曾思康 1,2,3,*赵汝进 1,2,3马跃博 1,2,3朱自发 1,2,3[ ... ]朱梓建 1,2,3
1 中国科学院光电技术研究所，成都 610209
2 中国科学院大学，北京 100049
3 中国科学院空间光电精密测量技术重点实验室，成都 610209
针对传统帧模式星敏感器在高动态（）下星点质心提取精度低或提取失败的问题，提出一种基于事件的高动态星敏感器星点提取方法。该方法基于事件相机低延迟、高时间分辨率的特性，解决了高动态条件下的运动模糊问题。首先，提出基于时空密度的噪声去除方法，针对事件流进行降噪处理，平均去噪精度在0.85以上，提高了事件信噪比。其次，提出基于均值漂移的星点定位方法，计算星点事件簇的中心作为星点质心。最后，通过不同条件下的仿真实验，验证了所提去噪方法的有效性和鲁棒性，且角速度达到时，仍可完成星点提取，角速度在3~时，平均质心误差小于0.04 pixel，角速度达到时，平均质心误差小于0.1 pixel。
星敏感器 事件相机 质心提取 高动态 时空密度 均值漂移 Star sensor Event camera Centroid extraction High dynamics Spatiotemporal density Mean shift
1 中国科学院 智能红外感知重点实验室，上海200083
2 中国科学院上海技术物理研究所，上海00083
为了抑制测量误差对多目标双站定位的影响，本文充分利用目标短时运动航迹点时空分布特点，提出基于航迹最大密度估计的红外运动多目标双站定位方法。首先，基于双站测向射线高程差进行单帧多目标初匹配。然后，基于方向二维直方图，初步估计出目标航迹方向；以此为搜索起点，开展基于Mean Shift的目标航迹方向最大密度估计。最后，基于目标航迹方向进行航迹点真假检验，抑制测量误差对目标定位结果的影响。实验结果表明：本文方法不仅能有效剔除误匹配点，而且能抑制误差偏差点；航迹最大拟合误差小于0.5 m，平均拟合误差小于0.3 m，优于其他算法；对于既有误匹配点又有误差偏差较大定位点的目标，相比于直方图法，本文方法最大拟合误差降低幅度大于50%，平均拟合误差降低27%。本文方法能有效抑制定位误差，在目标三维定位及预测、打靶训练评估等军民用领域具有重要价值。
双站定位 多目标 红外 最大密度估计 Mean Shift dual-station positioning multi-target infrared maximum density estimation mean shift 光学 精密工程
2022, 30(12): 1509
西安理工大学计算机科学与工程学院, 陕西 西安 710048
由于室内场景中存在对象种类多样、物体几何信息复杂、物体密集问题,故室内场景结构重建存在着很大的挑战。首先,以“结构分析”为主线,利用改进的随机抽样一致(RANSAC)算法和均值漂移算法检测出房间布局的粗略划分。然后,在将初步划分结果转化为无向图的基础上,利用图割算法得到了房间布局的细分结果。最后,将重建的墙壁、地面与天花板信息相结合,完成了室内场景布局的总体重建。实验结果表明,利用改进后的算法和所提方法得到的重建结果更加准确、效果更好。
图像处理 点云数据 室内场景 均值漂移算法 划分 布局重建 图割算法 激光与光电子学进展
2021, 58(22): 2210018
1 中国矿业大学信息与控制工程学院，江苏 徐州 221000
2 中国矿业大学计算机科学与技术学院，江苏 徐州 221000
为了解决传统算法在全自动跟踪过程中遇到遮挡或运动速度过快时的目标丢失问题，本文提出一种基于YOLOv3和ASMS的目标跟踪算法。首先通过YOLOv3算法进行目标检测并确定跟踪的初始目标区域，然后基于ASMS算法进行跟踪，实时检测并判断目标跟踪效果，通过二次拟合定位和YOLOv3算法实现跟踪目标丢失后的重新定位。为了进一步提升算法运行效率，本文应用增量剪枝方法，对算法模型进行了压缩。通过与当前主流算法进行对比，实验结果表明，本算法能够很好地解决受到遮挡时跟踪目标的丢失问题，提高了目标检测和跟踪的精度，且具有计算复杂度低、耗时少，实时性高的优点。
目标跟踪 目标丢失 模型剪枝 target tracking target loss YOLOv3 you look only once v3 model pruning ASMS robust scale-adaptive mean-shift
1 武汉大学测绘学院, 湖北 武汉 430079
2 武汉大学灾害监测与防治研究中心, 湖北 武汉 430079
3 东华理工大学江西省数字国土重点实验室, 江西 南昌 330013
针对室内场景点云平面分割存在的问题,提出一种基于投影长度点云分层和基于均值漂移法向量约束的平面分割新方法。该方法首先通过主成分分析方法估算点云的法向量,再求取点云的投影长度并进行分层,然后取最大分层点云进行法向量约束,利用余下点云拟合求取平面参数并去除该平面模型包含的点云,重复上述步骤以求取所有平面的参数,接着在原始点云中提取模型点云并进行模型优化,得到最终的平面分割结果。实验结果证明,所提方法可以有效分割室内场景点云中的平面结构,提取的点云平面有较高的精度,且相较于最大似然采样一致性算法和改进的3D霍夫变换方法,所提方法在时间效率上有很大提升,更适用于室内场景点云的平面分割。
测量 激光点云 室内场景 平面分割 投影长度 点云分层 均值漂移 中国激光
2021, 48(16): 1604002
光子学报
2020, 49(10): 1001002
1 哈尔滨工业大学 光电子技术研究所 可调谐(气体)激光技术重点实验室，黑龙江 哈尔滨 150001
2 哈工大(北京)军民融合创新研究院有限公司，北京 101300
3 复杂系统控制与智能协同技术重点实验室，北京 100074
4 中国空空导弹研究院，河南 洛阳 471009
目标三维姿态信息在目标运动分析、目标识别和目标跟踪等领域的应用越来越广泛。现有的OPDVA算法采用基于距离的K-means算法对点法向量进行分类后确定目标坐标系MCS的正方向，求取目标三维姿态角。针对点法向量分类效果不理想的情况，提出了基于Mean Shift点法向量分类的目标三维姿态估计算法(PEMSPNC)。该算法利用不依赖初始参数设定、基于密度聚类的Mean Shift算法，对密度分布不同的不同平面点法向量分类，寻找密度最大处点法向量做为每类代表法向量确定MCS的正方向，然后计算目标姿态角，并根据目标姿态估计结果计算目标尺寸。采用矩形拟合法、OPDVA和PEMSPNC算法分别对仿真和实测目标距离像进行实验。实验结果表明：采用PEMSPNC算法得到的姿态估计结果误差最小，相比于OPDVA算法，平均误差降低了0.443 4°，且对实测数据有较好的处理结果。
激光雷达 Mean Shift算法 姿态估计 几何尺寸估计 Lidar Mean Shift algorithm pose estimation geometric size estimation 红外与激光工程
2020, 49(S2): 20200109
1 先进制造智能化技术教育部重点实验室, 哈尔滨 150080
2 哈尔滨理工大学 机械动力工程学院, 哈尔滨 150080
为解决高光弱纹理物体表面重建时，存在的孔洞和噪声，及信息缺失等问题，提出了光照补偿结合深度图像的重建方法.结合光照方向和光照强度的参数估计，确定高光区域并均匀光照，再以激光点的变化轨迹修正均值漂移算法的漂移区域，建立改进的均值漂移中心描述子，对深度图像的噪声和孔洞进行判定并修复，实现物体表面重建.结果表明，该方法既可以保持不同种类对象重建完整，避免信息缺失，还可减少外界环境和对象自身特征的负面影响.通过高光弱纹理标准图片和实拍物体重建实验，以及使用均方根误差、峰值信噪比和结构相似性等性能指标进行评价，验证了该方法的鲁棒性和有效性.
机器视觉 表面重建 光照估计 均值漂移 深度图处理 高光现象 弱纹理 Machine vision Surface reconstruction Illumination estimation Mean shift Depth map processing Highlight phenomenon Weak texture 光子学报
2019, 48(12): 1212002
1 兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
2 甘肃省人工智能与图形图像处理工程研究中心, 甘肃 兰州 730070
针对增强现实系统在复杂环境中跟踪注册稳健性不足以及特征搜索空间大的问题,提出一种结合显著性检测的混合跟踪注册方法。首先,利用均值漂移迭代运算预测候选目标位置,建立峰值位于目标中心的二维高斯函数,生成融合中心先验的视觉显著图;然后,提取目标显著性特征,采用均值漂移算法进行跟踪;另外,根据相似度量系数判断是否利用形变多样相似性匹配算法重定位目标;最后,构建多尺度空间的快速定向二进制描述算法进行局部目标区域的特征检测,来匹配计算得到的注册参数,完成虚实融合。实验结果表明,本方法能有效解决目标跟踪算法在背景杂波、目标遮挡、目标丢失情况下跟踪不稳定及目标检测准确度不高等问题,使增强现实系统更具稳定性。
机器视觉 目标跟踪 增强现实 显著性检测 均值漂移 形变多样相似性 算法 激光与光电子学进展
2019, 56(24): 241504
1 天津大学电气自动化与信息工程学院, 天津 300072
2 天津农学院工程技术学院, 天津 300384
3 天津理工大学电气电子工程学院, 天津 300384
水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。 在水果识别的过程中, 由于重叠和遮挡的影响使得目标识别困难, 识别率不高。 本文针对自然环境中果实重叠的识别问题, 利用谱聚类算法对图像进行分割, 然后使用随机霍夫变换实现果实的识别和定位。 针对传统算法运算复杂度高, 运算速度慢的问题, 本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。 首先使用均值漂移算法对图像进行预分割, 均值漂移是一种用于密度梯度的无参估计法。 该算法实质是一种迭代, 先计算出偏移量, 根据偏移量移动点, 如此反复, 直到偏移量为零即收敛到一点为止。 利用均值漂移算法除去大多数的背景像素, 为减少谱聚类算法的计算量做准备。 然后提取预分割图像的有用信息即图像中像素对之间相似度的描述, 将提取的图像特征信息映射到稀疏矩阵中, 并使用K-means算法将其分类。 得到最终的分类结果, 实现对预处理图像的再次分割。 然后恢复图像分割区域的颜色, 使用彩色向量梯度提取边缘轮廓, 对得到的轮廓图像使用随机霍夫变换, 并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。 经过检测可以得到目标的圆心坐标和半径, 从而实现重叠绿苹果的识别。 降低了谱聚类的数据处理量, 提高了算法的运行速度。 经过试验分析和算法对比, 该算法得到较高的重合度9541%, 较低的误差率459%和误检率305%。
均值漂移 稀疏矩阵 谱聚类 随机霍夫变换 目标定位 Mean shift Sparse matrix Spectral clustering Randomized hough transform Target location 光谱学与光谱分析
2019, 39(9): 2974
