Image matching refers to the process of matching two or more images obtained at different time,different sensors or different conditions through a large number of feature points in the image.At present,image matching ...Image matching refers to the process of matching two or more images obtained at different time,different sensors or different conditions through a large number of feature points in the image.At present,image matching is widely used in target recognition and tracking,indoor positioning and navigation.Local features missing,however,often occurs in color images taken in dark light,making the extracted feature points greatly reduced in number,so as to affect image matching and even fail the target recognition.An unsharp masking(USM)based denoising model is established and a local adaptive enhancement algorithm is proposed to achieve feature point compensation by strengthening local features of the dark image in order to increase amount of image information effectively.Fast library for approximate nearest neighbors(FLANN)and random sample consensus(RANSAC)are image matching algorithms.Experimental results show that the number of effective feature points obtained by the proposed algorithm from images in dark light environment is increased,and the accuracy of image matching can be improved obviously.展开更多
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。...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。展开更多
激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(F...激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(Fast Point Feature Histograms, FPFH)提取关键点特征,嵌入多核多线程并行处理模式(OpenMP)提高特征提取速度;然后基于提取的FPFH特征,使用采样一致性初始配准算法(Sample Consensus Initial Alignment, SAC-IA)进行相似特征点粗配准,获取点云集间的初始旋转平移变换矩阵;最后采用ICP算法进行精配准,同时采用最优节点优先(Best Bin First, BBF)优化K-D tree近邻搜索法来加速对应关系点对的搜索,并设定动态阈值消除错误对应点对,提高配准快速性和准确性。对两个实例的配准点云进行了实验验证,结果表明,提出的优化配准算法具有明显速度优势和精度优势。展开更多
针对ORB(Oriented FAST and Rotated BRIEF)特征匹配算法在复杂环境变化下匹配精确率低以及匹配速度过慢的问题,提出了一种基于四叉树分解法和RANSAC(随机抽样一致性)方法的改进ORB算法。首先对待处理的原始图像经过四叉树分解法来剔除...针对ORB(Oriented FAST and Rotated BRIEF)特征匹配算法在复杂环境变化下匹配精确率低以及匹配速度过慢的问题,提出了一种基于四叉树分解法和RANSAC(随机抽样一致性)方法的改进ORB算法。首先对待处理的原始图像经过四叉树分解法来剔除掉灰度变化不明显的区域,然后再进行FAST特征点检测,在特征点匹配环节通过改进的RANSAC方法消除掉错误匹配。实验结果表明,改进后的ORB算法有效匹配精度提升23.5%,时间缩短了18.4%,在环境复杂变化时具有良好的鲁棒性与实时性。展开更多
温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量...温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量庞大的负荷侧资源进行负荷跟随控制,该文建立温控负荷的虚拟电池模型和负荷集群的聚合模型,并提出基于双层分布式通信网络的控制策略。上层利用分布式交替方向乘子法(alternating direction method of multipliers,ADMM)来解决不同负荷聚合器的最佳跟随功率问题,以确保跟随效益最优;下层提出基于快速分布式平均一致性算法的深度神经网络(deep neural networks,DNN)的方法,使得聚合器内部的所有温控负荷以相等的虚拟电池荷电状态(state of charge,SoC)快速共享上层得到的跟随功率,并有效减少了通信数据量。不同时间尺度的算例验证提出的控制策略能够实现快速的负荷跟随,并保证用户侧的效益。展开更多
针对双目视觉测距中测量误差大、图像信息单一、实时性差等问题,提出一种基于ORB(oriented fast and rotated brief)特征的双目测距方法。对视频帧进行中值滤波处理,提取图像ORB特征,通过实验选出匹配效果最好的汉明距离。对筛选后的匹...针对双目视觉测距中测量误差大、图像信息单一、实时性差等问题,提出一种基于ORB(oriented fast and rotated brief)特征的双目测距方法。对视频帧进行中值滤波处理,提取图像ORB特征,通过实验选出匹配效果最好的汉明距离。对筛选后的匹配点进行RANSAC(random sample consensus)模型估计,去除误匹配,分析视差和真实距离的模型关系,构建最优的测距模型并在实验平台上进行验证。结果表明:所提方法比其他双目测距方法具有测距精确、运行速度快、鲁棒性强的优势,能够实时显示图中特征的距离信息。展开更多
针对核环境下自主式导航机器人对目标识别与跟踪过程中提高特征点匹配的准确率和稳定性问题,提出一种基于加速鲁棒特征(speed up robust features,SURF)算法进行特征提取和特征描述,利用快速最近邻逼近搜索函数库(fast library for appr...针对核环境下自主式导航机器人对目标识别与跟踪过程中提高特征点匹配的准确率和稳定性问题,提出一种基于加速鲁棒特征(speed up robust features,SURF)算法进行特征提取和特征描述,利用快速最近邻逼近搜索函数库(fast library for approximate nearest neighbors,FLANN)算法进行特征点预匹配,并使用随机采样一致性(random sample consensus,RANSAC)算法优化匹配结果,从而实现图像实时匹配与识别。实验结果表明,在不同实验条件下,包括角度变换、缩放变换、局部遮挡、局部光照等,本文算法均能匹配出目标区域内模板图像,具有较好的精确性和稳定性。展开更多
在使用点云FPFH(Fast Point Feature Histograms)特征进行三维物体识别或配准时,人为主观调整邻域半径计算FPFH特征描述符具有随意性、低效性,整个过程不能自动化完成。针对该问题,提出了自适应邻域选择的FPFH特征提取算法。首先,对多...在使用点云FPFH(Fast Point Feature Histograms)特征进行三维物体识别或配准时,人为主观调整邻域半径计算FPFH特征描述符具有随意性、低效性,整个过程不能自动化完成。针对该问题,提出了自适应邻域选择的FPFH特征提取算法。首先,对多对点云估算点云密度;然后,计算多个邻域半径以提取FPFH特征用于SAC-IA配准,统计配准性能最优时的半径与点云密度值,使用三次样条插值拟合法求出函数表达式,形成自适应邻域选择的FPFH特征提取算法。实验结果表明,该算法根据点云密度自适应选择合适的邻域半径,提升了FPFH特征匹配的性能,同时加快了运算速度,具有指导价值。展开更多
基金Supported by the National Natural Science Foundation of China(No.61771186)the Heilongjiang Provincial Natural Science Foundation of China(No.YQ2020F012)the University Nursing Program for Young Scholars with Creative Talents in Heilongjiang Province(No.UNPYSCT-2017125).
文摘Image matching refers to the process of matching two or more images obtained at different time,different sensors or different conditions through a large number of feature points in the image.At present,image matching is widely used in target recognition and tracking,indoor positioning and navigation.Local features missing,however,often occurs in color images taken in dark light,making the extracted feature points greatly reduced in number,so as to affect image matching and even fail the target recognition.An unsharp masking(USM)based denoising model is established and a local adaptive enhancement algorithm is proposed to achieve feature point compensation by strengthening local features of the dark image in order to increase amount of image information effectively.Fast library for approximate nearest neighbors(FLANN)and random sample consensus(RANSAC)are image matching algorithms.Experimental results show that the number of effective feature points obtained by the proposed algorithm from images in dark light environment is increased,and the accuracy of image matching can be improved obviously.
文摘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。
文摘针对ORB(Oriented FAST and Rotated BRIEF)特征匹配算法在复杂环境变化下匹配精确率低以及匹配速度过慢的问题,提出了一种基于四叉树分解法和RANSAC(随机抽样一致性)方法的改进ORB算法。首先对待处理的原始图像经过四叉树分解法来剔除掉灰度变化不明显的区域,然后再进行FAST特征点检测,在特征点匹配环节通过改进的RANSAC方法消除掉错误匹配。实验结果表明,改进后的ORB算法有效匹配精度提升23.5%,时间缩短了18.4%,在环境复杂变化时具有良好的鲁棒性与实时性。
文摘温控负荷(thermostatically controlled loads,TCLs)集群作为一种灵活的可调度资源,已成为促进电网经济运行和帮助电网恢复稳定的有力手段之一。然而,由于温控负荷单体功率小、位置分散且参数各异,给调度带来了困难。为了灵活利用数量庞大的负荷侧资源进行负荷跟随控制,该文建立温控负荷的虚拟电池模型和负荷集群的聚合模型,并提出基于双层分布式通信网络的控制策略。上层利用分布式交替方向乘子法(alternating direction method of multipliers,ADMM)来解决不同负荷聚合器的最佳跟随功率问题,以确保跟随效益最优;下层提出基于快速分布式平均一致性算法的深度神经网络(deep neural networks,DNN)的方法,使得聚合器内部的所有温控负荷以相等的虚拟电池荷电状态(state of charge,SoC)快速共享上层得到的跟随功率,并有效减少了通信数据量。不同时间尺度的算例验证提出的控制策略能够实现快速的负荷跟随,并保证用户侧的效益。
文摘针对双目视觉测距中测量误差大、图像信息单一、实时性差等问题,提出一种基于ORB(oriented fast and rotated brief)特征的双目测距方法。对视频帧进行中值滤波处理,提取图像ORB特征,通过实验选出匹配效果最好的汉明距离。对筛选后的匹配点进行RANSAC(random sample consensus)模型估计,去除误匹配,分析视差和真实距离的模型关系,构建最优的测距模型并在实验平台上进行验证。结果表明:所提方法比其他双目测距方法具有测距精确、运行速度快、鲁棒性强的优势,能够实时显示图中特征的距离信息。
文摘在使用点云FPFH(Fast Point Feature Histograms)特征进行三维物体识别或配准时,人为主观调整邻域半径计算FPFH特征描述符具有随意性、低效性,整个过程不能自动化完成。针对该问题,提出了自适应邻域选择的FPFH特征提取算法。首先,对多对点云估算点云密度;然后,计算多个邻域半径以提取FPFH特征用于SAC-IA配准,统计配准性能最优时的半径与点云密度值,使用三次样条插值拟合法求出函数表达式,形成自适应邻域选择的FPFH特征提取算法。实验结果表明,该算法根据点云密度自适应选择合适的邻域半径,提升了FPFH特征匹配的性能,同时加快了运算速度,具有指导价值。