基于图像的三维分层重构算法研究

文章研究在摄像机内参数不变的情况下,利用图像中场景的结构信息实现分层重构的方法.通过求解基础矩阵实现射影重构,通过求解无穷远平面单应矩阵实现仿射重构,利用虚圆点约束求解绝对二次曲线的像实现欧氏重构.实验表明所研究的算法是有效可行的.     

基于图像的三维分层重构算法研究

文章研究在摄像机内参数不变的情况下,利用图像中场景的结构信息实现分层重构的方法。通过求解基础矩阵实现射影重构,通过求解无穷远平面单应矩阵实现仿射重构,利用虚圆点约束求解绝对二次曲线的像实现欧氏重构。实验表明所研究的算法是有效可行的。     

一种基于Kruppa方程的分步自标定方法

针对摄像机自标定中Kruppa方程求解的非线性优化问题和标定结果的欠鲁棒性,提出一种基于Kruppa方程的分步自标定方法。根据两图像匹配的特征点对采用8点算法求解相应的基本矩阵,其中待匹配图像选用摄像机对同一场景在不同焦距下拍摄的两帧图片,对图片的特征匹配点建立约束关系,采用最小二乘法求出摄像机的主点坐标,然后利用遗传算法优化Kruppa方程的比例因子,最后通过优化后的比例因子完成摄像机的标定。实验表明,该方法可提高标定精度,并通过对特征点坐标加入高斯噪声,验证了算法的鲁棒性。     

基于奇异值分解的大型社交网络差分隐私算法

针对基于随机投影的差分隐私算法中存在直接对降维数据直接添加噪声导致基于欧氏距离数据挖掘中数据可用性较差的问题,提出了一种基于奇异值分解的差分隐私算法.该算法首先对高维社交网络的数据利用随机投影进行降维,然后对降维后的数据进行奇异值分解并对奇异值加入高斯噪声,最后通过奇异值分解逆运算生成待发布矩阵.该算法利用的奇异值矩阵...     

一种新的基于Kruppa方程的摄像机自标定方法

主要针对传统的基于Kruppa方程的摄像机自标定算法的欠鲁棒性提出了一种新的二步式标定方法．在新标定方法中，首先利用传统的LM优化算法或遗传算法求解出Kruppa方程中通常需要被消去的比例因子，然后再利用线性方法完成对摄像机的标定．大量的仿真和真实图像实验表明，该方法可以大大提高基于Kruppa方程标定算法的鲁棒性及标定精度．     

基于遗传算法的射影重构

在实现分层重构的过程中，射影重构是关键的第1步。目前，大多已有算法对模拟数值是非常有效的，但对于真实图象效果并不理想。为了寻求更为鲁棒的算法，提出了一种基于遗传算法的射影重构算法。该算法对于射影深度采用十进制编码，并以测量矩阵的秩为4作为约束，来定义适应度函数，然后利用遗传算法，并结合奇异值分解（SVD）技术来迭代估计射影深度，进而实现射影重构，该算法是行之有效的，且鲁棒性较好。     

基于外点检测与校正的填充射影分解算法

针对三维重构中存在的数据缺失和遮挡问题,提出可处理缺失数据的填充射影分解算法,利用子空间约束与对极几何约束进行矩阵拟合并填充缺失数据,通过奇异值分解得到射影运动与结构参数。为克服该算法对噪声和外点的敏感性,结合RANSAC算法和三角形法对其进行外点检测与校正。实验结果表明,加入外点校正后的算法可提高射影重构的鲁棒性,降低误差,具有较高的实用价值。     

Kronecker积重构卷积核矩阵的图像迭代复原方法

图像复原实际上是反卷积问题,其中的卷积核矩阵属于大尺寸的Toeplitz矩阵。为了降低迭代复原算法的计算复杂度,通过分析该Toeplitz系统的病态性及常见快速求解方法,提出一种基于卷积核矩阵重构的预条件共轭梯度迭代算法。首先根据Toeplitz矩阵可分解为Kronecker积的和的性质,对点扩散函数进行奇异值分解,将各奇异值对应的左右向量构造子Toeplitz矩阵,子矩阵作Kronecker积并加和,从而得到卷积核矩阵的分解式,然后根据Kronecker乘积的性质,将该分解式用于构造预条件算子,最后利用预条件共轭梯度法求解。计算复杂度分析及实验表明该方法有助于加速迭代的收敛并得到稳定结果。     

一种景物平面法向已知条件下的单应矩阵快速分解算法

针对机器人混合视觉伺服控制中的摄像机位姿估计问题,分析欧氏单应矩阵的基本性质,提出一种景物平面法向已知情况下的欧氏单应矩阵快速分解算法.仿真实验结果表明,所提出的算法实现简单,避免了矩阵奇异值分解运算和从多组分解结果中确定惟一解的过程,能够较好地满足视觉伺服控制系统的实时性要求.     

结构光系统的自动标定

提出一种基于单应矩阵的摄像机自动标定算法。讨论摄像机焦距为恒定和任意变化两种情况下求解摄像机内参数的计算方法:论证空间平面诱导单应矩阵的性质,利用该性质不但能求出摄像机外参数,还可得到空间平面法向量和单应矩阵方程的比例因子。该算法在求解过程中不需要非线性迭代,可以直接获得解析解,实验表明该算法具有很好的准确性、普遍性。