基于K-means聚类和RANSAC的图像配准算法研究

针对图像配准中特征点匹配方法存在实时性不高和精度低的问题,提出了一种基于K means聚类和RANSAC的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K means聚类对匹配点对进行预处理,剔除大部分错误匹配点,然后利用RANSAC进行二次优化,实现了图像的快速和精确配准。实验结果表明,该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

基于联合概率数据关联和粒子滤波的多目标跟踪算法

数据关联一直是多目标跟踪中的核心问题,是实现多目标有效跟踪的关键。介绍了多目标跟踪的基本原理以及联合概率数据关联的基本原理,并且将粒子滤波引入到联合概率数据关联模型中,提出了联合概率数据关联-粒子滤波算法来实现多目标跟踪。仿真结果表明,此算法可以很好的实现固定数目多目标跟踪。     

动态背景下的运动目标检测

针对动态背景下运动目标检测的问题,最大限度地降低背景对运动目标检测的影响,提出了一种基于相位相关法和傅里叶梅林变换的动态背景下运动目标检测算法.动态背景下运动目标检测的主要部分是背景运动补偿,首先利用相位相关法和傅里叶梅林变换估计全局运动参量,然后根据全局运动参量利用双线性内插法进行背景匹配,最后对配准后的图像利用帧间差分法提取运动目标.实验表明,该算法具有一定的鲁棒性,能有效地检测动态背景下的运动目标.     

动态背景下的运动目标检测

针对动态背景下运动目标检测的问题,最大限度地降低背景对运动目标检测的影响,提出了一种基于相位相关法和傅里叶梅林变换的动态背景下运动目标检测算法。动态背景下运动目标检测的主要部分是背景运动补偿,首先利用相位相关法和傅里叶梅林变换估计全局运动参量,然后根据全局运动参量利用双线性内插法进行背景匹配,最后对配准后的图像利用帧间差分法提取运动目标。实验表明,该算法具有一定的鲁棒性,能有效地检测动态背景下的运动目标。     

Harris角点检测的优化算法

针对Harris角点检测算法中提取出较多的伪角点和计算量大的问题,提出了一种基于Harris角点检测的改进算法. 为抑制Harris角点检测中的伪角点数目并且提高算法的效率,首先加入预筛选得到候选角点,在计算水平和垂直方向梯度时,对于梯度较小的像素点进行预处理,在进行非极大值抑制时采用自适应阈值,提高算法自适应性,最后利用USAN对角点进行进一步选择. 实验结果表明,改进的Harris角点检测算法不仅提高了检测精度和效率,而且对噪声具有一定的鲁棒性.     

运动背景下移动目标分割定位算法研究

针对运动背景下运动目标分割定位困难的问题,提出了融合背景补偿与均值漂移的运动背景下目标分割定位算法。该算法首先在运动背景补偿的基础上,利用帧间差分法得到差分图像。其次,对差分图像中非零像素点建立多特征描述子,运用均值漂移算法对其进行聚类。最后,利用均值聚类得到的非零像素点来对运动目标进行分割定位。实验结果充分表明,该算法可以比较精确地进行运动背景下移动目标的分割定位。     

基于均值聚类和几何关系的运动背景估计算法研究

为了在动态场景图像序列中准确地完成全局运动估计, 实现对运动背景的补偿, 提出了基于均值聚类和几何关系的运动背景估计算法。首先, 利用Harris算法提取两帧图像的特征点, 建立特征点匹配对。其次, 利用K-means聚类算法去除在匹配过程中存在的明显错误的特征点对。再次, 利用三角几何关系去除位于运动目标上的特征点。最后, 利用随机样本一致(RANdom SAmple Consensus, RANSAC)算法和最小二乘方法求出运动参数。分析实验结果得出: 本文算法比原始算法的峰值信噪比提高了5%左右, 所耗时间减少了50 ms。实验结果表明: 该算法能更加精确的实现运动背景估计, 提高了运动背景估计的鲁棒性, 同时提高了计算速度。     

改进的粒子群算法求解火力优化配置

针对现代化战场作战双方坦克分队进行火力对抗时,需要指挥员能够随时提供合理的火力打击策略这一问题,提出了一种改进的粒子群算法,用于快速求得可行的火力优化配置方案,为指挥员作出打击决策提供依据。与实例对比分析的结果表明,改进的粒子群算法具有很高的求解精度与求解效率,能够满足坦克分队作战需求。     

一种改进的Harris特征点匹配算法

针对Harris特征点匹配的精度低和效率不高的问题, 提出了基于Harris特征点匹配的改进算法. 首先对Harris特征点的提取方法进行了改进, 减少了伪特征点的提取. 然后利用改进的双向最大归一化相关系数匹配的方法提取初始特征点对, 最后用改进的随机采样一致法来剔除伪特征点对, 实现特征点对的精确匹配. 实验结果表明, 该算法不仅提高了特征点匹配的精度, 而且极大地提高了特征点匹配的效率.