摄像机位姿的高精度快速求解

目的 针对对应点个数大于等于6的摄像机位姿估计问题,提出一种既适用于已标定也适用于未标定摄像机的时间复杂度为 的高精度快速算法。方法 首先选取四个非共面虚拟控制点,并根据空间点和虚拟控制点的空间关系以及空间点的图像建立线性方程组,以此求解虚拟控制点的图像坐标及摄像机内参,再由POSIT算法根据虚拟控制点及其图像坐标求解旋转矩阵和平移向量。结果 模拟数据实验和真实图像实验表明该算法时间复杂度和计算精度均优于现有的已标定摄像机位姿的高精度快速求解算法EPnP。结论 该算法能够同时估计摄像机内外参数,而且比现有算法具有更好的速度和精度。     

基于特征分解的快速位姿图优化算法

位姿图优化(pose graph optimization, PGO)是计算机视觉领域中广泛应用的高维非凸优化算法,很难直接求解,主要依赖于迭代技术,对初始值的质量要求较高,在实践中很难得到保证。针对位姿图优化问题进行了研究,提出了基于特征分解的位姿图简单封闭解算法,该算法首先对PGO问题的最大似然估计进行半定松弛,然后将其转换为特征分解问题,并利用数据的稀疏性设计了改进的模型降阶方法进行求解,进一步提高了算法的计算速度。算法具有可伸缩性、计算成本低和精度高等优点。最后,在模拟和真实的位姿图数据集上进行实验评估,结果表明在不影响精度的情况下,该算法可以快速地进行位姿图优化。     

基于嵌套剖分的位姿图分层优化算法

位姿图优化（pose graph optimization, PGO）是一种在同时定位与地图构建（simultaneous localization and mapping, SLAM）后端优化中常用的高维非凸优化算法,通常建模成极大似然估计。由于目前的PGO算法优化大规模大噪声数据集时很难在保证精度的同时提升速度,所以提出了一种基于嵌套剖分的位姿图分层优化算法。该算法首先建立不同距离度量的χ²检验模型,进而剔除异常值点。然后利用嵌套剖分算法将位姿图分割成一组子图,再从这些子图中提取出一个表示原SLAM问题的抽象拓扑的骨架图,从而优化该骨架图,完成初始化。最后在模拟和真实的位姿图数据集上进行实验评估,结果表明该算法在不影响精度的情况下,可以提高算法的计算速度,具有可伸缩性。     

期望最大算法及其应用(1)

EM算法是实现极大似然估计的一种有效方法,主要用于非完全数据的参数估计。它通过假设隐变量的存在,极大地简化了似然方程;对于一些特殊的参数估计问题,利用EM算法也很容易实现。而极大似然估计是一种常用的参数估计方法,EM算法使其应用更加广泛。文章从应用者的角度出发,内容是自包含的。     

基于自适应粒子滤波的摄像机位姿估计方法

提出一种基于自适应粒子滤波的摄像机位姿估计方法。该方法首先利用相邻两帧传递模型的噪声方差动态调整传递模型,接着利用内点统计方法计算粒子权值,在对权值作归一化运算之后,利用粒子加权和计算摄像机位置和姿态。实验结果表明该方法很大程度上提高了基于标识的摄像机位姿估计系统的健壮性与稳定性。     

基于小波域广义高斯分布的SAR图像分割算法

针对利用灰度共生矩阵作为纹理特征的传统方法不能够有效表征图像的边缘高频信息的问题,结合小波的多分辨率分析,提出了一种基于小波变换域统计特性的合成孔径雷达(SAR)图像分割算法.图像经过小波变换后,其统计特性服从广义高斯分布(GGD),利用最大似然(ML)估计,推导出GGD的两个参数α、β,提出了利用Newton-Rap...     

基于最大似然估计的加权质心定位算法

为解决无线传感器网络中节点自身定位问题,针对接收信号强度指示（received signal strength indication,RSSI）测距误差大和质心定位算法精度低的问题,提出一种基于最大似然估计的加权质心定位算法．首先通过计算将估计距离与实际距离之间的最大似然估计值作为权值,然后在权值模型中,引进一个参数k优化未知节点周围锚节点分布,最后计算出未知节点的位置并加以修正．仿真结果表明,基于最大似然估计的加权质心算法具有定位精度高和成本低的特点,优于基于距离倒数的质心加权和基于RSSI倒数的质心加权算法,适用于大面积的室内定位．     

基于单平面模板的摄像机定标研究

提出了一种摄像机定标方法,只需要摄像机从不同方向拍摄平面模板的多幅图像,摄像机与平面模板间可以自由地移动,运动的参数无需已知。对于每个视点获得图像,提取图像上的网格角点;平面模板与图像间的网格角点对应关系,确定了单应性矩阵;对每幅图像,就可确定一个单应性矩阵,这样就能够进行摄像机定标。该算法先有一个线性解法,然后基于极大似然准则对线性结果进行非线性优化求精。该方法同时也考虑了镜头畸变的影响。实验结果表明该算法简单易用。     

基于ML的OFDM优化同步算法

OFDM作为下一代通信系统的关键技术,亟需解决其同步问题。在ML算法的基础上,提出了基于多符号的ML同步算法。在加性高斯白噪声条件下进行了仿真,结果表明改进的同步算法性能比ML算法要好很多。其中,基于连续符号的定时估计方法 1在信噪比超过2 dB时准确率几乎可达100%,基于重复发送符号的定时估计方法 2在较低信噪比条件下性能比方法 1更好。信噪比为-8 dB左右时,3种优化的频偏估计方法的估计误差均在1%以内,明显好于ML频偏估计算法,证明了改进算法的优越性。     

基于线性预测和最大似然的基音检测算法

根据语音信号产生机理,结合常用的线性预测和最大似然法,提出了一种有效的基音检测算法。该算法采用频域分块估计候选基音周期的范围,提高了算法的计算速度。仿真实验表明,该算法与传统方法相比其基音检测结果有了明显的改善,克服了随机错误及倍频、半频错误,在低信噪比下鲁棒性较好。     

基于仿射变换和线性回归的3D人脸姿态估计方法

提出了一种由仿射变换关系到线性回归的3D人脸空间姿态估计方法。即跟踪到人脸特征点后,根据仿射变换关系得到人脸姿态的粗估计值,以这个粗估计值作为人脸姿态的初始值,再通过线性回归迭代求得人脸姿态的精确值。实验结果表明,该方法在较大的姿态变化范围内,具有良好的估计精确度和鲁棒性。     

基于对偶数的透视N线姿态估计

由空间几何信息（如点、线）与其图像元素间的对应关系来确定摄像机的外参数（位置和方向）,即姿态估计问题,是计算机视觉、摄影测量学等的主要研究问题之一。在针孔摄像机模型下,利用对偶数这一数学工具把基于点的姿态估计算法推广到基于线的姿态估计算法,使得点、线姿态估计算法得到了统一。与已有的基于线的姿态估计算法区别在于,并未利用空间线或图像线上孤立的点的信息,而是线的整体信息,这就避免了点对应问题以及由此带来的误差等问题。大量的模拟实验和真实实验验证了方法的可行性和有效性。     

一种基于点对的相机几何标定方法

提出了一种基于点对的几何标定方法,用于标定相机外部参数．该方法考虑点对而不是单个点与相机的几何关系．首先根据三个标定点对计算旋转矩阵且不需要任何点对的精确三维信息．然后根据相机和一个点对的几何关系计算平移且只需这个点对的相对位置是已知的．整个标定过程不需要任何点对的绝对位置信息．试验结果表明了该方法的有效性．     

基于视觉的相机位姿估计方法综述

相机位姿估计是通过估计相机的位置坐标和环绕三个坐标轴的角度偏转,来描述其相对于给定场景的方向和位置,是自动驾驶、机器人技术等任务的重要组成部分。为帮助研究人员在相机位姿估计领域的研究,对相机位姿估计的研究现状和最新进展进行梳理。首先介绍了相机位姿估计的基本原理、评价指标和相关数据集;然后从场景关系搭建和相机姿态解算两个关键技术出发,对两阶段模型结构方法和单通道模型结构方法进行阐述总结,分别从核心算法和利用的场景信息不同上进行分类归纳分析,并对室内室外公开数据集上的表现作对比;最后阐述了该领域当前面对的挑战和未来的发展趋势。     

一种基于任意点对的相机标定方法

提出了一种基于任意点对的几何标定方法,用于标定相机外部参数．该方法考虑点对而不是单个点与相机的几何关系．首先根据三个标定点对估计旋转矩阵,然后根据相机和一个点对的几何关系直接计算平移向量．整个标定过程无需任何点对的绝对位置信息,而且对点对的位置关系也没有任何限制．试验结果表明了该方法的有效性．     

一种基于点对的深度和运动估计方法

针对基于模型的姿态估计问题提出了一种新颖的深度和运动估计方法．估计过程分为两步．首先根据由3个模型点构成的3个点对估计旋转矩阵．然后,根据3个点对中的一个计算平移和深度．本文还提出了一种简单而有效的优化算法用于提高估计结果的精度．该估计方法的特点是独立地估计旋转矩阵,而且只需少量的模型点就能获得好的估计结果．模拟试验和实际试验结果表明了该方法的有效性．     

基于一维标定物的反射折射摄像机标定方法

一维标定物是指一组任意两点距离已知的共线点.基于一维标定物的标定方法相对基于二维、三维标定物的方法更加灵活,在实际中有很高的应用价值.文中提出一种基于一维标定物的反射折射摄像机标定算法.如果一维标定物包含5个或5个以上的共线点,则通过一维标定物的3次或3次以上的一般刚体运动,就能够标定反射折射摄像机的参数.算法分为两步:首先,使用一维标定物的图像和主点满足的不变量计算主点;然后,通过一维标定物图像所隐含的正交消影点信息,线性地求解绝对二次曲线的像(IAC),并对IAC矩阵进行Cholesky分解确定尺度因子和畸变因子.此外,文中方法还能够给出镜面参数的解析表示以及一维标定物相对于视球中心的位置.模拟实验中,作者在两种镜面配置下比较了文中的方法和基于圆环点的方法,结果表明文中的方法在不同的镜面配置下都能得到较好的标定结果.真实实验也验证了文中方法的正确性和可行性.     

Analysing the power of deep learning techniques over the traditional methods using medicare utilisation and provider data

Deep Learning Technique (DLT) is the sub-branch of Machine Learning (ML) which assists to learn the data in multiple levels of representation and abstraction and shows impressive performance on many Artificial Intelligence (AI) tasks. This paper presents a new method to analyse the healthcare data using DLT algorithms and associated mathematical formulations. In this study, we have first developed a DLT to programme two types of deep learning neural networks, namely: (a) a two-hidden layer network, and (b) a three-hidden layer network. The data was analysed for predictability in both of these networks. Additionally, a comparison was also made with simple and multiple Linear Regression (LR). The demonstration of successful application of this method is carried out using the dataset that was constructed based on 2014 Medicare Provider Utilization and Payment Data. The results indicate a stronger case to use DLTs compared to traditional techniques like LR. Furthermore, it was identified that adding more hidden layers to neural network constructed for performing deep learning analysis did not have much impact on predictability for the dataset considered in this study. Therefore, the experimentation described in this article sets up a case for using DLTs over the traditional predictive analytics. The investigators assume that the algorithms described for deep learning is repeatable and can be applied for other types of predictive analysis on healthcare data. The observed results indicate, the accuracy obtained by DLT was 40% more accurate than the traditional multivariate LR analysis.