计算机视觉中基本矩阵的估计方法

基本矩阵的估计是计算机视觉中一项重要的研究课题.从特征点的提取、匹配到从一组对应点求出基本矩阵的估计值,完整地介绍了求解基本矩阵的方法.对于噪声干扰以及问题固有的复杂性所导致的误匹配,以及由此导致的估计结果恶化问题,采用最小中值法（LMedS）,有效地解决了存在误匹配情况下稳定、准确地估计基本矩阵的问题.     

基于计算机视觉的无人机位姿估计

本文给出了无人机着陆过程中利用帧间图像提取的特征点进行无人机运动估计的算法。采用Shi-Tomasi-Kanade特征提取算法进行特征点的提取与匹配,然后建立视觉信息与无人机位姿的关系,通过对帧间图像单应性矩阵的求解,对无人机进行相对位置和姿态的估计。仿真结果表明,该算法能够有效地提高匹配速度,降低误匹配率,较好的估计无人机的相对位置和姿态信息。     

基于深度学习的土木工程计算机视觉健康监测

土木工程领域的健康监测对保证工程长期、稳定服务有着重要的意义。相较于传统的监测方法,基于深度学习的计算机视觉技术具有高效、准确等优势。对基于深度学习的计算机视觉技术在土木工程全生命周期健康监测领域中的应用进行系统综述。首先,借助文献可视化软件对该领域文献进行科学计量分析;其次,简要阐述了计算机视觉技术的发展历程,总结了在构建深度学习数据集过程中数据获取、数据处理和数据标注三个重要环节的方法与内容;最后,重点回顾了在施工现场安全管理、在役结构局部损伤检测和结构灾后整体损伤评估等应用场景中基于深度学习的计算机视觉技术的发展历程与工程实际应用价值,并展望了可拓展的应用方向。     

基于计算机视觉的施工进度自动监控方法

目前,面向智慧工地平台的进度管理利用BIM工具仅实现了施工阶段数据的简单可视化,实际施工进度数据的更新与录入仍需要人工介入,无法实时了解各项施工任务实际进程。为了实现施工进度计划的自动监控及决策辅助支持,提出一种基于计算机视觉的施工进度自动监控方法。首先通过三维重建技术获取施工现场建筑物的室内外点云模型,再利用目标识别、分类、跟踪算法等计算机视觉技术对施工过程中采集的点云模型数据进行处理与分析,识别正在施工的结构构件信息,与已有的BIM施工进度计划模型进行自动对比,最终以可视化的形式实现进度偏差的分析。基于计算机视觉的施工进度自动监控方法能够直观展示施工现场进度偏差情况,自动将进度偏差信息实时传输给项目管理人员,发出预警,实现施工进度的自动化监控。     

基于计算机视觉的检测方法与应用

我国的计算机产业所应用的创新技术不断涌现,计算机网络也经常在各行各业发展出创新应用,与计算机视觉相关的技术是指在计算机模拟人类视觉系统方面进行图像抓取,对抓取的图像进行解释和分析,从而提升计算机模拟技术的效率的方法。该文所阐述的就是计算机模拟视觉系统的方法,并就其如何在工业领域进行应用展开分析,希望可以推动这一新产生的技术尽快发展。     

基于计算机视觉的储备粮智能稽核方法

针对现有粮食数量检测方法称量法和主动视觉法存在用时多、 设备成本高等缺点, 以及图像识别法存在匹配精度低、 三维重建多面性等不足, 提出一种新的基于激光测距及三维重构技术的散装仓粮食数量识别方法。概述了现有基于图像识别的检测方法的实现过程, 对提出的方法进行了理论分析。最后论述该方法的优越性。     

基于深度强化学习的区域化视觉导航方法

针对移动机器人在分布式环境中的导航问题,提出一种基于深度强化学习的区域化视觉导航方法.首先,根据分布式环境特征,在不同区域内独立学习控制策略,同时构建区域化模型,实现导航过程中控制策略的切换和结合.然后,为使机器人具有更好的目标导向行为,在区域导航子模块中增加奖励预测任务,并结合经验池回放奖励序列.最后,在原有探索策略...     

计算机视觉立体匹配方法

立体匹配技术是计算机视觉研究中的关键技术之一。本文根据立体匹配的内容,从基元选择、匹配准则、算法结构三个方面进行了阐述。指出了主要匹配算法的特点和研究的发展趋势。     

基于计算机视觉的座舱仪表识别检测方法

在简要介绍座舱仪表及其常用识别检测方法的基础上,提出一种基于计算机视觉的座舱仪表识别检测的方法。阐述过程中的几个关键环节及所用到的图像处理算法。采用同态滤波和自适应中值滤波相结合的方法来改善图像效果,然后用改进的类间方差法(Otsu)获取仪表的二值图像。利用改进后交叉皮质视觉模型对仪表的边缘进行提取,并结合骨架来提取指针,最终通过最大梯度下降法得到指针的准确读数。实验结果表明:该方法可快速获取仪表指针读数,且能并行处理多个仪表。与传统的Hough变换、最小二乘法等相比,该算法在保证精度准度的基础上,大幅提高了处理运算的速率。     

基于计算机视觉的远距离动态前景测距方法

针对当前测距算法标定步骤复杂、图像匹配困难和不准确的问题,提出了一种远距离动态前景测距的方法,系统中由两个摄像头负责采集实时环境图像,利用前景检测算法检测出实时图像中的目标物,根据透视投影模型通过测量两个摄像头之间的距离、标定板与摄像头之间的距离、标定板自身的宽度和高度等数据,计算出目标物在标定板上映射点的三维坐标;再根据两个摄像头坐标,得到空间中两条直线的方程,则两直线的交点就是目标物的物理坐标;最后利用欧氏距离公式,计算出目标物距离摄像头的距离。通过实验可知,在目标距离小于3000m时,两种方法测量误差均小于3%;当目标距离大于3000m时,计算机视觉动态前景测距和传统测距方法的测得的数据平均误差分别为2.90%和25.50%,计算机视觉动态前景测距方法表现出更高的精度。     

基于计算机视觉的四轮检测方法探讨

随着计算机软、硬件突飞猛进的发展,计算机视觉学在各个行业的应用也得到迅速普及和深入,计算机视觉既是工程领域,也是科学领域中的一个富有挑战性重要研究领域。计算机视觉是一门综合性的学科,它已经吸引了来自各个学科的研究者参加到对它的研究之中。其中包括计算机科学和工程、信号处理、物理学、应用数学和统计学,神经生理学和认知科学等。     

基于深度图像预旋转的手势估计改进方法

基于深度图像的手势估计比人体姿势估计更加困难,部分原因在于算法不能很好地识别同一个手势经旋转后的不同外观样式.提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)推测预旋转角度的手势姿态估计改进方法:先利用自动算法标注的最佳旋转角度来训练CNN;在手势识别之前,用训练好的CNN模型回归计算出应预旋转的角度,然后再对手部深度图像进行旋转;最后采用随机决策森林(Random Decision Forest, RDF)方法对手部像素进行分类,聚类产生出手部关节位置.实验证明该方法可以减少预测的手部关节位置与准确位置之间的误差,手势姿态估计的正确率平均上升了约4.69%.     

基于计算机视觉的幕墙开启窗检测方法

在强风天气来临时,未关闭的建筑幕墙开启窗极易被吹落,严重危害了人身与财产安全。为了及时准确地发现未关闭的开启窗,提出了一种基于计算机视觉的幕墙开启窗检测方法。广角摄像头从建筑底部仰角拍摄幕墙外立面全景影像,采用语义分割模型U-Net提取外立面掩码图像,并从掩码图像提取用于透视变换的参考点,透视变换法将因仰角拍摄产生的畸变进行校正,校正后的开启窗位置分布规则,可直接按照预设区域准确裁剪出开启窗区域图像,然后采用ResNet-18卷积神经网络分类模型判断开启窗开闭状态。该方法在某高层建筑进行了测试,结果表明该方法可以在不同光照条件下有效检测到未关闭的开启窗,检测时间优于2s。可见,该方法在准确性与及时性上满足实际应用需求。     

基于计算机视觉的冲压件表面缺陷检测方法

本文提出了一种新的用于检测冲压件表面缺陷的视觉系统。该系统利用一组LED条形光源从冲压件表面的四周打光,这样做可以使光线的主要辐射能量沿着平行于表面的方向,进而增强了表面缺陷和冲孔边缘的成像效果,简化了刮痕等表面缺陷的定位,以及冲孔尺寸和位置的测量。因此,系统可以通过有效的形状和尺寸分析对缺陷进行分类。本文提出的视觉检测系统是整个自动分拣系统中的核心部分,实际运行效果验证了本文系统的有效性。     

基于深度学习的立定跳远视觉检测方法研究

针对现有立定跳远视觉检测方法中起跳和落地瞬间判断不够准确、落地瞬间脚部遮挡导致测距点缺失影响跳远测距精度的问题,提出一种基于深度学习的立定跳远视觉检测方法.首先提取测试者的人体骨骼关键点,利用跟踪微分器对膝关节角去噪,通过膝关节角的极大值点准确判断起跳和落地瞬间;然后通过YOLO v5目标检测和帧间差分法定位到测距点,采用卡尔曼滤波对测距点进行轨迹跟踪,预测落地瞬间缺失的测距点位置,将测距点的观测值和预测值进行卡尔曼滤波融合来提高测距点的定位精度;最后进行透视变换校正,根据测距点的融合值计算立定跳远距离.试验结果表明,该方法的立定跳远测量平均绝对误差为0.497cm,符合立定跳远测量1 cm精度的要求.     

基于单目深度估计方法的图像分层虚化技术

实现了一种基于单目深度估计方法的图像分层虚化技术,可使前景清晰背景模糊,离镜头越远虚化效果越明显:首先对图像等比例缩小并且对图像中的物体做边缘检测,并利用线性追踪生成线条扫描信息图,利用双边滤波器对初始深度图做平滑处理得到深度图,依据深度信息选择阈值将图像分层,在分层的基础上对图像背景做高斯模糊处理,最终得到图像分层虚化效果,增强图像的表现力和艺术效果. 本技术的实现效果较为理想,能达到良好的图像分层虚化效果。     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

基于视觉的无人机姿态角估计

通过提取视频图像上跑道的线性特征以及利用消失点的定义来估计无人机(UAV)的三个姿态角.先对相机的三个姿态角进行估计:利用跑道底线估计出滚动角,用消失点在图像上的位置来估计偏航角,结合消失点的定义给出俯仰角的估计,同时对偏航角和俯仰角的估计进行修正,随后给出无人机的姿态角估计.仿真试验证明了所提方法的有效性,滚动角的估计误差在0.8°之内,偏航角和俯仰角的误差在0.2°之内.     

基于视觉的目标姿态估计算法

驾驶员头部姿态在一定程度上反映驾驶员的意图。为了避免由驾驶员主观因素造成交通事故,基于计算机视觉的动态头部姿态估计算法,首先检测视频中的正面人脸,以此为基准,利用SIFT算法对视频序列中人脸特征进行匹配与跟踪,计算不同视角下的头部姿态角度,再通过记录不同姿态角度保持的时间来判别驾驶员的行为意识,从而给驾驶员警示,进而避免交通事故。实验表明,该系统可以精确估算驾驶员头部姿态,提高驾驶安全性。     

基于计算机视觉的植物水分胁迫状况监测方法

水分胁迫是影响植物生长最为普遍的环境威胁。水分亏缺的监测对设施农业、精确农业的发展具有重要意义。植物本身具有一种适应土壤水分胁迫的生理调节机制,其中叶片是植物外部形态中反应最为敏感的器官,这就为水分亏缺诊断提供了信号和依据。根据植物叶片对水分胁迫反应敏感这一特点,提出一种基于计算机视觉的植物水分胁迫状况无损监测新方法。首先根据环境情况对植物图像进行预处理;然后针对光照不均匀、阴影等造成的分割困难,采用了一种局部阈值图像分割算法,得到植物叶片的图像;最后提取植物叶片的叶尖相对距离和叶尖倾角这两个形态参数,实现植物水分亏缺程度的连续无损监测。实验结果表明,该方法监测的叶尖相对距离和叶尖倾角的变化趋势能够较好地反映出植物的水分亏缺程度,对于水分胁迫状况的监测,具有较高的应用价值。