基于概率选取随机特征点的单目视觉SLAM 方法

同时定位与地图构建（SLAM: Simultaneous Localization And Mapping）是自主机器人导航研究的重要内容,基于扩展卡尔曼滤波器(EKF: Extended Kalman filter)的单目视觉SLAM方法是解决该问题的一种重要手段。但由于计算复杂度过高的原因,它对特征点数量及稳定性有严格要求,传统的方法是选取少量窗格型显著角点或直线段作为特征点,限制了该方法的应用范围。本文提出基于随机概率统计的SIFT（Scale-invariant feature transform）特征点选取方法,在保证特征点分布相对均匀的前提下,有效的控制了特征点的总体数量,从而达到了减少单目视觉EKF-SLAM方法应用限制的目的。实验研究表明,该特征点选取方法对不同场景均具有较高的稳定性,并且一定程度上提高了算法的收敛速度。     

基于形状上下文的车牌字符识别

针对车牌字符识别问题,该文提出一种基于形状上下文的识别算法,对分割好的车牌字符进行识别。对分割字符进行边缘检测,提取部分边缘点作为样本点,计算每个边缘点的形状上下文描述算子;再对分割字符和字符模版进行相似度比较,得到相应的对数极坐标图,计算相似度是否达到预设的阈值来判定分割字符是否可识别,并判别结果。实验表明,此算法在二维目标的不变性中,具有精确的匹配效果。