基于动态规划的全局运动特征点提取

准确提取全局运动特征点是MPEG-4中Sprite编码的关键.针对全局运动特征点提取的计算代价高,精度低,容易陷入局部极值等方面的缺陷,提出了一种新型的基于动态规划的全局运动特征点提取方法,能够有效抑制噪声影响,减少冗余点数,从而大大提高全局运动估计的效率,使全局运动估计在实时应用中成为可能.     

复杂采空区激光多点探测及点云拼接与精简

针对复杂采空区激光探测中存在探测"盲区"和点云数据分布不均的问题,研究激光多点扫描和点云数据拼接与精简方法.通过多点探测避免了单次探测"盲区",加密了数据稀疏区.提出了基于公共坐标和最小二乘法的靶标矩阵转换方法,实现了多点探测点云的拼接.统计了点云密集区的分布规律;对密集散乱点云,提出了沿y轴方向分层剖分,层内数据以x和z坐标极值分区,区内每点以x值排序后依步长筛选的精简算法.大型贯通采空区验证表明:基于最小二乘法的拼接算法最优,误差范围在0.1 mm左右;数据精简率为15%~25%,确保了边界三维信息的完整性.     

基于二维图像和多点统计方法的多孔介质三维重构研究

提出了一种基于多孔介质二维薄片图像和多点统计方法的多孔介质三维重构方法.将微米精度的多孔介质二维薄片图像作为初始的训练图像,利用多点统计方法重构其下层图像.将每次获得的下层图像作为新的训练图像,利用多点统计方法继续重构该训练图像的下层图像.二维重构图像的每个像素对应成三维空间的一个体素,依次叠加每层的二维重构图像得到最终的三维多孔介质图像.将该方法应用于砂岩样品的三维重构,通过与真实情况下砂岩体数据的比较发现,该方法重构的多孔介质具有与其相似的孔隙结构特征.     

仿人智能控制器的研究及工程应用

本文介绍了仿人智能控制器的适用范围和基本算法,提出了改进的仿人智能控制器即九点控制器的优化控制策略。通过对工程设计中温度的控制方案设计,比较了九点控制器与PID控制器算法对系统动态性能的影响。九点控制器算法简单、系统响应速度快、参数整定简单,特别适合于无数学模型的控制对象。九点控制器的参数可进一步优化,从而转化为九点五态控制器。     

平面上点与多边形包含关系的Q算法

分析了用夹角和判别法计算平面上点与多边形的包含关系后,指出了参数的选择是影响包含关系计算的重要原因之一,在此基础上,提出了以矢量和为基的Ｑ函数替代角度和进行包含关系计算的方法,研究了表明,矢量和为基的Ｑ算法是可靠的,且有较高的计算效率。     

超线性半正奇异三点边值问题的正解

利用不动点指数理论研究了超线性半正奇异三点边值问题 {u"+f(u(t))+q(t)=0,u(0)=0,u(1)=βu(η) 0相似文献   

基于理想点的三角模糊数群体多属性决策法

针对模糊群体多属性决策问题,提出了一种新的属性权重和属性值均以三角模糊数形式给出的模糊群体多属性决策方法.该方法先假设方案在主观评价属性下的属性值采用三角模糊数的形式来表示专家评价值的模糊性和不确定性,而后假定每一主观评价属性都有一组相应的专家权重值,以反映专家在不同评价属性中的重要性程度,同时考虑到专家意见的相似度,将专家意见进行集结得到专家群体关于方案集的模糊决策矩阵.最后定义了三角模糊数正理想方案和负理想方案,计算各方案与理想方案的接近度,以此给出了三角模糊数群体多属性决策问题的理想点法.通过实例分析说明了该方法的可行性和有效性.     

基于改进随机抽样一致的点云分割算法

随着三维点云数据模型在三维建模、测绘、智能城市以及机器视觉等领域的应用,点云数据处理也成为一个研究热点。点云分割就是将三维空间中点云通过一系列算法,将散乱的点云数据划分成更为连贯的子集的过程,可以为后续的数据分析提供数据基础。针对随机抽样一致算法(random sample consensus, RANSAC)对杂乱、无规则点云数据分割效果不佳的问题,提出一种改进的RANSAC点云分割算法。该算法通过构建Kd(K-dimensional)树,利用半径空间密度重新定义初始点的选取方式,进行多次迭代来剔除无特征点,在实现点云分割的同时可以有效去除噪声点;此外,该算法重新设定判断准则,优化面片合并,可以实现点云的精确分割。实验通过对散乱点云数据进行分割,结果表明该改进RANSAC算法的点云特征提取数据量较大,面片分割的准确性较高,是一种有效的点云分割算法。     

Hilbert空间上无穷可数族非自射k-严格伪压缩映象之公共不动点的带误差逼近

利用Petryshyn不等式引理和无穷可数族W 映象技巧, 证明了涉及无穷可数族非自射k 严格伪压缩映象{S_i: C→H}^∞_i=1的含误差的显式迭代算法的强收敛性, 从而在Hilbert空间将已有的自射非扩张映象的迭代算法推广到非自射k-严格伪压缩映象的迭代算法.     

基于分数阶微分Frangi的夜间车道线检测

基于机器视觉和图像处理的夜间车道线检测一直是该领域的研究难题,即使是近年的深度学习方法,检测精度只能达到50%左右.为此,研究了一种新的算法,根据车道线的特点和车辆的行驶速度,将视频中多幅图像融合到一幅图像中;利用图像的特点,在区域合并中识别出有效的车道线检测区域;将有效区域分割成新的图像后,采用基于Frangi和Hessian矩阵的算法对图像进行平滑和增强;为了提取车道线的特征点,提出了一种新的分数阶微分模板进行车道线特征点检测,该算法根据车道线在图像中可能的位置,从4个方向检测特征点;在检测出候选点后,应用递归Hough直线变换得到候选车道线,为了确定最终的车道线,一条车道线的角度应介于25°～65°之间,而另一条车道线的角度应介于115°～155°之间,否则,通过降低线点数的阈值继续进行Hough直线检测,直到获得两条车道线为止.通过对数百幅夜间车道线图像的测试,并与深度学习方法和传统的图像分割算法进行比较,新算法的检测准确率可达70%.