基于GMS和块匹配的运动估计特征匹配算法研究

针对运动估计中传统特征匹配算法存在匹配时效性差、精度不高等问题,提出一种基于块匹配搜索的改进网格运动统计算法.首先提取ORB特征点并将图像划分网格;然后计算网格内各特征点的运动平滑约束度,并以此作为准则确保匹配精度;最后采用块匹配菱形搜索算法进行特征匹配筛选以提高匹配速度.仿真试验结果表明:相较于随机抽样一致算法,特征点保持数量为500时匹配效率提升24.6%,匹配速度提高42.9%;与ORB-SLAM2算法相结合用于连续运动估计时,单帧耗时0.13 s,实时性较好.     

基于OpenMV的目标跟踪系统设计

为解决传统目标跟踪系统存在的结构复杂、资源利用率低等问题,提出一种基于嵌入式摄像头OpenMV的目标跟踪系统设计方案.在摄像头采集到图像信息并进行图像预处理后,判别出需要跟踪的运动目标以及其形心像素坐标,并在图像中进行标定.依据得到的连续的形心坐标,结合图像捕捉帧率,采用线性拟合的方式对运动目标下一帧的位置进行预测,并运用PID算法控制云台系统跟踪此预测坐标.系统加入对运动目标运动轨迹的判别算法,有效提高了系统的抗干扰能力.试验结果表明此系统可以准确预测并跟踪运动目标的位置,当画面中突然闯入相同干扰目标时,系统仍可以正确跟踪运动目标,具有较强的鲁棒性.     

基于轻量化卷积神经网络的苹果目标检测算法

针对当前苹果检测算法模型参数多、检测实时性差的问题,提出一种基于轻量化卷积神经网络的苹果目标检测算法.首先,用经典轻量化卷积神经网络ShuffleNet V2替换YOLO v5s的主干网络,实现模型的轻量化;然后,用stem模块取代主干网络的图像处理层进行初始特征提取并且嵌入SPPF结构,弥补轻量化带来的精度损失;最后,在边界框的回归损失函数中引入α幂化指标,进一步提高边界框的定位精度.试验结果表明,改进后算法模型的平均精度均值达到95.8%,网络参数量降低了85.6%,在GPU上的单张平均检测时间仅10 ms,满足苹果采摘任务对检测精度和实时性的要求.     

基于改进YOLO v5的城市树木检测

针对城市道路环境复杂、草坪树木密集等引起的树木误检、漏检以及模型较大不易部署在边缘计算设备上等问题,提出一种基于改进YOLO v5的城市树木检测算法.算法引入融合注意力机制的双向加权特征金字塔结构BiFPN-ECA,减少冗余语义特征,增加特征融合网络对关键特征的关注度,提升特征融合质量;利用GSConv卷积替换Neck部分的密集卷积,提升特征提取能力并减少运算量;引入SIoU损失函数,通过加入向量角度这一惩罚项,减少与距离相关的变量,降低回归自由度,加快网络收敛,进一步提升回归精度.采集城市常见绿化树木的图像和视频,建立城市绿化树木样本集进行模型对比试验.试验结果表明,本文方法比初始YOLO v5模型的平均精度均值提升了5%,模型参数量减小为原来的50%,模型的帧率提升了5帧/s,兼顾了检测精度和实时性.