基于CNN双目特征点匹配目标识别与定位研究

针对传统的目标识别和定位存在识别类别单一和实时性差等缺点,提出了一种卷积神经网络(Convolutional Neural Networks,CNN)结合双目特征点匹配算法实现目标识别与定位的方法。通过CNN对训练的目标进行识别并框出目标在图像上的位置,采用SURF(Speeded Up Robust Features)算法对左右图像进行特征点匹配,计算目标框内的特征点得到视差,从而得到目标相对于摄像头的位置信息。由于随着目标与摄像头距离变化,重投影矩阵Q参数发生变化,影响定位精度,通过最小二乘法拟合矩阵Q和位置模型,提高定位精度。实验结果表明,该方法能够实时地实现目标识别与定位,通过改进的双目立体模型,提高了定位精度。

基于SURF特征匹配法的高速公路能见度检测技术研究

为解决当前高速公路能见度检测稳定性低、实用性不强的问题,提出一种基于SURF特征匹配法的高速公路能见度检测方法,将摄像机获取的待检测图像进行图像预处理,然后应用SURF特征匹配算法进行特征点提取,与标准模板进行特征点匹配并分析匹配程度,进而得出能见度等级。与灰度直方图法和透射法做对比实验,结果表明:该算法能很好的模拟人眼的判别效果且处理速度快,更易实现能见度实时性监测。