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。

基于SIFT和自适应阈值的RANSAC算法的茶饼图像配准研究

在茶饼图像的特征点精匹配中,人工选择阈值会导致误匹配和漏匹配问题,为此提出一种基于F1-Score最大化的方法,自动选取距离阈值的随机抽样一致性(RANSAC)算法进行特征点对筛选。用尺度不变特征变换(SIFT)算法提取茶饼图像的特征点,采用快速近似最近邻(FLANN)算法将异源图像提取出来的特征点进行粗匹配,用改进后的RANSAC算法优化特征点匹配。通过对比不同算法的匹配准确率和均方根误差,证明本文算法在经过旋转、视角以及亮度变换的茶饼图像上能够综合考虑准确率和召回率,自适应地确定一个距离阈值,改进后的RANSAC算法使其准确率最大可以提高18.9%,均方根误差平均降低0.706 pixel,研究证明所提算法能够达到更好的匹配效果。

基于区域生长顺序聚类-RANSAC的水稻苗带中心线检测

为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,该研究以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法(random sample consensus,RANSAC)的水稻苗带中心线检测方法。首先,对采集的水稻秧苗图像运用归一化超绿特征法(excess green,ExG)和最大类间方差法(Otsu)分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线。试验结果表明:该方法对返青期和分蘖初期水稻苗带中心线检测率均在97%以上,比已有YOLOv3算法提高6.12个百分点,比基于区域生长均值漂移聚类算法降低2.41个百分点;平均误差角度为2.34°,比已有YOLOv3算法高1.37°,比基于区域生长均值漂移聚类算法低0.12°,平均每帧图像检测时间为15.53 ms,比已有YOLOv3算法缩短81.19%,比基于区域生长均值漂移聚类算法缩短82.74%,本文方法在保证检测精度的基础上,大幅提升了检测速度,具有良好的适应性和实时性。研究结果可为巡田机器人视觉导航提供参考。

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%。

一种改进的Harris-RANSAC长焦相机标定算法

长焦相机采集近距离棋盘格图像时易出现相机离焦现象,导致棋盘格图像产生散焦模糊,极大地增加了相机标定的难度,同时传统的Harris角点检测算法对散焦模糊的棋盘格图像进行角点检测的结果即使经过非极大值抑制处理也仍然存在大量冗余角点.针对上述问题,基于随机抽样一致(random sample consensus,RANSAC)算法提出一种改进的Harris-RANSAC长焦相机标定算法.首先,引入感兴趣区域将Harris角点检测的区域缩小到棋盘格区域以避免背景干扰;其次,采用随机抽样一致算法替代传统的非极大值抑制方法剔除冗余角点;最后,针对模糊棋盘格图像的特性构造新的响应函数,进行亚像素级角点定位,从而得到精确的角点坐标.结果表明,改进的Harris-RANSAC算法对模糊棋盘格图像进行角点检测时耗时短且精度较高,角点检测的反投影误差仅为0.432像素.

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。

基于改进SURF的增强现实图像匹配方法

针对传统增强现实图像匹配算法鲁棒性不强且效率不高的问题,提出一种改进的SURF匹配算法。首先,使用SURF算法进行特征点检测,并通过Haar小波模板确定特征主方向,在得到特征主方向后构建特征描述符;由于传统SURF算法采用高达64维的矩形描述符,导致算法的计算量非常大,并且鲁棒性不强。因此,该文使用DAISY圆形描述符替代原始算法中的矩形描述符,DAISY是三层同心圆结构,每层包含8个采样点,可以得到25个维度的描述符,这种结构使得算法的鲁棒性大大增强并且降低了计算复杂度;接着,使用特征描述符计算欧氏距离进行特征点匹配;最后,对得到的匹配点集使用随机抽样一致(RANSAC)与三角不规则网络(TIN)算法进行优化,剔除误匹配点。实验结果表明,该算法虽然略微增加了时间复杂度,但鲁棒性变得更强,并且算法的效率和匹配精度也大大提高,平均精度达到了95%以上。

RANSAC算法的自适应T_(c,d)预检验

随机抽样一致性算法是计算机视觉领域应用最广泛的鲁棒性算法。为了进一步提高RANSAC算法的运算速度,首先在介绍RANSAC算法的Tc,d预检验加速模型的基础上,提出了一种两步法用来实现优化的预检验参数选择;然后基于这种优化选择方法提出了自适应Tc,d预检验的新算法,从而实现了不依赖用户选择的RANSAC算法的自适应加速。基于窄基线和宽基线图像对的极线几何计算的实验表明,该新算法相对于标准RANSAC算法的运算速度平均提升超过了400%。

基于RANSAC模型的机载LiDAR数据中建筑轮廓提取算法

使用正交多项式分带滤波方法对机载LiDAR点云数据进行滤波处理,通过迭代不断剔除非地面高点数据,最终得到由贴近地面的数据拟合而成的正交多项式.通过设定高程阈值将数据分成地面部分与非地面部分.提出了一种基于随机抽样一致性(RANSAC)算法模型的建筑物面片识别和轮廓提取算法,实现在包含噪声的点云数据中快速准确地识别和提取建筑物轮廓.在实验中对长春市的机载LiDAR数据进行了滤波、建筑屋顶面及其轮廓的提取,验证了本文算法的较高效率和精度.

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ORB与RANSAC融合改进的图像配准

针对旋转不变性二进制描述算法(Oriented Fast and Rotated Brief,ORB)的尺度旋转性配准误差大,配准率较低及随机采样一致性(Random Sample Consensus,RANSAC)算法随机性强且不稳定的问题,提出一种ORB与RANSAC结合的快速特征匹配算法。首先,对特征点提取方式进行优化选择,消除特征边缘影响。之后构建简化的金字塔式尺度空间模型,改进分层图像的尺度空间结构,减少生成图像层数和数目;然后采用梯度方向改进传统ORB算法中的主方向提取模式,提高特征角点主方向的准确性。最后,通过构建分块随机取样检测的方式改进RANSAC算法,提高RANSAC算法的稳定性和图像配准的准确性。实验结果表明改进后的ORB和RANSAC融合算法在尺度和旋转配准方面性能有很大提高,并且配准的精度较传统ORB算法高,尺度配准精度提高55.41%,旋转配准精度提高26.66%。满足复杂图像快速精确配准拼接的精度和实时性要求。

合成孔径声呐时延估计误差校正改进算法

由相位解缠错误造成的时延估计误差会严重降低合成孔径声呐时延估计的精度。现有的时延估计误差校正算法采用二次函数作为时延的拟合模型,该模型在距离向近端和远端处不符合时延空变规律,拟合误差较大且无法估计载体的横荡和升沉运动。针对该问题,文章提出一种改进的时延估计误差校正算法,利用时延的距离空变函数代替二次函数作为拟合模型。数值仿真和实验结果表明,相较于参考算法,改进算法校正时延估计误差的效果更好、速度更快,同时还能准确地估计载体的横荡和升沉运动。运动补偿结果显示了改进算法能较好地提升成像质量。

基于RANSAC方法的星表自动匹配方法

本文把星表匹配问题转化成计算机视觉中的对应点匹配问题,接着使用二维Delaunay三角化方法对星表进行三角化,然后用RANSAC方法对星表的自动匹配问题进行了研究。研究结果表明,我们的方法能够快速有效地完成星表匹配。在总共960个样本中,除了两幅不符合匹配的星表之外,全部获得了正确的匹配结果。

基于最佳几何约束和RANSAC的特征匹配算法

为解决特征点匹配的质量与计算效率不能兼得的问题,研究了一种基于最佳几何约束和RANSAC(random sample consensus)的特征点匹配方法。采用KNN(k-nearest neighbor)算法对提取到的特征点完成初始匹配,根据匹配点对连接线长度相等、斜率相同的特点,基于统计排序策略构建最佳几何约束,剔除明显错误匹配。利用RANSAC算法进行二次过滤,确保特征匹配点对的正确率,同时给出实验结果加以验证。结果表明:在正常光照下,与Lowe’s算法和GMS算法相比,该算法匹配到的点对数有了明显增加,同时很大程度上保证了特征点的质量。

基于改进RANSAC的消防机器人双目障碍检测

针对消防机器人自主作业的障碍物快速检测问题,给出了一种基于改进随机采样一致性估计的双目障碍物检测算法。该算法首先采集双目视觉左右视图,进行半全局立体匹配获取视差信息,然后采用随机采样一致性估计的平面拟合法提取地平面模型,并采用预检验法和内点阈值限定法同时对随机采样一致性估计进行改进,从而提高算法效率,实现障碍物快速检测。实验结果证明该方法能够准确、快速检测障碍物,满足消防机器人作业需求。

改进的匹配点提纯算法mRANSAC

针对当前图像匹配算法中匹配点提纯环节不能有效提取正确匹配点的问题,提出了多变换矩阵mRANSAC(multi-RANSAC)方法.由于数字图像离散采样的原因,匹配点不能准确对应,存在一定的误差,由其拟合出的变换矩阵也各不相同,因而一个变换矩阵不能包含所有的正确匹配点.通过对RANSAC的研究发现,在抽样计算结果非最大内点数组中,只要内点数足够多,也是正确的,这也可以通过不同图像匹配点数不同来客观印证.因而提出使用多变换矩阵增加匹配点数,提高提纯效率,并提出并集法、减集法、自适应内点数阈值法三种策略.结果表明,mRANSAC提纯结果比RANSAC方法多出60%～300%.通过对mRANSAC阈值的设置和调整,可以达到近似100%的提纯率.该方法也可应用到其他有类似提纯问题的领域中.