模板匹配的三维手势识别算法

针对三维空间的手势识别,基于轻量级的二维平面手势识别算法进行了扩展及改进,将其扩展到了三维空间,提出了基于投影的单次旋转模板匹配识别方法.将手势模板集划分为空间平面手势和空间立体手势2类模板;对于空间平面手势模板,输入手势轨迹需要先投影到相应的坐标平面,再进入模板匹配流程;基于矩阵奇异值分解,计算归一化手势轨迹与模板之间的最优旋转矩阵,经过一次刚体转置即可完成与模板的匹配度计算.实验结果表明,该方法对三维手势具有较高的识别率,且对于空间平面手势、空间立体手势的识别能力较为均衡.

基于点集不变性匹配的目标检测与识别方法

许多图像目标都可以用其上有代表性的一些点（如角点或边缘上的点）及其相互关系作为特征进行描述，通过模板点集和目标点集之间的匹配可以达到识别的目的．本文提出了一种新的平面点集间的与各自的平移、旋转、尺度变化和排列次序无关的距离描述，并且这种描述在一定范围内具有唯一性．另外在此基础上，给出了一种新的目标检测与识别的算法，该算法不仅能够从较为复杂的背景中检测出经过多个平移、旋转及尺度变化的目标，而且对部分遮挡具有良好的适应能力，从而为以点集为特征的目标识别与检测提供了一种新的实用的手段．

基于奇异值分解的飞行动作评价方法研究

将飞行动作评价看成多元时间序列相似性匹配问题,提出了基于SVD的飞行动作数据特征提取方法,并构造了两个飞行动作的相似性匹配模型。将奇异值向量和特征矩阵作为飞行动作的特征,不仅具有数据降维和去噪的效果,并可将不同长度的飞行动作数据统一到同一个维度。通过对评估样本与标准样本之间的相似性度量,成功地实现了飞行动作的定量评价。真实数据上的实验表明该文的方法取得了较好的评价效果。

坐标矩阵奇异值分解下的视觉导航点对应关系计算方法

为解决视觉导航中空间点与图像点之间的映射问题,提出一种坐标矩阵奇异值分解下的点对应关系计算方法。首先,针对一般几何分布下的空间点配置情况。然后,建立了视觉导航点对应关系计算模型,以矩阵奇异值分解为工具,推导了特征点集坐标矩阵等式,构建了与旋转、尺度以及平移无关的不变特征,并计算特征点对应关系。所提出的方法避免了传统方法中特征点对应关系的指数级搜索或者在搜索特征点对应关系时需要人工设计较为复杂的匹配策略。试验结果表明,所提出的方法能够在极少次数搜索下准确获得点对应关系。

基于奇异值分解的宽基线图像匹配算法

图像匹配是计算机视觉中许多应用研究的基础。窄基线匹配技术虽然较为成熟,但是解决能力有限,不能处理较大的尺度、旋转、亮度以及仿射变化引起的宽基线图像序列的匹配。针对宽基线图像序列匹配的特点,在分析传统SVD匹配算法不足的基础上,引入具有尺度和旋转不变性的特征,改进邻近矩阵的度量方式,设计了一种新的基于奇异值分解的宽基线自动匹配算法。通过对比实验表明,该算法性能优于基于SIFT距离的匹配器和原SVD匹配算法,对于存在较大的尺度、旋转、亮度等宽基线变化的图像序列,能够自动获得更多的正确匹配点对和较高的准确性,鲁棒性强,甚至对视角和仿射变换也有一定的适应性。

基于奇异值分解的图像匹配和目标跟踪研究

在目标跟踪过程中,由于存在目标姿态变化和背景干扰,在跟踪过程中必须要对模板进行必要的修正,应该在获取目标模板后有一个可靠的模板更新策略.本文探讨了奇异值分解及其在图像匹配和目标跟踪中的应用,定义了一种近似奇异值向量并提出了一种基于图像奇异值特征向量数据特点的跟踪策略并作了大量试验,试验结果表明所提出的图像匹配方法和目标跟踪策略的有效性.

火星探测无人机快速景象匹配算法

针对火星无人机探测飞行过程的特点及其机载计算机的局限性,在充分研究了矩阵奇异值向量性质特点的基础上,对奇异值向量进行主分量分析,提出了一种应用于火星无人机平飞段的基于奇异值分解的分层快速景象匹配算法,并给出了与之相应的机载特征数据存储方法。与相关算法的对比性实验表明,本文提出的算法具有准确,稳定,且速度更快,数据量更小的优点。通过仅在飞行末段,将本文算法切换成现有的基于S IFT算子的匹配算法,能在实现火星无人机全程快速景象匹配的同时,有效降低对其机载计算机综合性能的要求。

多特征提取与匹配矩阵驱动的点云配准

针对三维点云配准时容易受到噪声、奇异值等不利因素影响的问题,提出一种多特征提取与匹配矩阵驱动的点云配准方法。利用多特征提取模块提取稳健的关键点和关键点的局部几何特征;分别计算出关键点的特征匹配矩阵和空间匹配矩阵,并对二者进行融合,提高正确匹配点对的概率;在前两方法的驱动下,利用加权奇异值分解计算点云间的刚体变换矩阵,降低噪声和奇异值等因素对配准的影响。实验结果表明,所提方法与现有的点云配准方法相比,具有更高的配准精度和较强的鲁棒性。

基于K-SVD-OMP的稀疏表示方法在电力负荷预测中的应用

针对中期或短期电力负荷预测,提出一种基于稀疏表示的特征提取建模方法。为构建预测模型,将历史电力负荷等数据构成具有时延的输入—输出数据对,将时延输入数据向量作为初始字典,采用K均值—奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典。进一步,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为核极限学习机(KELM)的输入来构建全局回归模型。为了验证该方法的有效性,将所提出的方法用于不同地区的中期或短期电力负荷预测中,在同等条件下还与单一KELM、支持向量机(SVM)、极限学习机(ELM)方法以及非字典学习的其他稀疏表示建模方法进行了比较。实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提方法具有更好的预测效果,显示出其有效性。

基于KCCA的特征匹配方法

特征匹配问题是计算机视觉和模式识别中一个关键步骤,在很多领域都有着重要的应用。借助核典型相关分析思想,提出了一种基于空间相关性的特征匹配方法,该方法通过核典型相关分析,将特征点集投影到核空间中,并将投影向量作为匹配特征,根据投影向量之间的相似性进行匹配。仿真实验结果表明,该算法优于基于谱分解的特征匹配算法,在图像含有噪声和存在结构误差的情况下,算法具有较高的匹配率。

基于奇异值分解的自适应模板更新研究

研究了基于奇异值分解的图像匹配和目标跟踪问题。由于图像的奇异值特征具有良好的稳定性,可以将奇异值当作一种有效的代数特征来描述并表征图像。根据所定义的奇异值缩放不变量提出了一种基于奇异值分解的模板更新算法。在算法中,根据奇异值向量的缩放不变特征来度量当前模板内的目标信息,然后根据所定义的置信度自动计算更新后所需的模板大小,从而使更新后的模板更有效地包含目标。试验表明:提出的模板更新算法在序列图像的目标跟踪中具有较好的实用性。

基于仿射迭代方法的大基线图像匹配技术研究

两幅图像中相应特征点邻域窗口之间的单应映射可以用仿射变换模型来近似。本文首先通过奇异值分解给出仿射变换矩阵4个自由度的几何含义,然后将其分解为一个相似变换矩阵和一个旋转的准单位矩阵(Rotated Quasi-Identity Matrix)的乘积,即在基于相似变换模型匹配的基础上再用基于仿射变换模型的迭代算法对相应特征点精确定位。针对相似变换中初始旋转角度的难确定性,在初始匹配中提出基于亮度最速下降方向的对齐方法,而在引导匹配阶段提出基于相应极线方向的对齐方法,这两个策略不仅提高了算法效率,还能为进一步的仿射迭代提供良好的初值。在得到最优仿射变换参数之后,实现了对相应特征点定位误差的精确补偿及其邻域窗口的透视矫正。最后通过真实图像的实验以及和现有算法的比较验证了本文算法的可行性和精确性,并给出了相应的实验数据和结果。

基于CCA的图像特征匹配算法

基于典型相关分析的思想,提出一种可以解决具有相同数目特征点的图像特征匹配算法.算法利用典型相关分析将提取的2幅图像的特征点投影到新的特征空间上,将获得的投影向量作为匹配特征构造匹配矩阵,最后根据匹配矩阵元素的大小判断特征点的匹配关系.仿真实验结果验证了该算法的有效性和稳健性.

计算机视觉不变量用于几何零件的匹配

许多图像目标都可以用其上有代表性的一些点（ 如角点和边缘上的点） 及其相互关系作为特征作为描述，通过模板点集与目标点集之间的匹配可以达到识别的目的。以计算机视觉的不变性理论为基础，对几何零件的边缘角点应用变化，构造出两种不变理论，并应用到几何零件的识别。由于这两种距离矢量都是基于统计特性。

基于奇异值特征的目标识别复合算法

提出了一种基于灰度模板匹配与奇异值分解相结合的目标识别复合算法,并在目标搜索过程中采用了先粗匹配后细匹配的匹配方法,使得匹配速度和精确性大幅度提高;同时算法中消除了光线、目标大小变化等对模板匹配的影响;最后通过实验验证了该算法的实用性,取得了比较理想的实验效果。

基于特征点匹配的点云配准方法研究

针对快速点特征直方图(fast point feature histogram,FPFH)与迭代最近点(iterative closest point,ICP)算法结合的配准方法达不到精度要求的问题,文章在FPFH的基础上加入特征点的提取与匹配,使得配准精度进一步提升。该方法先通过尺度不变特征变换(scale-invariant feature transform,SIFT)算法和3DHarris算法对点云数据的特征点进行提取,再通过计算FPFH寻找对应点对,使用随机采样一致性(random sample consensus,RANSAC)算法剔除错误点对,通过奇异值分解(singular value decomposition,SVD)算法计算初始旋转矩阵和平移矩阵,最后用传统ICP精配准。结果表明,基于特征点匹配的算法相比基于特征描述的算法精度更高。

基于集合光滑的深度学习自动历史拟合方法

针对具有复杂地质特征的大规模油藏反演建模难题,研究整合深度学习模型与数据同化算法的自动历史拟合方法。提出奇异值分解-深度变分自编码模型,基于奇异值差分谱估计油藏模型参数的本征维数,并以此作为潜变量维数;编码器对油藏模型参数进行特征提取并降维至低维潜变量空间,解码器将低维潜变量重构生成与先验地质统计特征一致的油藏模型;结合多次迭代同化的集合光滑方法,更新低维潜变量并解码重构至对应的油藏模型参数,进行生产历史拟合。结果表明:保留90%信息估计的模型参数本征维数作为潜变量维数,能够保持清晰的相边界;相比传统的奇异值分解降维方法深度变分自编码模型能够有效地处理复杂离散地质特征;提出的方法能够准确地预测河流相分布。

基于稀疏表示方法的短期风电功率预测

针对短期风电功率预测,提出一种基于稀疏表示特征提取的建模方法。为了构建预测模型,将历史风电功率数据构成具有时延的输入-输出数据对,将时延输入数据向量作为初始字典,由K-均值奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为极限学习机(ELM)或支持向量机(SVM)的输入来构建全局回归模型。为了验证所提出的方法的有效性,将所提出的方法用于短期风电功率预测中,在同等条件下与单一SVM、ELM方法和非字典学习的其他稀疏表示建模方法进行了比较。实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提出的方法具有更好的预测效果,显示出其有效性。

基于稀疏表达特征提取的发动机爆震状态检测

研究了利用发动机缸体振动信号进行爆震检测和强度评价的方法,提出了一种基于广义正交匹配追踪的改进K-均值奇异值分解(K-means singular value decomposition,简称K-SVD)信号处理方法,将稀疏表达理论引入了发动机爆震特征识别领域。首先,对缸体振动信号进行稀疏分解,得到涵盖爆震特征的稀疏字典以及针对单个信号的稀疏系数;然后,计算重构信号的四阶累积量的自然对数,提出了一种爆震强度评价指标。计算结果表明,该方法对于混有强烈背景噪声的缸体振动信号表现出了良好的降噪和特征提取能力,且提高了运算效率,能够准确区分强烈爆震、轻微爆震和正常燃烧3种状态,证明了该方法在发动机爆震识别领域的应用价值。

一种高配准率的基于隔行隔列的序贯相似性检测算法

运用信噪比峰值法、全局质量指标计算法、平均结构化相似度指标以及隔行隔列的序贯相似性检测算法对图像进行处理,再通过非线性过滤的方法对图片进行进一步的除杂。通过观察图像频谱中的噪声分布,根据噪声点的在频率域的分布情况,本文选用合适的滤波器来过滤图像中的噪声。通过实验结果对比,基于隔行隔列的序贯相似性检测算法能够有效的降低图像噪声,同时更好的提高了图像的准确度和清晰化效果。