加权Hausdorff距离算法在SAR/INS景象匹配中的应用

提出了一种基于特征图像分支点提取的加权Hausdorff距离图像匹配算法,并给出了相应的权值求解公式．为满足景永匹配导航系统实时性的要求,给出了细化处理的预处理方法,减少了特征文件的冗余度,提高了匹配搜索的快速性．同时,基于细化后提取出的分支特征点,应用加权Hausdorff距离算法进行图像匹配,克服了斑点噪声对合成孔径雷达（SAR）图像匹配的影响．仿真分析袭明．该算法能满足SAR／INS景泉匹配辅助导航系统实时性和准确性的要求．     

基于分支特征点的导航用实时图像匹配算法

为了满足景象匹配辅助导航系统需要同时获取飞行器位置和航向偏差的需要, 提出了一种基于分支特征点提取的图像匹配算法. 传统的图像匹配算法需要全局搜索匹配特征点, 耗时巨大, 而只提取分支特征点来匹配能满足导航系统实时性的要求. 在匹配算法方面, 提出了采用加权 Hausdorff 距离算法来进行匹配. 同时, 根据分支特征点的特性, 推导了相应的权值求解公式. 仿真结果表明, 本文提出的匹配算法耗时较短, 能满足导航系统实时性的要求, 且定位参数的求解也完全正确.     

基于某微型飞行器的2种图像导航算法性能比较

导航系统是微型飞行器中必不可少的重要部分,在城市、建筑物内部或强电磁干扰等环境下,要实现导航必须采用全新的技术。图像导航是其有效技术之一。根据微型飞行器导航系统实时性和算法精准性的要求,研究了2种图像导航算法：互相关匹配法和局部熵差法。为了降低计算量,使其易于工程实现,采用了分层搜索等技术,并对2种算法进行了改进。仿真结果表明：“互相关匹配法”更适合微型飞行器的图像导航。     

机载图像辅助导航实时匹配算法研究

针对机载图像匹配辅助导航系统的实时性和精度高的特点,提出了基于部分Hausdorff距离的粗匹配与基于广义点理论的精匹配相结合的匹配方法;该方法利用多尺度边缘检测提取机载图像的边缘特征,将参考图像和实时图的边缘特征进行粗匹配和精匹配,并做了仿真实验;实验结果表明,该算法优于与灰度相关和SSDA算法对比,并验证算法的有效性.     

视觉导航相关技术发展及其研究分析

为了全面了解航空器应用背景下的视觉导航相关技术的研究与进展,深入分析了视觉导航关键技术。分别对与传感器图像相关的载体姿态提取技术、基于图像匹配算法的定位技术以及基于序列图像的速度测量技术这三种技术进行了全面阐述,重点论述了姿态与参考特征的关系、景像匹配定位的核心算法及速度测量的两类方法,并总结了视觉导航发展过程中的相关难点与发展趋势。     

一种用于辅助导航的快速图像匹配方法

为了提高辅助导航中多传感器图像匹配的精确性和实时性,首先提取图像的边缘特征,并用3-4距离变换(3-4DT)方法对边缘二值图像进行变换,以变换后的边缘距离图像为匹配特征;针对传统Hausdorff距离的局限性提出了一种融合点集重合数的Hausdorff距离,并以之为相似性度量;搜索策略根据人眼视觉系统的机制采用一种由远到近的分层匹配方法,同时使用一种改进的实数编码遗传算法来加快底层图像匹配的速度。实验结果为平均匹配时间为1283m s,平均误差值为1.036,表明匹配方法能满足导航要求。     

实时图像匹配辅助无人机导航研究

针对GPS/INS组合导航系统在抗干扰性和精度上不能完全满足无人机导航系统要求的问题,利用实时图像匹配辅助无人机导航的方法进行仿真研究.首先,对输入图像进行目标识别定位,为了满足系统的实时性要求,研究采用光电混合联合变换相关器进行实时图像匹配,仿真结果表明,目标的识别定位精度小于两个像素,能够为无人机提供精确的导航信息;再根据摄影测量原理计算导航信息中的位置和姿态角信息;最后,将匹配定位得到的导航信息通过Kalman滤波器与惯导系统解算的导航信息进行信息融合,仿真结果表明,滤波后导航信息的误差均获得了较明显的收敛,提高了无人机导航系统的抗干扰性和导航精度.     

基于区域特征提取的景像匹配新算法

提出了一种基于图像区域特征的模糊熵差景像匹配新算法：针对两幅不同时相图像,该方法先进行区域特征提取,然后通过构造模糊熵差匹配度量函数来实现图像的自动匹配。与传统的算法相比,该算法具有明显的抗几何失真和高斯噪声的能力,且实时性也较好,为飞行器实时景像匹配提供了一种可行方法。     

基于SIFT算子融合最大相异系数的自适应图像匹配算法

针对传统的尺度不变特征变换（SIFT）图像匹配算法存在的误匹配率较高、剔除误匹配点条件单一的问题,提出一种基于SIFT算子融合最大相异系数的自适应图像匹配方法。首先,在欧氏距离（Euclidean distance）比测度基础上,对SIFT算法中128维特征向量自适应获取最大相异系数优化;然后,确定最大相异系数最优取值进行匹配点筛选,并采用随机抽样一致性（RANSAC）算法进行匹配正确率计算;最后,利用Daniel Scharstein和Richard Szeliski立体匹配图像进行了算法验证。实验结果表明,改进算法较传统SIFT算法匹配正确率提升10个百分点左右,有效降低误匹配,更能够适应相似区域较多的图像匹配应用。在实时性上,所提方法单次匹配平均耗时1.236 s,可应用于实时性要求不高的系统。     

基于小波变换的快速图像匹配算法与实现

归一化互相关算法是传统的图像匹配算法,针对传统图像匹配算法运算量大、速度慢的缺点,提出了一种基于小波变换的多尺度图像匹配算法.首先在尺度空间的最高一层对低分辨率的子图像进行匹配,然后在匹配结果基础上对高分辨率的图像进行匹配,最终实现全分辨率下的图像匹配.实验结果表明,该算法能够提高图像匹配的精度,减少运算量,满足机器视觉的实时性要求.     

基于实时地形校正的InSAR图像匹配算法

针对侧视雷达/可见光图像匹配制导系统中由于雷达图像地形畸变引起的误匹配问题,提出了一种基于干涉合成孔径雷达（InSAR）的实时地形校正图像匹配算法。该算法以侧视雷达成像几何构象为基础,利用InSAR获取的实时地形数据对获取的SAR景象数据进行实时几何校正,生成无畸变的SAR景象数据,然后利用校正后的SAR景象数据与提前安装的可见光基准数据进行基于去均值归一化互相关模板的图像匹配。实验结果表明,通过实时地形校正,该景象匹配算法在复杂地形区域的匹配概率和匹配精度都大大优于传统SAR景象匹配算法,有效地提高了SAR图像匹配制导技术的适用性。     

一种基于Harr小波的快速模板匹配算法

针对传统模板匹配算法的缺点,提出了一种基于Harr小波和SSDA的模板匹配算法,对图像进行由粗到细的匹配。实验结果表明：该算法流程简单,实时性好,匹配精度高。在不失匹配精度的条件下,克服了运算量大的缺点,从而满足图像匹配系统的实时性要求。     

基于BP神经网络的景象匹配算法

针对以可见光图像为基准、红外图像为实测的景象匹配问题,提出了一种基于BP神经网络的景象匹配方法。该方法首先抽取满足平移、旋转、尺度不变性的Krawtchouk不变矩作为红外目标的特征描述并构造特征向量,随后,基于主分量分析法消除特征向量各个分量间的相关性,去掉多个对目标匹配识别贡献不大的特征的影响,形成描述目标的有效特征向量。接下来,构造三层BP神经网络,以有效匹配特征作为输入,匹配位置作为输出,按照经验公式确定隐层节点个数,基于样本集对红外目标在可见光基准图像中的匹配过程进行训练,最终形成智能化景象匹配识别器。实验结果表明,与常用的景象匹配算法相比,提出方法不仅具有更高的匹配精度和速度,而且鲁棒性好,能抵抗实测图像的旋转几何畸变。     

一种基于区域特征的景象匹配算法研究

景象匹配技术是飞行器匹配定位辅助导航系统的核心,如何提高其正确匹配率一直是研究的热点与难点。提出一种基于区域特征的景象匹配算法。首先,提取基准景象和实时景象的稳定极值区域,并计算出区域的灰度、形状、纹理以及起伏程度特性作为相似性度量的主要因素构造相似性度量函数;然后,计算区域对的Hausdorff距离,决定是否是对应区域。大量的模拟实验表明,该算法的匹配时间能达到0.138 s,正确匹配率达到92.67%,不仅能满足景象匹配的要求,且大大提高了匹配的时间与正确率,对导航系统的定位具有实用价值。     

基于TMS320DM642的无人机景象匹配辅助导航系统构建

景象匹配辅助导航系统传统上大多是基于PC机、PC104计算机实现的,由于受重量、体积、功率等方面的限制,无法应用于无人机平台上.针对该问题,提出了一种基于TT公司TMS320DM642高性能DSP处理器的无人机景象匹配辅助导航系统设计方案,经试验分析,可满足无人机平台的需要.     

动机器人视觉图像特征提取与匹配算法*

针对移动机器人导航过程中视觉图像处理速度慢以及特征点提取与匹配实时性和准确性差等特点,提出了一种基于SIFT特征提取算法与KD树搜索匹配算法相结合的新方法,通过对候选特征点进行多次模糊处理,使其分布在高斯差分图像的灰度轮廓线边缘,利用SIFT特征提取算法找到满足极限约束的极值点;通过KD树最邻近点搜索和匹配算法使处理后的特征点与原始图像进行特征匹配,快速找出匹配正确的特征点。实验证明,该方法对环境光照、视野角度频繁变化的环境具有较强的鲁棒性,能够满足移动机器人自主导航过程中对视频图像处理的实时性和准确性     

改进的SSDA图像匹配算法

在目前的图像匹配中,SSDA实时性好,但对图像灰度的线性变化非常敏感.鉴于此,提出一种基于SSDA(序贯相似度检测算法)的新算法.新算法提出差值矩阵的概念,消除了灰度线性变化的影响.首先将两幅图像同行的相邻像素进行灰度差值计算,获得差值矩阵,再将差值矩阵的元素按照隔点提取的方式进行序贯相似度计算,阈值自适应更新,获得最小阈值的子图像即为匹配图像.实验结果表明,该方法对图像灰度的线性变化有良好的鲁棒性,便于实时性的实现.     

矢量道路拓扑追踪匹配算法

目的 基于道路形状特征的匹配算法在匹配性能上比较稳定,但当遇到道路交叉口等复杂路况时容易出现误匹配,且实时性上有一定缺陷,而矢量道路良好的拓扑结构,为此提出一种利用矢量道路拓扑关系进行追踪匹配的算法。方法 算法利用结点、路段和路口这3种对象来对矢量道路进行表达,建立各个对象之间的拓扑关系,并将匹配过程划分为4个不同的状态,根据各个状态实施相应的匹配方法。首先,进行初始化、追踪、路口和搜索4个状态的定义和划分,确定各个状态之间的转换关系;进一步,设计道路中的结点、路段和路口3种对象的数据结构,建立点、线之间的空间拓扑关系;其次,根据4个状态的具体任务和实际特点,对进入该状态的行驶轨迹进行相应地分析处理和匹配计算;最后,根据追踪的结果进行匹配分析,完成对车辆行驶轨迹的误差修正。结果 采用GPS-RTK采集的北京市西五环及密云地区的矢量道路数据对实地跑车的惯性导航轨迹进行拓扑追踪匹配仿真实验,完成拓扑追踪匹配算法的路口距离阈值选取,并与传统基于道路形状特征的匹配算法在匹配效果和实时性进行性能对比测试,其性能指标为匹配准确率和匹配时间。当矢量道路拓扑追踪算法的路口距离阈值取20 m时,匹配准确率达到了最高值93.5%。在匹配性能对比上,拓扑追踪算法相较于其他两种算法也有一定优势,在相同道路段中匹配准确率达到了90.2%,匹配速度也提高了48倍。结论 采用矢量道路数据的拓扑信息对车辆轨迹进行追踪匹配的方法,能够用于卫星信号“盲区”或者信号干扰等特殊环境和场合的组合系统辅助导航,弥补传统基于卫星的组合导航在自主性、抗干扰性的不足。同时,算法针对复杂路况的匹配结果也较为理想,能够满足组合导航匹配工作的要求。