基于图像边缘和USAN区域的角点检测方法

在景象匹配技术中,利用角点来建立特征空间越来越受到研究者的亲睐.本文提出了一种新的基于图像边缘和USAN区域的角点检测方法:首先用二维Gabor小波提取图象的边缘,然后再利用基于同值分割吸收核(univalue segment assimilating nucleus)区域角点检测模型进行角点提取.此算法很好地解决了噪声对角点提取的干扰,同时该算法也为存在较大角度旋转的图象进行匹配提供了高质量的特征空间.     

基于特征点和区域生长的目标图像分割方法

成像探测的运动目标图像中背景复杂并且含有大量的噪声,针对传统的目标的检测和分割方法精确定位困难、且不能完整分割等问题,提出基于特征点和区域生长的运动目标图像分割方法。通过相邻帧图像的绝对值差分图像得到大概的运动区域,利用基于LK光流的角点检测方法提取差值图像中的特征点,采用非最大值抑制对特征点的优劣性进行评估,对好的特征点进行区域生长,最终达到运动目标的分割目的。仿真结果表明:该方法能够对复杂图像序列中的运动目标进行精确定位,得到较好的目标分割结果,并且计算量小,具有较高的鲁棒性。     

基于图像边缘和USAN区域的角点检测方法

在景象匹配技术中，利用角点来建立特征空间越来越受到研究者的亲睐。本文提出了一种新的基于图像边缘和USAN区域的角点检测方法：首先用二维Gabor小波提取图象的边缘，然后再利用基于同值分割吸收核(univalue segment assimilating nucleus)区域角点检测模型进行角点提取。此算法很好地解决了噪声对角点提取的干扰，同时该算法也为存在较大角度旋转的图象进行匹配提供了高质量的特征空间。     

基于全卷积神经网络和点云的道路检测算法

传统利用视觉传感器进行道路检测的算法受到环境光影响明显,难以在实际驾驶环境进行应用.本研究基于全卷积神经网络和激光雷达点云提出了一种道路检测算法,通过将点云进行投影,栅格化计算统计学特征,将无序的点云转化为全卷积神经网络能够训练的数据,进而对车辆前方的道路进行检测.在KITTI数据集上的训练和测试表明,该算法在识别精度、计算耗时、感知范围和稳定性上能够满足对于车辆前方道路的检测要求,具有鲁棒性好、全天应用的特点.     

基于法矢量修正和参数修正的点云双边滤波改进算法

针对现有点云滤波算法在实现过程中存在的目标特征保留能力差和时间复杂度高的问题,提出了基于法矢量修正和参数修正的点云双边滤波改进算法。介绍了点云双边滤波算法原理,在该算法的基础之上分别修正了法矢量、距离权重因子和特征保持因子,提出了一种改进的点云双边滤波算法,并通过仿真分析进行了算法验证。与传统的点云半径滤波算法和点云双边滤波算法相比,所提算法能够在时间复杂度较低的情况下保留更多的目标细节特征,提高滤波算法实时性。