一种高精度估计的基础矩阵的线性算法

通过引入与余差有关的代价函数,给出了一种高精度估计基础矩阵的线性算法--加权平移算法.首先将原始输入数据加权,计算加权后数据的重心坐标,将坐标原点平移到该重心坐标,再作归一化处理.然后用8点算法求出基础矩阵F阵的8个参数,实现了F阵的高精度估计.实验结果表明,此算法具有良好的鲁棒性,且余差和对极距离都小于其他线性算法,提高了基础矩阵的精度.     

图像重构中估计基础矩阵的线性迭代算法

基础矩阵给出了图像间对极几何关系的代数描述,对其精确估计一直是未标定图像序列重构中的一个非常关键的问题.本文在8点算法的基础上,通过引入与对极距离有关的权因子,给出了一种高精度估计基础矩阵的线性迭代算法.实验结果表明,与归一化8点算法相比,此算法具有更强的抗噪声能力,更小的计算误差,从而提高了所估计基础矩阵的精度.     

基于匹配测度加权求解基础矩阵的三维重建算法

双视图三维重建中引入了同名特征点的匹配测度,为提高基础矩阵F的精度提供了数据处理指导,将特征点匹配和F解算及三维重建环节连接成一个整体。在分析特征点提取、匹配方法的基础上定义了同名点匹配测度函数。用测度函数作为匹配点的权值对归一化8点求解F的算法进行加权,并使用随机采样一致性(RANSAC)鲁棒算法解决匹配野值问题。根据已知的像机内参数，从基础矩阵中分解相对运动，并用模型的内点进行运动优化，最后三角交会得到三维重建结果。实验结果表明,此算法达到了线性求解F矩阵和三维重建的鲁棒性高精度实现。     

一种加权计算基础矩阵的高精度算法

分析了图像匹配点对基础矩阵的不同影响，引入具有明显几何意义的匹配点到对极线的距离作为匹配点的加权因子，将匹配点集合看作随机变量并将加权因子作为匹配点的概率分布。在此基础上对原始图像数据进行归一化处理，利用8点算法得到基础矩阵。大量的试验结果表明，该方法明显降低了计算余差，提高了基础矩阵的计算精度。     

一种改进的M-Estimators基础矩阵鲁棒估计法

针对原M-Estimators算法完全依赖由线性最小二乘法估计得到的矩阵初始值,精度较低稳定性差的缺点,提出了一种改进的M-Estimators算法。通过考虑匹配点与对应极线的距离,计算求得较原M-Estimators算法更加精确的矩阵初始值,再利用此初始值剔除掉原匹配点集中的错误匹配点及坏点,最后运用Torr-M-Estimators法对新的匹配点集进行非线性优化计算,得到了真正的匹配点对,精确恢复了对极几何关系。以大量的模拟数据和真实图像进行了实验,给出了该算法与其他鲁棒性算法的比较结果,实验结果表明,该算法在误匹配以及高斯噪声存在的情况下,提高了基础矩阵的估计精度,并且同时具有很好的鲁棒性。     

一种高精度的加权鲁棒估计算法

通过构造与余差有关的目标函数,给出了一种高精度估计图像几何变换矩阵的鲁棒算法——加权鲁棒估计算法。算法首先对原始数据进行计算得出图像间几何变换关系矩阵,再利用特征点周围的灰度信息进行权值计算。在拟合几何变换矩阵的迭代过程中,寻找目标函数最小的匹配关系,从而对两幅图像进行精确配准。实验结果证明,使用该技术后算法的图像配准效果较理想,鲁棒性好,真实感强,实际应用价值较高。     

基于五点算法估计基础矩阵的研究

基础矩阵是三维重建、运动估计、图像定标、匹配的基础,是解决计算机视觉和图像处理领域的重要课题.文中利用点到极线的距离最小原理对五点算法进行改进:在初始模型估计中,使用五点算法,降低算法的抽样次数和抽样时间,然后使用点到极线的距离最小原理对五点算法的多项式的伪解进行剔除,利用正确解求得本质矩阵,再根据本质矩阵与基础矩阵的归一化关系得到基础矩阵.实验证明此算法提高了估计基础矩阵的准确性,排除错误解,提高了五点算法的正确率.     

基于线对应的单应矩阵估计及其在视觉测量中的应用

单应矩阵估计在视觉测量、摄像机标定、三维重建等领域有重要的应用价值, 但是在具体应用中如何鲁棒、精确地估计单应矩阵仍是一个没有很好解决的问题. 在研究和实际应用中我们发现,直接线性方法在基于线对应的单应矩阵估计中会出现在某些特殊的摄像机姿态下误差较大的情况. 针对这一情况, 我们提出了一种基于线对应的归一化单应矩阵估计方法并将其应用到视觉测量中,即通过简单的归一化操作使测量矩阵元素的大小分布尽量均匀, 从而降低了测量矩阵的条件数, 提高了算法的鲁棒性, 同时又保持了直接线性方法简单、快速、易实现等优点. 模拟实验和真实图像实验均验证了该方法的有效性.     

视图合成中基础矩阵的鲁棒性估计算法

在未定标系统中，对基础矩阵进行稳定估计是视图合成的关键环节。本文考虑到各匹配点由于误差不同而对基础矩阵造成的不同影响，通过在最优目标函数中引入与余差有关的权重因子提出了一种新的迭代加权线性算法。实验表明，此方法进一步提高了基础矩阵的估计精度，具有较好的稳定性且运算速度快，易于实现。     

一种基于无人机序列成像的地形地貌重建方法

以无人机平台上普通摄像机获取的序列图像为对象,提出了一种对地三维重建的自动化处理方法。首先提出了基于视差分析的序列图像关键帧选择方法,对关键帧图像特征点进行鲁棒性的提取与匹配;第二步用加权的RANSAC算法估计基础矩阵,同时获取准确匹配的内点集。根据已标定的像机内参数,解算相对运动并进行优化。最后对待重建的目标点提出几何约束和单应约束融合的方法实现快速准确匹配,通过三角交会完成目标形貌三维重建。仿真实验结果表明该算法对序列图像具有较好的自动化程度和鲁棒性。     

一个基本矩阵的鲁棒估计算法

通过分析基本矩阵的鲁棒估计方法的特点，提出了三点改进：在RANSAC（RANdom SAmpling Consensus）方法中采用了极小化再投影误差判别数据点的类别；给出再投影误差的一阶近似算法；由求出的基本矩阵和局内点数据采用LM算法对结果过一步求精，给出更好的基本矩阵估计值，使得再投影误差进一步减小，避免结果趋于局部极值。合成数据和真实图像实验均证明了该方法的有效性和可靠性。     

一种基础矩阵线性估计的鲁棒方法

以基础矩阵估计规范八点算法为基础，针对线性算法对参考图像匹配点集中存在的异常匹配极为敏感的问题，将基础矩阵的线性鲁棒估计转换为对匹配点集的最优化采样问题，以最小对极距离平方和中数准则获得基础矩阵的稳定可信解。实验表明，算法对基础矩阵的精度和稳定性均有较大提高。     

Robust real-time identification for a class of linear time-varying discrete systems

The problem of robust real-time identification of linear single-input-single-output dynamic systems with stochastically time-varying parameters is considered. Two ways of constructing robust algorithms that are able to handle outliers contaminating the gaussian observation disturbance samples are discussed. The first way is based on the general formulation of dynamic stochastic approximation schemes characterized by an adequate non-linear residual transformation, as well as the step-by-step optimization with respect to the weighting matrix of the algorithm. The second way is based on the formulation of one-step optimal estimates. Monte Carlo simulation results illustrate the discussion and show the efficiency of the proposed algorithms in the presence of outliers.     

基于遗传算法不同策略下的基础矩阵估计方法

在未定标系统中，对极几何约束给出了图像间的全部信息，成为解决许多视觉问题的关键环节，提出了一种基于遗传算法不同策略下的基础矩阵估计方法，它利用每个基因代表一个匹配点，每条染色体作为基础矩阵计算时的最小子集，并根据染色体长度决定采用何种策略估计基础矩阵，此方法在很大程度上减小了出格点对估计过程的影响，能够较好地汇聚到全局最优解，模拟数据和真实图像的实验结果都表明，所给出的方法能够有效地检测和删除错定位和误匹配点，提高了基础矩阵估计的鲁棒性和精度。     

一种新的线性摄像机自标定方法

提出了一种新的基于主动视觉系统的线性摄像机自定标方法。所谓基于主动视觉系统,是指摄像机固定在摄像机平台上以平摄像机平台的运动可以精确控制。该方法的主要特点是可以线性求解摄像机的所有5个内参数。据作者所知。文献中现有的方法仅能线性求解摄像机的4个由参数。当摄像机为完全的射影模型时,即当有畸变因子（skew factor）存在时,文献中的线性方法均不再适用。该方法的基本思想是控制摄像机做5组平面正交运动,利用图像中的极点（epipoles）信息来线性标定摄像机。同时,针对摄像机做平移运动时基本矩阵的特殊形式,该文提出了求基本矩阵（fundamental matrix)的2点算法。与8点算法相比较,2点算法大大提高了所求极点的精度和鲁棒性。另外,该文对临近奇异状态（即5组平面正交运动中,有两组或者多组运动平面平行）作了较为详尽的分析,并提出了解决临近奇异状态的策略,从而增强了该文算法的衫性。模拟图像和真实图像实验表明该文的自标定方法具有较高的鲁棒性和准确性。     

Robust real-time algorithms for identification of linear multivariable time-varying systems

The paper presents a discussion on the problem of the robust real-time identification of linear multivariable time-varying dynamic systems working in a noisy environment. Two methodologically different approaches to the design of such algorithms are presented. The first is based on the one-step estimation, optimal in the sense of the minimal conditional mean-square error, combined with convenient approximations of the underlying error covariance matrix. The second is based on the general formulation of robustified stochastic approximation algorithms, characterized by a suitable non-linear transformation of normalized residuals. Particular algorithms are derived on the basis of step-by-step optimization with respect to the weighting matrix of the algorithm. Monte Carlo simulation results illustrate the discussion, and show the efficiency of the proposed robust algorithms in the presence of large disturbance realizations, the so-called outliers.     

A new linear discriminant analysis algorithm based on L1-norm maximization and locality preserving projection

Generic L2-norm-based linear discriminant analysis (LDA) is sensitive to outliers and only captures global structure information of sample points. In this paper, a new LDA-based feature extraction algorithm is proposed to integrate both global and local structure information via a unified L1-norm optimization framework. Unlike generic L2-norm-based LDA, the proposed algorithm explicitly incorporates the local structure information of sample points and is robust to outliers. It overcomes the problem of the singularity of within-class scatter matrix as well. Experiments on several popular datasets demonstrate the effectiveness of the proposed algorithm.