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%。

基于RANSAC的圆拟合算法在螺纹孔检测中的应用

在视觉检测过程中,针对多残缺、多噪声圆周的拟合精度不佳的问题,提出了一种基于RANSAC的圆拟合算法。首先对图像进行边缘检测,使用基于Scharr算子的Canny算法可获得高质量的边缘分布图;使用霍夫梯度法在边缘分布图中对目标圆弧进行粗定位,并提取包含目标圆弧的点集;提取到的点集中含有大量无关边缘像素点,使用RANSAC算法剔除点集中的异常数据,得到有效样本数据构成的待拟合圆周点集;最后采用LIN算法对待拟合圆周点集进行拟合,得出最终的拟合结果。算法在椒盐噪声和曲线噪声抗干扰实验中表现优异,有着较强的抗干扰能力。已经成功应用到了螺纹孔圆周的拟合,精度和实时性均可满足实际生产要求。

基于改进RANSAC的本质矩阵求解方法

针对在单目系统大尺寸测量场景下使用RANSAC算法求解本质矩阵时稳定性和求解精度不高的问题,提出了一种改进RANSAC的本质矩阵求解方法,首先在所有匹配特征点中,通过当前内点求得的本质矩阵对剩余匹配特征点进行重投影误差,并采用相对判别法通过这些误差的值大小来确定当前内点是否为高质量内点,之后在此基础上采用二分法动态调整阈值从若干本质矩阵中寻找最优值。最后,设计了多组视角不同误匹配率下的仿真实验和实际拍摄的实验,实验证明,相较于传统与其他改进的RANSAC算法及LMedS算法,本文改进的算法能够快速确定初始内点并自适应调整阈值,同时求出较好的本质矩阵,满足求解稳定性与精度的要求。

基于RANSAC算法的工业机器人运动学参数标定

为提升工业机器人末端绝对定位精度,文中提出一种基于RANSAC算法的运动学参数标定算法。首先采用D-H模型建立末端位置运动学误差模型;通过RANSAC算法对标定点集进行筛选,剔除误差较大的粗差点;最后采用抗差岭估计辨识运动学参数,减少测量扰动、粗差和法方程病态性等因素的影响。试验结果表明,机器人绝对定位精度的RMS误差由0.999 mm降低至0.229 mm,误差下降77.08%。相比于传统的标定算法,文中算法辨识运动学参数准确性更好,标定精度更高。

基于RANSAC和三维谱峰分析的全姿态散射中心建模

全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。

结合改进RANSAC算法的建筑物点云色彩增强方法

针对彩色三维点云中因建筑物阴影导致可视化效果不好的问题,提出了一种以建筑物面分割为基础对建筑物局部进行色彩增强的方法。首先采用改进随机抽样一致性(RANSAC)算法对建筑物进行表面分割,并提出光照向量的概念将表面分割结果分为阴面与阳面;再单独针对阴面进行色彩增强。实验表明,该方法有效改善了三维点云建筑物的视觉效果,在保证建筑物风格一致的前提下提高了建筑物点云的整体亮度与对比度,可在一定程度上消除建筑物阴影对可视化效果的影响,适用于各类以建筑物为主体的点云实景三维工程。

区域增长与RANSAC模型结合的机载点云平面分割方法

针对现有的建筑物点云分割数据效率低、抗噪性弱等问题,提出了一种区域增长与RANSAC模型结合的点云平面分割方法,该方法以种子点的曲率、法向量及其邻域点到法平面的欧氏距离为生长约束条件,通过不断扩展种子面提取符合平面模型的初始样本点集,然后采用基于RANSAC平面拟合的稳健参数估计方法估计出高精度的平面参数。试验证明该方法具有可行性。

基于Ransac算法的多波束点云人工鱼礁提取方法

投放人工鱼礁作为海洋牧场建设的重要环节,其投放质量评估工作日益受到重视。为实现大范围的人工鱼礁三维信息的自动识别与提取,提升人工鱼礁量化评估的质量,提出了一种基于Ransac算法的多波束点云人工鱼礁提取方法。该方法首先利用多波束声呐获取点云,在对点云进行分割、去噪等预处理后,利用Ransac算法将点云分为内外点集,内点集近似拟合为海底平面,外点集为人工鱼礁。在浙江嵊泗马鞍列岛某礁区进行了相关试验,实现了整体和单体鱼礁的提取,提取正确度达94.79%,完整度达91%,能够较好地提取鱼礁的三维形态、位置、尺寸、高度、空方等信息。研究表明,本方法可以大范围地应用于各型人工鱼礁目标投放效果的量化评估。

基于融合改进RANSAC光流法的无人机视觉SLAM研究

针对同时定位与建图(SLAM)中存在定位精度不足、匹配特征点误差累积和特征匹配时间较长,提出了一种融合改进RANSAC光流法的优化算法。该方法基于传统RANSAC算法,加入最小二乘法对模型进行迭代优化来估计最优模型,对光流法的误匹配点进行剔除,大量减少图像误匹配特征点;把融合改进后的RANSAC光流法与特征点通过卡尔曼滤波进行融合,最后使用改进后的算法在公开的EuRoC MAV数据集中进行SLAM定位精度实验。实验结果表明:该改进算法能够有效减小光流法特征匹配的误差,从而提高无人机视觉SLAM的定位精度。

基于RANSAC的单应性矩阵估计优化算法

图像特征匹配是机器视觉处理技术的关键环节。在图像特征匹配中,需要根据检测到的特征点及其相应的特征描述子进行特征点匹配。在众多匹配方法中,传统随机抽样一致性(RANSAC)算法因为能利用随机抽样从样本集中剔除误匹配点,再对单应性矩阵进行估计,而获得了广泛的应用,但其模型参数估计依然存在精度不高和效率较低的问题。本文用基于先验概率抽样的方法代替随机抽样方法,同时,使用二次匹配代替正向匹配来计算重投影误差,使用标准测试图集进行实验。实验结果表明:单应性矩阵的估计精度和效率分别提升了48.42%和53.57%。

基于PCA法向量估计与RANSAC算法的隧道中轴线提取

为了减少隧道点云噪声对隧道中轴线提取精度的影响,提出主成分分析(PCA,Principal Components Analysis)算法点云法向量估计与随机抽样一致性(RANSAC,Random Sample Consensus)算法相结合的隧道中轴线提取方法。首先对隧道点云数据进行ROI(Region of Interest)区域提取及统计滤波预处理,其次通过PCA算法估计隧道点云法向量并进行点云法向量方向一致化处理,通过设定阈值分别提取满足要求的隧道拱顶及拱腰处法向量,最后用RANSAC算法代替最小二乘算法对筛选出来的法向量提取出精度较高的隧道中轴线。实验结果表明,本文方法所提取出来的隧道中轴线受噪声影响较小,斜率最大偏差0.007 1,最小偏差0.000 3,算法稳定性好,结果精度较高。

基于LO-RANSAC的锂电池极片表面痕类缺陷检测

针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。

基于改进ORB-RANSAC算法的锅底标签角度视觉测量方法

传统ORB-RANSAC算法存在相似特征点误匹配率高、稳定性较差的问题,无法满足铝锅生产基于锅底标签方向焊接手柄的工艺要求,提出了一种改进的ORB-RANSAC算法。首先,采用ORB算法提取特征点并进行匹配,通过汉明距离阈值法对匹配点对进行粗剔除。其次,在RANSAC算法对匹配点对进行精剔除时,增加K折交叉验证实现对初始模型的一致性预判断。最后,在每次迭代过程中剔除上一轮迭代中的已归类点对,动态更新采样空间。分别对不同锅底标签进行测量实验,结果表明,在干扰环境下采用改进后的ORB-RANSAC算法重复性精度相比于原算法提升了66.04%,单帧计算耗时降低了6.13%;在多种类锅底标签测量实验中基于改进后的ORB-RANSAC算法的角度测量误差为0.201°,平均检测耗时为0.255 s,满足自动化生产测量精度和实时性的要求。

基于IRANSAC-IRLS直线拟合算法及应用

针对工业视觉检测中直线边缘存在沾连、毛刺等噪声,导致拟合效率不高、精度较差的问题,提出一种基于梯度方向改进的随机采样一致性(improved random sample consensus,IRANSAC)的迭代加权最小二乘(iterative reweighted least-squares,IRLS)直线拟合算法,即IRANSAC-IRLS算法。首先,利用直线上边缘点的梯度方向相近,将梯度方向引入边缘点RANSAC拟合,来降低错误的随机抽取的次数;然后,对IRANSAC提取出来的局内点进行迭代加权最小二乘拟合,求得最终的直线参数。在噪声点比例为20%、40%、60%、80%的条件下,将IRANSAC-IRLS与基于随机采样一致性算法的最小二乘(RANSAC-LS)拟合算法的仿真实验结果进行对比,IRANSAC-IRLS比RANSAC-LS的拟合效率分别提高16.3%、41.9%、47.5%、53.2%,拟合精度分别提升14.3%、16.7%、44.0%、69.0%。

RANSAC算法在超大直径洞门钢环精密检测中的应用

洞门钢环对盾构机顺利始发以及隧道掘进中线的控制起着巨大的作用,因而对隧道洞门钢环的定位精度有着极高的要求。而直径超过10 m的超大直径洞门钢环对精度有着更高的要求。本文结合某过江通道15.5 m超大直径隧道洞门钢环安装难度大、精度要求更高的特点,通过洞门安装定位实测数据计算分析,针对原始数据中混入的噪声点影响拟合精度的问题,在传统的拟合方法中加入随机抽样一致算法(random sample consensus,RANSAC),提高了拟合模型对粗差的抵抗性,有效地克服了噪声点对拟合精度的扰动,获得了良好的抵抗效果。

基于RANSAC平面提取的靶标中心自动计算方法

依据平面靶标进行点云配准时,直接在软件中获取的靶标中心点坐标的精度通常会受到靶标范围内的点云质量的影响,使得配准结果无法满足精密工程测量的要求。本文提出了一种基于RANSAC平面提取靶标最佳拟合平面,然后自动计算靶标中心。试验数据处理结果表明,本文方法可以有效提高平面靶标中心坐标的计算精度。

融合RANSAC与GMS图像特征的匹配算法

图像匹配在物体识别、图像拼接领域一直是尤为重要的一部分。为解决传统图像匹配算法匹配率低的问题,本文提出了一种融合RANSAC与GMS图像特征的匹配算法(RGMS算法)。该算法在ORB的基础上提取图像特征点,利用RANSAC算法对特征点进行随机筛选,最后使用GMS算法对筛选后的特征点进行特征匹配。经采用TUM公开数据测试集与传统的暴力匹配、FLANN和GMS算法进行实证研究,实验结果表明,本文提出的匹配算法具有更好的匹配效果。尤其对于图像纹理较少的情况,本文算法的图像配准率和匹配时间较传统匹配算法具有更明显的优势。

基于RANSAC-LSM拟合模型的盾构隧道断面变形研究

由于传统的盾构隧道断面椭圆曲线拟合容易受到噪声点和孤立点的影响,拟合出的椭圆有效性和精度较低,论文引入RANSAC-LSM拟合模型,即将RANSAC算法和最小二乘法(LSM)相结合对全站仪测量数据进行拟合,利用两者的优点,克服了噪声点的影响,共同拟合出高精度椭圆。同时将RANSAC-LSM拟合方法用于实际工程中,验证了该方法在盾构隧道断面椭圆拟合中的有效性。

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。

基于多度量多模型图像投票的织物表面瑕疵检测方法

为解决自动化生产线上织物表面瑕疵检测准确率低和计算速度慢的问题,利用织物表面具有周期纹理的特性提出了一种改进的RANSac检测方法,即多度量多模型图像投票。首先将输入图像裁剪为尺寸一致的子图,计算出子图多维度量的输出值矩阵;然后与改进RANSac计算出的无瑕疵背景的多维度量标准值分别对应作差,采用投票得出每张子图的基础分;再将其在4个记数模型下得到的综合评分排序,根据顺序和偏移量在输出端得到外点所代表的瑕疵子图。实验结果表明:在自采样的织物瑕疵数据集上,选择单度量和单模型的预测精度平均可达到90.9%,平均预测时间达到0.139 s,综合多度量多模型投票的平均预测精度可达到92.7%。该算法不需要大量前期数据进行训练,适用于纯色和条纹状织物的实时表面缺陷检测。