面向装配机器人的零件视觉识别与定位方法

针对装配过程中背景复杂、零件形状多样性等因素导致的识别与定位精度较低的问题,结合加速稳健特征(SURF,speeded up robust feature)算法、快速视网膜特征点(FREAK,fast retina keypoint)算法、汉明距离及仿射变换等,给出了的一种零件识别与定位方法.首先通过SURF与FREAK算法对装配零件的特征点进行描述,其次以汉明距离作为匹配点的相似性度量,最后采用随机采样一致性(RANSAC,random sample consensus)算法进行二次匹配去除无效匹配点对.通过模板图像与装配零件图像建立四参数的仿射变换模型,结合仿射变换求解装配零件的质心坐标,再利用视觉系统的标定参数得到零件质心的世界坐标.实验结果表明,该方法实现了对装配零件快速精准的识别与定位.     

基于改进角点特征的多传感器图像配准

对模糊和有噪声干扰图像设计的高对比度角点提取算法进行了改进,将角点检测范围限定在高对比度“边缘带”,减少了角点检测范围,在保持角点检测精度的同时,算法效率提高了大约1倍.在点特征匹配阶段,采用归一化互相关初步建立点特征的对应关系,利用马氏距离仿射不变性筛选出正确点对,从而得到图像之间的仿射变换关系,实现图像的自动配准.实验结果证明了此算法的有效性和高效性.     

基于白化变换及曲率特征的3维物体识别及姿态计算

为解决3维物体识别及姿态计算问题,提出了一种基于白化变换和改进U弦长曲率特征的图像识别及姿态计算方法。该方法首先提取物体的2维形状特征,然后使用白化变换对模板物体图像轮廓和目标物体图像轮廓进行处理,使处理后的轮廓点集仅存在旋转关系;根据改进后的U弦长曲率方法,求取两轮廓的曲率,并进行匹配。实验结果表明:该方法具备较好的仿射不变性,其识别速度达到58ms/帧(CPU:2.3GHz;内存:4GB),识别率在无遮挡情况下达到了100%,姿态检测精度达到了1.5°。     

多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法

车牌图像包含的尺度、仿射变化及其复杂的背景是影响车牌定位准确度的重要因素。在高斯差（DOG）尺度空间框架下,笔者提出了一种基于多尺度乘积的角点特征和视觉颜色特征提取及其相融合的车牌定位算法。基于高斯差尺度空间的图像边缘信息,应用多尺度乘积分别提取具有尺度和仿射不变特性的角点和颜色特征,并在两特征融合结果基础上确定车牌位置候选区域;最后通过车牌区域特征点之间的距离及密集关系实现车牌的准确定位。对大量实拍的复杂环境下的车辆图像进行测试表明,该算法对车牌定位具有快速、高效的定位效果,且在噪声、仿射变换等方面的鲁棒性表现较好。     

基于模板匹配的人体日常行为识别

提出了一种以运动人体的轮廓为特征,基于模板匹配的人体行为识别方法.利用背景差分法和阴影消除技术从图像中提取完整的人体轮廓.定义一种新的轮廓描述方法,将时变的2D轮廓形状转换为对应的1D距离向量.先计算轮廓点的质心坐标,再将轮廓等弧长地分割,用直线段连接相邻的割点构成对轮廓线的多边形近似,用多边形的顶点到轮廓质心的距离和...     

一种基于轮廓特征的运动目标识别方法

针对视频图像中形状匹配的局限性,即当待检测物体出现平移、旋转变化时识别目标需要很长的计算时间,提出了一种基于轮廓特征的运动目标识别方法.首先获取能自动更新的背景图像,采用背景减法提取运动目标的轮廓,然后运用其轮廓的边界不变矩特征和形态学特征,构建一个轮廓特征向量的模型,再分析比较待测运动目标轮廓特征向量与每类标准样本之间的欧氏距离,实现对运动目标的识别分类. 试验结果表明,该方法具有识别精度高、计算量小、实时性好的特点.     

融合轮廓和区域特征的形状描述子

提出了一种融合轮廓和区域信息的新的形状描述子。首先提取图像的轮廓,并对轮廓进行采样,形成描述形状轮廓的有序点列表。之后对每个采样点分别顺时针和逆时针等距离跟踪获得两个邻点,计算相邻点距离、拱高以及质心距离三个函数的均值、方差和极差。然后获取由拱高和质心距离组成的复函数的傅里叶描述子。组合统计值与傅里叶描述子形成轮廓特征。最后对区域进行采样形成形状矩阵,获得低频傅里叶系数作为区域特征。对MPEG—7标准图形库的检索实验显示,该描述子的检索性能显著优于三角形面积函数、质心距离函数、拱高半径复函数和Hu不变矩等同类描述子。     

采用轮廓片段空间关系实现遮挡目标识别

为了实现高比例遮挡情况下的目标识别,提出一种基于轮廓片段空间关系的目标识别算法.首先,在采用轮廓的形状上下文特征进行粗匹配的基础上,对模板图像和待识别图像分别进行图像骨架关键接合点的提取和轮廓形状质心的提取.然后,以图像像素中心点为原点建立坐标系,以图像骨架关键接合点和轮廓片段质心在各自图像建立的坐标系内的位置确定空间关系.最后,制定空间关系参数约束标准,筛选满足空间关系约束准则的目标库图像为最后识别结果.与现有遮挡目标匹配算法相比,该算法可以实现高比例遮挡情况下的目标识别,在目标遮挡比例为60%的情况下,识别率可达到78%.     

采用非经典感受野交互的钢轨紧固件螺母中心多特征分级定位算法

针对铁路紧固件图像易受周边环境干扰、导致其几何中心定位精度不理想的问题,提出一种紧固件螺母中心多特征分级定位算法。该算法在优化蝶形非经典感受野模型的刺激区和抑制区的基础上,设计一种路径非感受野交互模型以匹配紧固件特征,具备优异的干扰噪声抑制能力,能精确提取紧固件圆轮廓和六角轮廓特征。根据轮廓特征,多特征分级定位算法利用六角边之间的角度约束和距离约束关系,实现了不完整轮廓下的中心精确定位。实验结果表明:该算法在正常条件下和受光照影响条件下使圆检测准确率分别提高了3%和24%,具备干扰环境下的紧固件中心精确定位能力。     

一种基于重心计算的角点检测算法

提出了一种基于重心计算的轮廓曲线角点提取算法.针对图像的数字化轮廓曲线,首先,以等曲线长为特征点检测邻域,通过插值法得到精确的支持区域端点;接着,采用分割多边形法计算支持区域重心,避免了重心近似引起的误差;最后,以曲线上的点到其对应支持区域重心距离为特征值,依据该特征值区域最大化方法实现角点提取.实验证明,本算法具有较强的抗噪声、干扰能力,且运行速度快,角点寻找准确.     

基于角点的形状分析

形状分析首先要解决的是它的形状表示,它至少需要达到两个目的:特征提取(形状描绘子)和数据压缩.付里叶描绘子是人们常用的一种形状描绘子,但这种方法计算量太大,数据压缩也很有限,特别是归一化处理非常麻烦,因而使它的应用受到限制.多边形拟合是人们常用的另一种方法,文献[3]提出了一种强有力的分裂合并算法,但这种方法处理速度很慢,在对速度要求较高的实时系统中难以得到应用,另外,当两个相似形状的多边形逼近的多边形边数不同时,即使采用动态程序的方法进行多边形比较也很麻烦.可以看到,用多边形近似描述平面封闭曲线时,多边形的顶点,即两直线段的交点,应该对应于平面封闭形状的角点,而多边形和它的顶点确定是相似的,也就是说,一组角点能唯一地确定一多边形,反之,一多边形也唯一地确定了一组角点,因此,形状的描述也可以用一组角点来近似表示.     

Application of Algorithm CARDBK in Document Clustering

In the K-means clustering algorithm, each data point is uniquely placed into one category. The clustering quality is heavily dependent on the initial cluster centroid. Different initializations can yield varied results; local adjustment cannot save the clustering result from poor local optima. If there is an anomaly in a cluster, it will seriously affect the cluster mean value. The K-means clustering algorithm is only suitable for clusters with convex shapes. We therefore propose a novel clustering algorithm CARDBK—"centroid all rank distance(CARD)" which means that all centroids are sorted by distance value from one point and "BK" are the initials of "batch K-means"—in which one point not only modifies a cluster centroid nearest to this point but also modifies multiple clusters centroids adjacent to this point, and the degree of influence of a point on a cluster centroid depends on the distance value between this point and the other nearer cluster centroids. Experimental results showed that our CARDBK algorithm outperformed other algorithms when tested on a number of different data sets based on the following performance indexes: entropy, purity, F1 value, Rand index and normalized mutual information(NMI). Our algorithm manifested to be more stable, linearly scalable and faster.     

基于类间差异最大化的加权距离改进K-means算法

为了改善K-means算法的聚类效果,将聚类准则函数定义为加权的类内误差平方总和SSE(sum of the squared error),并调整了K-means算法迭代过程中重新分配数据对象的方法:使用一个带有类内数据对象数的加权距离作为重新分配数据对象的依据,同时按类间差异最大化为准则优化了加权距离中的参数。实验表明,改进后的K-means算法可以在很大程度上减少大类被拆分情况的发生,明显改善聚类效果。     

一种基于消失点和颜色过滤器的车道线检测算法

针对经典霍夫车道线检测方法实用性较差,无法准确区分车道线和路沿与应用道路场景简单等问题,提出 了一种基于消失点和颜色过滤器的车道线检测算法,不仅提高车道线检测的准确率,而且能够应用较复杂行车场 景;首先,对行车视频连续五帧图像进行预处理,获取行车环境下车道线消失点位置,能够自适应选取行车环境图 像的感兴趣区域(Region of Interest,ROI);然后,对 ROI 图像根据车道线颜色特征进行过滤得到二值图像,获取二 值图像中所有连通区域质心和倾斜角等数据,通过结合消失点特征和角度阈值进行限制,筛选记录符合车道线特 征连通区域的数据,接着分割较大区域获取更多质心点,识别漏检符合车道线特征的区域质心点;最后,对获取的 质心点使用最小二乘法进行拟合并标识车道线;实验结果表明:算法能够在多场景道路上快速准确的检测出车道线,与经典霍夫算法进行仿真比较,算法具有一定的鲁棒性和实时性。     

非圆截面结构抛撒稳定性数值模拟

为分析初始速度、初始偏转角与质心位置对非圆截面结构抛撒稳定性的影响,利用Fluent程序,对结构在抛撒过程中的质心轨迹与旋转角进行了数值研究. 结果表明:质心径向的最终旋转角随初始抛撒速度的增加呈负指数衰减;在不同结构攻角条件下,质心径向和轴向旋转角均随着初始轴向偏转角的增加而减小,且质心径向偏转角降低速率相对较慢;结构攻角的增加在加剧径向偏转量的同时,削减了轴向偏转量;结构初始攻角与径向的偏转对质心轴向旋转影响不明显.     

松树萎蔫病发生中心化趋势和扩散模式研究

基于GIS挖掘松树萎蔫病发病林型几何质心,利用空间计量统计的方法探求松树萎蔫病扩散的模式。结果显示:滁州地区松树萎蔫病的发生呈现随机分布的态势,空间均值模型和加权标准化距模型的计算发现松树萎蔫病发生的空间特征向量-空间均值点位与首次江苏省松树萎蔫病发病区域的江浦区有较近的空间距离关联,空间均值出现在全椒县东北方位、滁州县东南方位和江苏南京市江浦区西侧方位的区域,加权的标准化距(STD)为58.133km,理论上推断以该均值点为中心,发散范围可以达到周边以58.133km为半径的区域。根据加权标准化离均差椭球参数(SDE)模型拟合得出松树萎蔫病发病点理论扩散趋向为西北-东南方向与正北左倾为62.373的角度,理论扩散的范围为长轴46.75km、短轴20.34km的椭形区域。     

基于投影序列质心的不规则形状识别

以交通标记识别为例,针对不规则形状识别提出一种新的方法。选取不规则形状的边缘点做双向投影变换,根据归一化和中心化后的投影序列数据求得加权质量,从而得出投影序列的质心。由于相似质点系的质心距离相近,因此相似投影序列的质心也相近。以棋盘距离和街区距离的线性组合替代欧氏距离来度量投影序列及其质心的相似性,继而得到不规则形状的相似程度。实验结果表明,该算法在保持较高识别精度的同时,运算速率也比较快。     

基于ADAMS的涡旋压缩机动涡盘倾覆仿真及刚柔耦合分析

针对涡旋压缩机动涡盘倾覆和运动副间隙影响问题,在对其结构特征和受力情况分析的基础上,借助Solidworks建立涡旋压缩机转子系统三维模型,利用ADAMS对模型进行运动仿真与刚柔耦合模拟仿真.结果表明:定间隙时最大倾角发生在主轴周期内转角313.2°~330.6°,间隙对倾覆下动涡盘的质心位移没有影响,但会加大动涡盘的振动;动涡盘柔性化对其质心位移没有影响,但周期内其质心点位移径向方向最大值为刚性条件下的3.17倍,加剧了动涡盘的倾覆,降低了使用寿命.     

Convex decomposition of concave clouds for the ultra-short-term power prediction of distributed photovoltaic system

Concave clouds will cause miscalculation by the power prediction model based on cloud features for distributed photovoltaic (PV) plant.The algorithm for decomposing concave cloud into convex images is proposed .Adopting minimum polygonal approximation ( MPP) to demonstrate the contour of concave cloud , cloud features are described and the subdivision lines of convex decomposition for the concave clouds are determined by the centroid point scattering model and centroid angle func -tion, which realizes the convex decomposition of concave cloud .The result of MATLAB simulation indicates that the proposed algorithm can accurately detect cloud contour corners and recognize the concave points .The proposed decomposition algorithm has advantages of less time complexity and decomposition part numbers compared to traditional algorithms .So the established model can make the convex decomposition of complex concave clouds completely and quickly , which is available for the existing prediction algorithm for the ultra-short-term power output of distributed PV system based on the cloud features .