基于RSSI的仿生SLAM算法研究

针对室内环境下移动机器人的定位问题,依靠视觉里程计进行的RatSLAM模型,通过局部场景模板匹配实现重定位来减少视觉里程计产生的累计误差。在静态环境下具有不错的鲁棒性,但在动态的环境中,如移动障碍物的出现,视觉里程计会提供错误的信息导致航迹出现较大的偏差,局部模板匹配由于环境的变化也会有错误匹配,导致移动机器人的定位精度不高,构图不准确。提出将RSSI定位与RatSLAM算法融合,通过信号定位提供的粗略定位点,确定精准区域的范围,用来修正位姿细胞和剔除错误模板以及达到对经历图的修正,实现了对原有RatSLAM算法的改进。     

视频流中的自适应阈值模板匹配车辆检测算法

在传统帧差法的基础上, 通过对帧差法得到的感兴趣区域进行阈值处理, 得到用白色代表前景、 黑色代表背景的黑白二值图像, 并设计了自适应阈值模板匹配车辆检测算法从黑白二值图像中定位出运动车辆. 实验结果表明, 该算法简单, 容易实现, 能准确定位车辆.     

基于局部SURF与Kalman滤波的多机器人识别与跟踪

针对SURF匹配算法,提出一种局部特征匹配的思想,对场景中多个目标机器人进行识别与跟踪。在静态场景中,利用背景差法检测出场景中所有运动机器人,提取各个机器人的轮廓,通过轮廓获得每个机器人在图像中的区域,对每个小区域提取SURF特征点并与模板图像进行匹配,得到想要跟踪机器人的位置信息,最后通过Kalman滤波对机器人位置进行修正并跟踪。实验证明本算法在不降低匹配的准确性上有效提高了识别与跟踪的效率。     

基于目标检测的室内动态场景同步定位与建图

为了提高室内动态场景下定位与建图的准确性与实时性,提出了一种基于目标检测的室内动态场景同步定位与建图（simultaneous localization and mapping, SLAM）系统。利用目标检测的实时性,在传统ORB＿SLAM2算法上结合YOLOv5目标检测网络识别相机图像中的动态物体,生成动态识别框,根据动态特征点判别方法只将识别框内动态物体上的ORB特征点去除,利用剩余特征点进行相机位姿的估计,最后建立只含静态物体的稠密点云地图与八叉树地图。同时在机器人操作系统（robot operating system, ROS）下进行仿真,采用套接字（Socket）通信方式代替ROS中话题通信方式,将ORB＿SLAM2算法与YOLOv5目标检测网络相结合,以提高定位与建图的实时性。在TUM数据集上进行多次实验结果表明,与ORB＿SLAM2系统相比,本文系统相机位姿精确度大幅度提高,并且提高了每帧跟踪的处理速度。     

一种基于优化模板匹配的红外目标跟踪算法

为了在红外环境下进一步提高目标图像在环境变化或受干扰时跟踪的准确性,提出了一种有效的红外目标跟踪方法.该方法基于归一化互相关距离的相似性度量方法,设计了匹配跟踪置信度,并在此基础上实现了基于匹配跟踪置信度加权的自适应模板更新算法.在模板更新方面,提出了自适应阈值调整策略,在目标跟踪过程中根据匹配置信度动态调整阈值,避免了固定阈值对跟踪精度的影响.通过实验证明,算法对环境变化的适应能力和跟踪稳定性方面得到了较大的提高.     

基于HSV图像匹配的改进型RatSLAM算法研究

由于室内环境的复杂性和多变性,导致单独采用Rat SLAM算法进行定位存在视觉里程计可靠性低、环境适应性较弱及RGB图像在图像识别邻域应用效果较差等问题。针对这些问题,提出了一种替代原始Rat SLAM模型中的绝对差总和(SAD)匹配的新型图像匹配方法,先利用HSV图像特征进行图像全局特征的粗匹配,再利用SURF与ORB融合算法进一步进行局部特征的精确匹配,辅助Rat SLAM模型更好地完成模板匹配,进而实现对位姿细胞网络活性的更准确修正,最终得到优良的路径经历图。仿真实验表明:改进后的Rat SLAM仿生算法较改进前定位精度明显提高、匹配的成功率显著增强、鲁棒性更好。     

基于视觉SLAM的物体实例识别与语义地图构建

针对目前面向语义同步定位与地图构建(SLAM)研究大多需要已知三维对象模型作为先验知识,或者只对有限的几种物体的类别进行语义分割,而没有区分对象的个体的问题,结合目前先进的基于深度学习的实例分割算法和视觉SLAM算法提出了一种面向实例个体的物体识别和语义地图构建方法,使得机器人不仅获得了面向导航的环境几何信息,而且掌握了面向物体个体的属性和位置信息.该方法利用由视觉SLAM算法获得的图像帧间几何一致性约束来促进连续图像帧中物体匹配与识别结果,提高物体实例识别的精度,同时结合实例识别结果完成语义建图的任务.最后实现了基于视觉SLAM算法的物体实例识别与语义地图构建系统,并在ICL-NUIM数据集上进行实验,实验结果表明该系统能够基本完整地识别场景中的各种物体并生成环境的语义地图,验证了本方法的有效性.     

基于电视末制导技术的舰船目标分割与匹配方法在复杂背景下的应用

针对电视末制导炮弹在复杂背景下对多目标舰船识别精度不高的问题,提出一种结合经典阈值分割和Prewitt边缘梯度算子的方法,对图像中存在的多个舰船轮廓实现清晰的分割,利用模板匹配,选用加速稳健特征(Speed-up robust features, SURF)算法检测特征点,将处理后的舰船图像与弹载图像进行匹配;针对匹配过程中的错误匹配问题,采用M估计采样一致性算法,有效提升了匹配正确率。数值仿真表明,弹上图像处理器在进行单帧图像处理时,通过与传统图像分割技术如坎尼梯度算子、高斯拉普拉斯(Laplacian-of-Gaussian, LoG)梯度算子和最大类间方差法对比,该文提出的算法可以清晰地将视场内的多只舰船进行有效分割,并显著减少了错误匹配。     

基于模板匹配和神经网络车牌识别技术的研究

提出了一种基于模板匹配和神经网络相结合的车牌字符识别算法.采用二维经验模式分解算法(BEMD)对图像进行去噪处理,用Sobel算子进行边缘检测,使用累计直方图和低分辨率图进行特征提取,利用模板匹配法对车牌进行粗识别,对于模板匹配不可识别或难于识别的字符改用BP神经网络进一步识别.实验结果表明,车牌的识别率和识别速度都有所提高.     

分布式视频编码中自适应图像组结构算法的改进

针对分布式视频编码系统中固定的图像组结构没有充分利用图像帧间的相关性,提出了一种在编码端自适应调节图像组结构和在解码端自适应图像组的内插算法.该算法通过帧间宏块匹配来估计相关性,将帧动态划分为关键帧和Wyner-Ziv帧,以此达到充分利用帧间相关性,提高系统压缩性能.实验结果表明,通过本文算法生成的边信息峰值性噪比(PSNR)提高约0.1～1.3 dB.