息,即保留了场景中的语义信息,同时满足SLAM系统的实时性要求.对于目标检测网络获取的场景语义信息冗余的问题,设计一种深度信息随机采样一致性(Depth-RANSAC)算法,将语义先验信息与场景深度信息相关联,对待检测区域的动态特征信息进行过滤,避免了特征信息误剔除,保留了静态的场景信息,使估计的相机轨迹更加精确.在TUM数据集下对此算法的进行验证,实验数据表明,本文算法在高动态序列场景下比ORB-SLAM2具有更好的表现.

基于RANSAC算法的立体视觉图像匹配方法

针对大尺寸立体视觉测量中存在较大视差和透镜畸变等因素导致极线约束匹配率低的问题,提出了将图像校正与随机采样算法相结合的立体视觉图像匹配方法.对立体图像对进行线性校正,建立初始匹配点集;采用随机采样算法估计图像对之间的基本矩阵,恢复原始图像对之间的对极几何约束关系,剔除初始匹配点集中未匹配和误匹配的特征点,从而获得精确的匹配点集.该方法已应用于合成孔径雷达(SAR)大型可展开微波天线网面的实际测量,匹配率高于96%.

基于噪声位置分布的点云去噪算法研究

针对三维点云噪声数据位置分布的特点,采用不同的去噪算法对噪声数据进行处理。通过结合K-D树算法和高斯滤波技术,可以有效地消除大尺度的体外点云噪声;而对于混杂在主体内部的噪声,由于其他目标点之间的距离比较近,可以采用随机采样一致算法来进行有效的抑制。实验结果表明,该算法不仅可以消除游离在点云周边的体外噪声点云数据,对主体内点云噪声也能有效地去掉,使得点云模型表面光顺平滑。

一种基于SURF的图像配准改进算法

为了更好地构造逼真的虚拟环境,提高虚拟场景中图像配准的效率,提出了一种改进的SURF算法。改进算法根据特征点的数量和其间疏密关系作为判定条件,可以在更短时间内得到数量适当且分布相对均匀的图像特征点,同时在特征点匹配阶段利用Hessian矩阵迹的正负性提高特征点匹配的速度。针对误匹配影响图像拼接准确性的问题,采用随机采样算法(RANSAC)提高匹配的精确度。实验结果表明该算法节省了特征点检测和匹配的时间,提高了匹配效率。

基于同一场景3张影像的相机自标定算法

对普通CCD数字相机获得的同一场景的3张未标定影像依次进行Harris角点提取、RANSAC算法估计基本矩阵、RANSAC算法估计三焦点张量,以获得同一参考系统下3个投影矩阵,最后进行相机自标定处理,从而获得相机的内部参数,为下一步多张影像的自标定和3维场景的自动重建和量测奠定了基础。实验结果表明,所述的同一场景3张影像的相机自动标定综合算法是正确有效的。

三焦点张量的最小代数误差非迭代算法研究

通过普通数码相机获得的3幅未标定图像,采用RANSAC算法进行两两匹配获得3幅图像的一组兴趣点对,利用最小代数误差非迭代算法在MATLAB中计算出三焦点张量,提出一种最小代数误差非迭代算法.实验结果表明,该方法是一种有效的三焦点张量计算方法,计算复杂度小、实现效率高.能够得到较准确的三焦点张量,为下一步相机自动标定以及三维场景的自动重建和量测奠定了基础.

基于改进谱聚类的合成孔径雷达溢油图像分割算法

为了解决传统谱聚类算法对大尺寸海洋图像难以进行有效计算的问题,提出一种改进的谱聚类算法.采用分块方法将原始图像分割成多个子图,同时结合随机采样算法利用采集的样本估计全局样本,在保证分割精度基础上大大降低计算复杂度,有效地处理高维图像.针对随机采样的不稳定性,采用多次采样聚类并结合大多数投票的方法,得出最终的分割结果.仿真结果显示,改进算法可以有效降低计算复杂度,并保证聚类算法计算复杂度的减少与图像大小成正比,分块方法和多次聚类结果的融合可以大大提高溢油目标分割的精度.

基于SURF和改进的RANSAC算法的医学图像配准

为了提高医学图像配准的鲁棒性、准确性和速度,本文提出一种结合加速鲁棒性特征(SURF)和改进的随机采样一致算法(RANSAC)的医学图像配准算法,首先提取图像上的SURF特征点,完成特征点初始匹配,然后用改进的RANSAC算法剔除误匹配点对,最后根据提纯后的匹配点对估计出两幅图像间的空间几何变换参数完成图像配准。实验结果表明,与传统的几种算法相比,在图像中含有噪声、灰度不均匀及初始变换范围比较大的情况下,该算法在达到良好配准精度的同时,具有较强的鲁棒性和更快的速度。

一种基于特征点的稳健无缝图像拼接算法

针对传统的基于区域图像拼接方法中,计算量大、鲁棒性差以及不能很好地解决拼接后的接缝等问题,提出了一种稳健的基于特征点的无缝图像拼接算法。在SIFT(scale invariant feature transform)提取图像特征点并匹配的基础上,通过优化的随机采样一致性(random sample consensus)算法过滤匹配点,去除误匹配点,并用过滤后的匹配点求解两对应图像间单应性矩阵初值;然后利用L-M算法优化单应性矩阵对图像序列进行拼接;最后通过改进线性加权函数法进行图像融合,很好地解决了接缝问题,实现了图像拼接处的平滑过渡。实验表明,该方法对存在旋转、尺度缩放、视角以及光照变化的图像都具有良好的拼接效果,拼接精度可以达到亚像素级。

基于Hessian矩阵本征分解的目标中心线提取算法

在对动态目标闭环跟踪过程中,目标中心线的提取对目标的定位以及实时姿态判定有着重要影响,是实现高精度定位以及姿态判定的重要依据。根据Hessian矩阵在微分几何中的意义以及动态目标的成像特点,提出一种基于Hessian矩阵本征分解的目标中心线提取算法。算法在分割出目标的基础上,进行欧氏距离变换并建立关于目标的灰度Hessian矩阵,对Hessian矩阵进行本征分解,获取目标中心的初始点集,对这一点集采用随机采样一致算法进行野值剔除,最终拟合出目标的中心线。为了验证算法的有效性,设置了评价机制,并和前人提出的若干算法进行了对比,仿真实验表明该算法具有较高的稳定性和准确性。

基于RANSAC和Kalman滤波的足球机器人球速估计算法

针对中型组足球机器人如何有效地估计足球速度的问题,提出了一种基于Kalman滤波和RANSAC算法的新方法。首先对存储的若干帧足球位置信息作Kalman滤波,接着利用这些足球位置信息,建立若干个可能的足球速度模型并运用随机采样一致(RANSAC)算法选出最优的速度模型作为速度值。实验结果验证了该算法的有效性,同时由于RANSAC算法可以有效地去除外点的干扰,因此当足球位置信息具有较大噪声时,该方法可以较准确地估计足球的速度,较以往球速估计的算法具有更高的鲁棒性。

基于特征恢复的离群点移除算法的研究

点云预处理是点云处理很重要的一个环节,在移除稀疏离群点的过程中,点云密度不均会造成有用信息的过度删除。针对这个问题,提出了一种基于特征恢复的离群点移除算法。首先使用传统基于统计的k邻域稀疏离群点移除算法移除稀疏离群点,然后针对过度删除的情况采用RANSAC算法对点云特征进行恢复。实验结果表明,经过恢复的点云数据,相对于单纯依靠传统离群点移除算法处理后的点云数据,过度删除现象有明显改善。由此得出,基于特征恢复的离群点移除算法可以有效删除稀疏离群点,减小对噪声阈值的依赖,同时有效抑制了由于密度不均匀导致的点云数据的过度删除。