1 西北工业大学 无人系统技术研究院,陕西西安70072
2 中国人民解放军军事科学院 国防科技创新研究院,北京100850
针对室内弱纹理环境下基于点特征的视觉同步定位与建图(Simultaneous Localization and Mapping, SLAM)存在的轨迹漂移等问题,提出了一种融合点线特征的双目视觉SLAM系统,并对线特征的提取与匹配问题展开研究。为了提高线特征的质量,通过长度与梯度抑制、短线合并等方法,进一步改进LSD(Line Segment Detector)线特征提取方法。同时,通过将匹配问题转换为优化问题,并利用几何约束构建代价函数,提出了一种基于几何约束的快速线段三角化方法。实验结果表明,本文所提方法在多个数据集上的表现都优于基于描述子的传统方法,尤其在室内弱纹理场景下,其平均匹配精度达到91.67%,平均匹配时间仅需7.4 ms。基于此方法,双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2,PL-SLAM的定位误差分别为1.24,7.49,3.67 m,定位精度优于现有算法。
双目视觉 线特征提取 视觉同步定位与建图 特征匹配 binocular vision line features vision simultaneous localization and mapping feature matching
1 中国科学院 长春光学精密机械与物理研究所,吉林 长春 130033
2 中国科学院大学,北京 100049
3 西南交通大学-利兹学院,四川 成都 610097
为解决无人机在室外实际飞行时的自主避障问题,提出一种基于Ghost改进的YOLOv5轻量化双目视觉无人机避障算法。首先,引入Ghost模块改进YOLOv5中的CBL和CSP_X单元,使用作为回归损失函数,并将非极大值抑制修改为以优化损失函数;其次,对双目相机进行标定和校正;使用ORB特征点提取和滑动窗口匹配算法得到检测目标的视差值,再根据视差值和相机内参求解出障碍物的距离信息;最后,根据障碍物的位置和距离实现无人机的自主避障。该避障算法在嵌入式系统中运行的平均FPS达到14.3,并用无人机避障飞行试验证实了该算法的可行性;改进后的网络检测平均准确率为76.88%,与YOLOv5相比,平均检测精度均值下降0.37%,但检测时间下降22%,参数量下降25%。该算法对无人机的自主避障具有重要的应用价值。
目标检测 轻量化 特征匹配 无人机避障 object detection lightweight feature matching obstacle avoidance unmanned aerial vehicles
1 桂林电子科技大学信息与通信学院,广西 桂林 541004
2 梧州学院机器视觉与智能控制广西重点实验室,广西 梧州 543002
传统非实时图像拼接方法易因局部图像失配导致全局拼接中断。此外,显微图像具有大量相似的微观结构,存在特征检测耗时长、误匹配率高等问题。为此,提出一种基于载物台运动信息的显微图像预测拼接算法。通过控制电动载物台XY轴移动距离来决定相邻图像间重叠区域大小,在图像的重叠区域采用加速稳健特征算法检测特征点。利用图像间前后位置关系预测待匹配特征点的范围,在预测范围内筛选出最小欧氏距离的待匹配点。最后通过匹配特征点对的斜率粗筛选匹配点对,随机抽样一致性算法进行精匹配并计算单应性矩阵配准图像完成拼接,使用改进的加权平均算法融合拼接图像。实验结果表明:与暴力匹配和快速最近邻搜索算法相比,所提算法匹配率提高7.95%~26.52%,有效提高配准精度。同时,当图像分辨率为1600×1200时,多图拼接速率为2 frame·s-1,其效果优于AutoStitch软件拼接效果。
图像处理 显微图像 特征匹配 预测拼接 激光与光电子学进展
2024, 61(8): 0837012
中国电子科技集团公司第十研究所航空电子信息系统技术重点实验室,四川 成都 610036
针对人工描述子在多模态匹配任务中辨识能力不足导致匹配效果不佳的问题,基于构造的累积结构特征图对多模态图像特征匹配方法的特征点提取、主方向分配和描述子构造等3方面进行扩展。在特征提取阶段,在不同尺度的累积结构特征图上提取混合特征点,兼顾特征点重复性和定位精度;在主方向分配阶段,采用累积结构特征和方向构造局部结构特征场提取特征点主方向,缓解特征点主方向估计容易出错的问题;在描述子构造阶段,对累积结构特征描述子进行L1距离归一化及开方操作替代L2距离归一化,提高描述子在特征匹配阶段的辨识能力。多模态匹配对比实验结果表明:相较于LHOPC、RIFT和HAPCG,所提方法在平均匹配正确点数目和平均匹配正确率等综合指标上明显占优;相较于CSF,所提方法平均正确率提升6.6%,平均匹配精度提升5.8%,表明其有效性。
多模态遥感图像 非线性辐射差异 累积结构特征 特征场 特征匹配 激光与光电子学进展
2024, 61(4): 0428002
1 西南科技大学信息工程学院,四川 绵阳 621000
2 中国船舶航海保障技术实验室,天津 300131
3 天津航海仪器研究所,天津 300131
4 特殊环境机器人技术四川省重点实验室,四川 绵阳 621000
轮式里程计在复杂不平的地形和光滑的地面上性能较差,传统的激光扫描匹配方法并不总是正确地建立点云之间的对应关系,容易出现点与点之间的异常关联,导致定位精度较差。针对这一问题,提出一种基于方向端点的激光扫描匹配方法。首先,从环境中提取直线端点作为特征点,通过端点间的特征匹配得到相邻时刻移动机器人的相对位姿关系。基于端点的匹配方法在特征点较少时有可能会产生误匹配,为进一步提高匹配精度,利用端点的方向剔除误匹配的特征点。在此基础之上,利用迭代最近邻法进一步优化方向端点的匹配结果,得到更加精准的移动机器人位姿。实验结果表明,所提方法在7 m×7 m的室内光滑地面环境中,能够达到0.12 m的平均定位误差以及1.18°的平均角度误差,与传统的激光扫描匹配方法相比精度更高。
移动机器人定位 激光扫描匹配 特征匹配 激光里程计 激光与光电子学进展
2024, 61(4): 0428010
针对目标跟踪中常见的目标遮挡问题,提出一种自适应特征匹配网络。该网络通过计算查询帧与记忆帧像素级相似度,将目标和背景相似度关系进行编码,获得像素级相似度矩阵,并通过将查询帧与记忆帧分头的方式,实现多维度相似性计算,以关注查询帧中更多区域,并通过计算的相似度矩阵,对记忆帧进行自适应特征加权,以此来提高目标跟踪的精度和鲁棒性。此外,特征记忆网络可以对记忆帧进行挑选和保存,为特征匹配提供额外表观信息,使网络隐性学习目标运动趋势,进而实现更好的跟踪结果。实验结果表明,该方法在GOT-10k,LaSOT等数据集上表现良好,在GOT-10k数据集上,本文所提出的算法与STMTrack算法相比,
![]()
![]()
值提升1.8%。根据可视化结果显示,本文算法在目标遮挡、消失等挑战中,具有更强的鲁棒性。
目标遮挡 自适应 特征匹配 记忆网络 object occlusion self-adaption feature matching memory network 光学 精密工程
2023, 31(22): 3345
南京理工大学瞬态物理国家重点实验室, 南京 210000
针对运动网格统计(GMS)等特征匹配算法误匹配集中出现, 且在视点变化较大的情况下, 由于匹配点过少而导致匹配失败的问题, 提出了一种使用改进GMS算法结合RANSAC计算单应矩阵的特征匹配算法。首先,对原始GMS算法网格进行分配权重, 设置可变阈值以获取足够匹配点, 通过对改进GMS算法得到的匹配点集使用RANSAC拟合单应矩阵, 并对初始暴力匹配集进行细筛选生成最终的匹配点集。在公开的特征匹配数据集上的实验表明, 匹配准确率和召回率分别提升了22.69%, 18.58%, 算法更适用于视点变化较大的场景。
特征匹配 GMS算法 可变阈值 RANSAC算法 视点变化 feature matching GMS algorithm variadic parameter RANSAC algorithm viewpoint change