基于分形的人造目标与自然物体区别

提出一种基于物体分形特征的人造目标与自然物体的区分方法.该方法根据人造目标和自然物体的固有差异,将分形维数作为估计表面粗糙度的一个重要参数,结合“毯子”维算法来计算物体表面粗糙度.该算法快速、简单、有效.实验表明,人造目标的分形维数较低,自然目标的分形维数较高,用此算法计算物体分形维数区别人造目标和自然物体是可行的.     

机器人自主抓取的三维点云基本形体简化算法

针对抓取任务的非结构化特性,提出一种基于非规则物体三维点云的基本形体简化算法,为抓取策略的选取提供思路,提高机器人自主抓取的准确率.将不规则的复杂物体简化为由基本形体组成的简单物体,基于三维网格分割算法将物体3D数据点进行分割,依据最优拟合算法将分割后各部分拟合为球体、椭球体、圆柱体和平行六面体中的一种,实现对复杂物体的简化.实验结果表明:本文算法可应用于不同形状及姿态的非规则物体抓取,具有较高的鲁棒性.     

用于三维重构的相机标定算法

为了从物体的二维图像参数中得到三维重构模型,需要通过相机内部参数,建立真实物体与对应成像物体的关系模型,提出一种借助双平面镜进行三维重构的相机自动标定算法.通过两个普通平面镜获取被摄物体的5个不同角度二维图像投影,自动标定算法依赖物体的投影轮廓线计算相机内部参数.试验结果表明,通过相机自动标定算法获取轮廓和相机的参数信息,能有效地实现基于视觉外壳算法的三维重构.     

有舍弃的装箱问题及其启发式算法

设计了一种启发式算法——RCF算法来解决有舍弃装箱问题.实验证明,该算法与RFF3算法相比,在物体个数比较少(<200)的情况下,由于数据的随机性会出现比RFF3算法较好;在物体个数大于200的情况下,RFF3算法具有绝对的优势.因此,提出的RCF算法在物体个数比较少的情况下,有一定的应用价值.     

基于不变角度轮廓线的三维目标识别

三维物体的快速准确识别是研究的热点.根据局部特征变换的特点,提出了不变角度轮廓线的识别方法.算法通过点云矢量特征对物体进行局部分割,利用欧式距离、测地距离以及角度三个变量,建立其不变角度轮廓特征描述,进一步提取不变矩特征,构建特征向量数据库集.被识别物体的特征描述和数据库中特征进行夹角余弦匹配,可完成物体的识别.通过识别实验以及识别算法性能分析,结果表明算法具有较高的识别率和识别效率,可以用于复杂点云物体识别.     

基于动态包围盒树的碰撞检测算法研究

改进了以AABB包围盒为基础的碰撞检测算法.在多物体筛选阶段,利用AABB的构造特性和物体的运动特性,结合一维投影和二维投影来快速排除不可能相交的物体对,为了加快相交测试的速度,在投影测试之前划分坐标轴;在对可能相交的物体对进行进一步检测时,分割物体包围盒寻找可能碰撞的图元,在分割过程中建立动态包围盒树,减少了算法存储空间,有利于物体的更新操作.实现表明,改进后的算法效率有所提高.     

模拟退火算法求解矩形物体布局问题

介绍了矩形物体布局问题,提出了基于布置点的改进思想,在引入了新的个体表达方式和物体布局规则的基础上,提出了一种模拟退火算法求解矩形物体布局问题的新思路.实例表明该算法快速有效.     

骨架提取算法的研究及在异形纤维中的应用

为了对异形纤维进行分类识别,需要对主分枝进行计数,提取纤维骨架是重要的预处理方法.提出利用物体边缘点和最小覆盖集的骨架生成算法,提取异形纤维的骨架信息.通过计算二值图像物体的局部中心点集,结合物体边缘点建立相关矩阵,获得最小覆盖集,然后利用爬山算法结合方向导数生成连续骨架.最后,对细小分枝进行修剪,保留纤维主分枝.实验证明,本算法计算的骨架保存了物体拓扑信息,并且对物体边缘噪声具有较强的抗干扰能力.     

双目立体视觉非接触式测量研究

为了实现距离和物体尺寸的非接触式测量,通过摄像机标定、图像的采集和预处理、立体校正、立体匹配、三维重建等关键技术,实现了物体点三维坐标的求解.采用图割法和块匹配2种算法分别进行立体匹配,建立了原图像与视差图之间的对应关系,实现了物体与相机距离测量,在此基础上实现了物体外观尺寸的测量.并对2种匹配算法的精度和速度进行了对比,实验结果表明:图割法测量结果更加精确,块匹配算法测量速度更快.     

基于Camshift的目标跟踪和游戏控制器的设计与实现

以Mean-Shift算法思想为基础,通过对连续的图像序列做Mean-Shift处理,并以前一帧的输出结果作为后一帧的输入,即Camshift,实现对运动物体的跟踪并监测被跟踪物体的运动状态.根据该状态发送相应的键盘按键消息,以达到模拟键盘控制游戏的目的.程序实现了对单个物体、两个物体的跟踪控制,其中对两个物体的同时跟踪,可以根据被跟踪物体的运动状态进行组合,模拟更丰富的消息.实验表明,Camshift算法可以较好地工作,得到满意的跟踪结果.