基于单视图稀疏点的汽车三维模型重建

基于深度学习的图像识别模型训练需要大量数据,而不同角度的汽车视图数据难以在短时间内收集,为此提出一种利用单视图稀疏点的汽车三维模型重建方法,依靠少量数据也能得到精确的结果。创建了包含3 000多张不同汽车品牌的多视角二维汽车图形数据集,并在TensorFlow框架下搭建了基于MobileNet V2网络和迁移学习的汽车视图角度识别系统,其结果能够进一步用于快速的模型匹配及重建;根据创建的汽车三维线框模型库以及二维关键点和三维模型的映射关系,利用带约束的最小二乘法求出模型库中不同模型对于重建的贡献量系数,直接由二维图片上稀疏的25个关键点生成三维模型。误差分析结果显示,重建的三维车身模型具有较高精度。     

压缩感知理论下扩展迭代重加权最小二乘算法的性能分析

利用最稀疏表示重构原始信号是压缩感知理论的核心,而基于几何影射约束的最小l1范数凸优化算法是其实现的主要方法。目前,解决最小lp(p≤1)范数问题的关键是迭代重加权最小二乘算法(IRLS-p,0p≤1),但其收敛和实时性较差。为此,文中从最小化矩阵秩的角度出发对一类扩展迭代重加权最小二乘算法(EIRLS-p)进行性能实现分析,用以改进IRLS-p算法的连续迭代收敛性及其实时性能。验证结果表明,EIRLS-0和sEIRLS-0算法性能优于奇异值门限(SVT)算法。同时,在没有先验知识的情况下,sEIRLS-0算法性能也优于迭代硬阈值(IHT)算法。     

L_1范数字典约束的感兴趣区域CT图像重建算法

针对现有全变分(TV)约束感兴趣区域(ROI)重建方法易产生块状伪影、细小结构丢失的问题,提出了一种L1范数字典稀疏约束的ROI低剂量CT医学图像重建算法。首先将ROI医学图像重建问题转化为最优化问题,以罚加权最小二乘函数为保真项,L1范数字典稀疏表示为约束项构建目标函数;然后将目标函数分解为图像更新和字典稀疏表示两个子优化问题,并交替求解上述两个子优化问题,实现ROI图像重建。胸腔模体仿真实验结果表明,在分别添加光子数为1×105、5×104和1×104泊松噪声投影情况下,与TV约束重建方法相比,图像结构相似度(SSIM)分别提高约0.103 5、0.113 1和0.125 8,峰值信噪比分别提高4.88、4.93和5.44dB。山羊肺部实际CT扫描实验结果进一步证明,本文算法能够有效地去除块状伪影且较好的保留细小结构。     

基于L1范数正则化的三维多震源最小二乘逆时偏移

与常规偏移相比,最小二乘偏移在振幅保真性、提高分辨率、压制偏移噪音等方面具有较大优势。交错网格下基于一阶波动方程的最小二乘逆时偏移能够考虑介质密度的影响,且在压制数值频散方面有一定的优势,但该方法目前主要应用于二维介质中。为了拓展方法的适用范围,将该算法推广到三维情形下。同时,考虑到多震源方法会引入串扰噪声,在目标泛函中引入L1范数的稀疏正则化约束,并给出一种快速有效的解法。结果表明,相位编码算法可显著降低计算量,提高计算效率,但会引入高频的串扰噪音,而L1范数正则化由于加入稀疏约束,可有效地压制成像结果中的低频和高频噪音,显著提升成像分辨率,较大程度地改善成像质量,且线性Bergman解法降低反演结果对参数的依赖度,适用于实际资料的处理。     

迭代加权l1算法在双信号重构中的应用

讨论两个稀疏信号恢复问题,利用对数促稀疏函数提出新的双信号重构模型,并将其转化为无约束最小二乘问题.使用中的迭代加权l1算法(IRL1e1)进行求解.在适当假设下证明了该算法的收敛性.进行数值测试,并与Gist和IRLS算法进行了数值对比.实验结果表明我们的算法具有较少的CPU时间及迭代次数.     

关于两个线性模型WLSE的比较

讨论无约束线性模型的加权最小二乘估计与相应的有约束模型的加权最小二乘估计相等的充分必要条件     

一种改进的最小二乘支持向量机算法

最小二乘支持向量机是标准支持向量机的一种扩展,它是支持向量机在二次损失函数下的一种形式.它用等式约束代替不等式约束,求解过程变为解一组等式方程,避免了求解耗时的二次规划问题,但同时也丧失了标准支持向量机的稀疏性,影响了二次学习的效率.针对上述问题,本文提出了一种改进的最小二乘支持向量机增量学习方法.改进的最小二乘支持向量机算法采用自适应剪枝方法对解进行稀疏,根据每次训练得到的分类器性能来设定剪枝阚值和样本增量的大小,如果得到的分类器性能好,剪枝阈值和样本增量就大,反之,剪枝阚值和样本增量就小,从而提高了最小二乘支持向量机训练效率,解决了稀疏性问题.最后,仿真实验表明该算法方案可行.     

一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于L1正则模型得到的解时常不够稀疏,重建图像质量有待进一步提高的问题,采用L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.     

非线性基线长度约束在北斗测姿中的应用

针对传统无约束LAMBDA(least-squares ambiguity decorrelation adjustment)算法中整周模糊度求解成功率不高的问题,提出一种利用基线约束的整数最小二乘快速求解整周模糊度的方法,并将其应用到北斗姿态测量系统中.该方法利用基线长度作为先验信息,将无约束的整数最小二乘扩展为非线性约束的最小二乘,并采用正交映射方法求解其约束解;同时在模糊度求解过程中,根据搜索空间的特性,先确定其上下界范围,再对模糊度残差范围限定,减少模糊度搜索过程中的候选解,最后采用迭代增加模糊度空间法和约束最小二乘求解对模糊度候选解筛选.实验采用单频北斗接收机实时数据对该算法的有效性进行验证,结果表明,在单频单历元条件下,该算法有效降低计算量,将姿态角求解成功率提高30%左右.     

约束型矩阵最小二乘估计预测

本文提出了约束型矩阵模型的最小二乘估计预测量,矩阵型MSE准则,矩阵型RT(·)准则,矩阵型MDE-准则.进一步,给出了约束型矩阵模型最小二乘估计预测关于MSE准则、RT(·)准则优于它的最佳线性无约束矩阵型最小二乘估计预测的充要条件.探究RT(·)准则与MDE-准则的相互转化关系,给出了约束型矩阵模型最小二乘估计预测优于无约束矩阵型最小二乘估计预测的充要条件.     

基于偏最小二乘分析和稀疏表示的目标跟踪算法

经典的基于子空间学习的跟踪方法通过主成分分析(principal component analysis, PCA)建立并更新目标的特征模型,只考虑目标的特征信息而忽视模型中每个样本的类别特征,从而降低了目标的跟踪精度。为此,提出一种基于偏最小二乘分析(partial least squares analysis, PLS)和稀疏表示的目标跟踪算法。通过PLS去分析关于目标与背景中纹理特征和类别信息之间的相关性,建立一个可区分的低维特征空间。将目标模板线性表示为所有目标候选的线性组合,当存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,通过L1范数最优化求解稀疏表示系数,根据最小的重构误差得到最优的目标位置。在多个视频场景下的实验结果展示了改进的跟踪算法具有较好的跟踪性能。     

基于AT的锅炉燃烧温度场重建算法研究

为了监控燃烧状态,实现炉内温度分布的测量,提出了一种基于声学层析成像法（AT）的三层递进式网格化温度场重建算法. 该算法在最小二乘法（LSM）确定稀疏网格温度信息的基础上,利用最小二乘支持向量机（LSSVM）建立温度场的细密网格模型描述, 同时为了进一步提高重建精度,LSSVM重建模型的参数通过差分进化算法（DE）进行整定（简称为LLD算法）,从而建立整个待测温度场的细致温度描述. 通过对东方锅炉厂提供的三种不同类型的温度场进行重建,结果及误差分析表明LLD算法可以对待测燃烧区域温度分布信息进行全局性的描述,能实现温度场的高精度重建.     

基于OLS动态模糊神经网络结构研究

最小正交二乘算法(OLS)采用正交化方法,独立计算回归算子对输出的贡献进行动态模糊神经网络基函数的中心的选取, 对网络结构进行调整产生的扰动比较小. 仿真实验表明,该方法较其他方法构造的网络系统更适合于实时领域.     

基于ASIFT图像匹配算法的三维重建

提出了基于ASIFT图像匹配算法的三维重建算法。目前,基于图像序列的三维重建中,一般采用SIFT图像匹配算法。对于存在仿射变换的图像序列,ASIFT算法较SIFT算法能够获得更多精确的稀疏匹配点;基于ASIFT算法恢复的三维点云比基于SIFT算法恢复的三维点云更加稠密,从而能获得更好的三维重建结果。仿真实验表明,本文算法能获得较好的三维模型。     

基于LS-SVM的超声导波管道缺陷二维重构

针对当前超声导波检测中的缺陷成像技术难点,提出了基于支持向量机的缺陷轮廓重构方法.通过实验和有限元仿真相结合的方式,获得不同大小缺陷的检测信号.采用最小二乘网络学习算法,选取缺陷回波数据作为支持向量机的输入,缺陷轮廓数据作为输出.建立了缺陷回波到缺陷二维轮廓的非线性映射,实现了缺陷轴向宽度和径向深度的二维轮廓重构,并与径向基神经网络重构效果进行了对比.实验结果表明,该方法速度快、精度高、泛化能力好,是管道超声导波定量化、可视化检测的一种可行方法.     

利用基于内容的网格模型进行图像恢复

将基于内容的自适应三角形网格模型这种图像表达方法应用于图像恢复.在图像恢复过程中,首先提取图像的特征图,并利用Floyd-S teinberg算法和Delaunay三角化算法产生网格,用来表达图像;然后利用正则化方法对网格节点的灰度值进行迭代,从而恢复该节点的灰度值;最后利用已恢复的网格节点对像素点进行Lagrange插值,从而得到恢复后的图像.该方法能对含有噪声的图像进行有效地恢复,试验证明较有约束最小二乘方法性能更好.     

Numerical simulation of tomographic-SAR imaging and object reconstruction using compressive sensing with L 1/2-norm regularization

By making use of multiple acquisitions of synthetic aperture radar （SAR） observations over the same area, tomographic-SAR （tomo-SAR） technology can achieve three-dimensional （3-D） imaging of the objects of interest. The compressive sensing （CS） approach has been applied to deal with the sparseness of the elevation signals. Due to its sparsity and convexity, the L1-norm regulariza- tion, as an approximated Lo-norm with an exact solution, has been employed in CS to reconstruct the reflectivity profile of the objects. In this paper, based on our studies on polarimetric scattering and SAR imaging simulations, we produce numerical multi-pass tomo-SAR observations of the terrain object. Then, we present the CS with novel L1/2- norm regularization to realize 3-D reconstruction. As a non-convex optimization problem, the L1/2-norm regularization is solved by an iterative algorithm. This numerical simulation of tomo-SAR imaging and 3-D reconstruction of the object modeling can be of great help for parameterized analysis of tomo-SAR imagery. As an example, a tomo-SAR image and 3-D reconstruction of the Beijing National Stadium model are presented.     

基于序列图像的工业钣金件三维重建与视觉检测

针对目前工业制造领域面临的难题,提出利用非量测数字摄像机进行工业钣金件高精度三维重建与视觉检测.采用二维直接线性变换分解摄像机参数初值并结合光束法平差进行高精度标定;利用最小二乘模板匹配提取像面上的点、直线信息并进行混合光束法平差,从而进行钣金件的高精度三维重建及其尺寸制造误差的检测.所开发的视觉检测系统硬件成本低、自动化程度较高,实际数据的多次实验均取得了优于1/8 000的相对精度,说明所论述的方法为工业零件的自动化三维检测提供了一条可行途径.     

差分进化算法在气动力参数辨识中的应用

差分进化算法是一种新兴的优化算法,与最小二乘法等梯度类算法相比,它能够进行全局寻优且对初值不敏感,具有广泛的应用前景.建立某型飞机刚体运动的6自由度非线性动力学模型,在叠加一定比例白噪声的情况下获得其仿真数据,使用差分进化算法辨识出该型飞机的纵向运动气动力参数,辨识结果与真实值较为吻合,证明该算法是可行的.多组试验表明:对于该型飞机的动力学模型和仿真数据,使用差分进化算法的辨识结果与使用最小二乘法、普通粒子群算法的辨识结果相比,具有更高的精度和更强的鲁棒性.     

Algorithmic Study of M-Estimators for Multi-Function Sensor Data Reconstruction

This paper describes a data reconstruction technique for a multi-function sensor based on the M-estimator, which uses least squares and weighted least squares method. The algorithm has better robustness than conventional least squares which can amplify the errors of inaccurate data. The Mestimator places particular emphasis on reducing the effects of large data errors, which are further overcome by an iterative regression process which gives small weights to large off-group data errors and large weights to small data errors. Simulation results are consistent with the hypothesis with 81 groups of regression data having an average accuracy of 3.5%, which demonstrates that the M-estimator provides more accurate and reliable data reconstruction.