针对现有基于圆柱面映射的全景图像拼接算法无法实现自动估计焦距的问题,为满足实时性要求,提出了一种基于预测的快速特征点匹配算法和基于单应矩阵的焦距修正算法。该算法首先从待拼接图像中提取Harris角点,并计算方向梯度直方图(histo...针对现有基于圆柱面映射的全景图像拼接算法无法实现自动估计焦距的问题,为满足实时性要求,提出了一种基于预测的快速特征点匹配算法和基于单应矩阵的焦距修正算法。该算法首先从待拼接图像中提取Harris角点,并计算方向梯度直方图(histogram of oriented gradient,HOG)描述子,采用基于预测的快速匹配算法进行特征点匹配;然后使用简化的基于纯旋转运动的焦距估计算法估计出焦距初值后,采用基于单应矩阵的焦距修正算法得到更精确的焦距值;最后将平面图像投影至圆柱平面,使用基于加权平均融合算法进行拼接,合成全景图像。采用多个图像序列进行测试得出,特征点匹配速度较传统方法提高了10倍以上,自动焦距估计算法能够准确估计摄像机焦距。拼接实验结果表明,提出的算法能够快速地合成高质量的全景图像,拼接后的图像畸变小,具有较高的实用价值。展开更多
文摘针对现有基于圆柱面映射的全景图像拼接算法无法实现自动估计焦距的问题,为满足实时性要求,提出了一种基于预测的快速特征点匹配算法和基于单应矩阵的焦距修正算法。该算法首先从待拼接图像中提取Harris角点,并计算方向梯度直方图(histogram of oriented gradient,HOG)描述子,采用基于预测的快速匹配算法进行特征点匹配;然后使用简化的基于纯旋转运动的焦距估计算法估计出焦距初值后,采用基于单应矩阵的焦距修正算法得到更精确的焦距值;最后将平面图像投影至圆柱平面,使用基于加权平均融合算法进行拼接,合成全景图像。采用多个图像序列进行测试得出,特征点匹配速度较传统方法提高了10倍以上,自动焦距估计算法能够准确估计摄像机焦距。拼接实验结果表明,提出的算法能够快速地合成高质量的全景图像,拼接后的图像畸变小,具有较高的实用价值。
文摘目的针对用于SAR(synthetic aperture radar)目标识别的深度卷积神经网络模型结构的优化设计难题,在分析卷积核宽度对分类性能影响基础上,设计了一种适用于SAR目标识别的深度卷积神经网络结构。方法首先基于二维随机卷积特征和具有单个隐层的神经网络模型-超限学习机分析了卷积核宽度对SAR图像目标分类性能的影响;然后,基于上述分析结果,在实现空间特征提取的卷积层中采用多个具有不同宽度的卷积核提取目标的多尺度局部特征,设计了一种适用于SAR图像目标识别的深度模型结构;最后,在对MSTAR(moving and stationary target acquisition and recognition)数据集中的训练样本进行样本扩充基础上,设定了深度模型训练的超参数,进行了深度模型参数训练与分类性能验证。结果实验结果表明,对于具有较强相干斑噪声的SAR图像而言,采用宽度更大的卷积核能够提取目标的局部特征,提出的模型因能从输入图像提取目标的多尺度局部特征,对于10类目标的分类结果(包含非变形目标和变形目标两种情况)接近或优于已知文献的最优分类结果,目标总体分类精度分别达到了98.39%和97.69%,验证了提出模型结构的有效性。结论对于SAR图像目标识别,由于与可见光图像具有不同的成像机理,应采用更大的卷积核来提取目标的空间特征用于分类,通过对深度模型进行优化设计能够提高SAR图像目标识别的精度。
