排序方式: 共有9条查询结果,搜索用时 31 毫秒
1
1.
2.
3.
4.
互信息作为图像配准中的相关度矩阵有着广泛的应用,通常采用的是基于Shannon熵的互信息。采用一个广义的信息熵——Renyi熵,提出了一种基于广义互信息的图像配准方法。在全局搜索阶段,采用q取较小值的Renyi熵,此时,Renyi熵可以消除局部极值,再通过局部优化方法对当前的局部最优解进行局部寻优,以找到全局最优解;在局部优化阶段,使用基于q→1时的Renyi熵的归一化互信息测度作为目标函数。实验结果表明:相对于归一化互信息图像配准算法,基于Renyi熵的互信息配准算法有良好的配准效果,且提高了配准速度。 相似文献
5.
针对单一传感器有一定的误差与使用场景限制的问题,往往需要通过融合滤波技术对多传感器的测量信息进行优势互补。为改善由惯性姿态测量单元(Inertial measurement unit, IMU)与轮式里程计(Wheel Odometry)组成的航迹推算(Dead Reckoning, DR)长期使用时产生不可忽略的积分误差,以及全球定位系统(Global Positioning System, GPS)在遇到信号被遮挡或者干扰的情况下将无法正常工作等情况所引起的问题,本研究结合GPS、IMU、轮式里程计三种传感器对双轮差速机器人进行定位,以起到互补的作用,使其能够适应更加多样化的环境;同时,我们定时使用GPS模块对DR推算位置信息进行修正,并比较IMU互补滤波解算法与DMP解算法,选取效果更好的方案获取机器人欧拉角,最后使用扩展卡尔曼滤波(Extended Kalman Filtering, EKF)算法对传感器数据进行融合处理,得到机器人的最优定位。结果表明,在采用了多传感器融合的方案之后,机器人的定位精确度较之只有单一传感器的方案有了显著的提升。 相似文献
6.
7.
8.
9.
针对微惯性测量单元精度低和传统姿态解算方法误差较大,提出一种 Mahony 和扩展卡尔曼滤波(EKF)融合的姿态解
算算法。 首先通过 Mahony 滤波器融合陀螺仪、加速度计和磁力计数据,解算得到初步姿态四元数。 再以 Mahony 滤波器的姿态
四元数作为 EKF 的量测值,根据非重力加速度的大小,自适应正相关调节量测噪声协方差矩阵;根据陀螺仪测量的角速度信息
建立 EKF 状态方程。 最终经过 EKF 滤波后,获取无人机姿态的估计。 经过仿真实验验证,融合算法解算静态姿态角误差小于
0. 1°,解算动态姿态角误差小于 1°,均优于互补滤波算法和改进 EKF 算法。 融合算法能有效抑制陀螺仪漂移误差,滤除加速度
计测量值混有的高频噪声和抑制非重力加速度的干扰,提高姿态解算精度。 相似文献
1