基于激光三角法的同步扫描形貌测量传感器

为了克服传统的激光三角非同步物体形貌测量传感器,在深度方向的测量精度和横向测量视场相互制约的固有缺点,设计了一种新型的激光同步扫描物体形貌测量传感器.传感器以激光三角测量法为基本原理,通过所设计的光路系统,实现激光投射方向与相机成像方向的同步扫描.本文研制了基于高速旋转的十二面转镜和线阵CCD相机为主体的实验样机,实现了测量深度方向和横向视场的相互独立,并结合精密电控位移导轨和激光跟踪仪等搭建了实验系统平台.在传统非参数标定方法基础上,提出了一种适用于该传感器的映射标定方法,能够准确快速的标定该传感器.系统利用激光跟踪仪进行比对实验验证,结果表明:单点重复性小于0.07 mm,测量精度优于0.25 mm.测量传感器具有精度高、速率快、稳定性好等优点,对于物体表面形貌快速精密测量有着广泛的应用前景.     

近景大视场角分区域标定方法研究

针对飞行试验测量视场大相机标定精度低的问题,提出一种高精度CCD相机分区域标定方法。该方法首先通过将标靶均匀布置在摄像机视场内,使得标靶尽可能均匀错落地充满整个视场范围,再结合人眼判读的方式求解靶标的像面位置,最终与全站仪三维坐标形成精确的空间标定点集。接着,将像平面按横向方向等间距分割成Ｎ个区域,并结合后方交会的方法分别对每个子区域进行相机参数的计算。实验结果表明：经过分区域标定,相机采集点的总误差比单区域标定法降低了4％(Ｎ＝3)。算法可实现指定区域的相机参数计算,基本满足中高等精度的工业测量要求。所本文研究可应用于位置相对固定不变的工业视觉测量,特别是大工件测量领域。     

基于双目视觉的物体尺寸测量系统

提出了一种基于双目视觉的物体尺寸测量系统,用于非接触式测量物体尺寸。该系统采用张正友棋盘标定法进行双目相机标定,并利用标定参数对采集的图像进行校正。通过采用图像分割技术和角点检测算法获取待测物体的特征点。通过立体匹配算法对校正图像进行处理,得到视差图。根据三角形相似性原理计算特征点的三维坐标,计算出物体尺寸的信息。实验结果表明,该系统具备较高的测量精度,具有一定的实用性和应用前景。     

面向Kinect RGB-D图像的目标尺寸测量方法

利用图像测量物体尺寸是一种非接触式测量方法。利用微软公司的Kinect相机能获取RGB-D图像的特点,完成了一种非接触式测量方法。并对Kinect相机的测量深度图误差进行了大量实际测量实验得出相关结论,针对Kinect的深度图特点,建立了非接触式测量的相机几何模型,并标定出几何模型的参数,利用所得的参数实际测量、验证并分析了系统的误差,完成了Kinect相机非接触式测量的方法,实现非接触式测量误差约为1mm。     

基于图像的三维物体测量技术研究

针对非接触性测量问题,提出了利用数码相机对物体进行三维测量的一套实验方案.首先选用技术成熟的Harris算法对被测物体进行特征点提取,其次根据计算机视觉基础理论对数码相机内外部参数进行整体标定,并于标定过程中提出一种利用标准棋盘格图像与传统标定物体相结合的方法.最后,根据该方案进行了实例仿真,与传统相机标定相比提高了精度,简化了求解的复杂性.     

快速非接触三维形貌测量系统标定方法改进

快速非接触三维形貌测量系统采用可移动式结构,利用先进的非接触光机电一体测试手段,并运用现代图像采集和处理技术对三维物体进行扫描测量,高效率地获取物体表面的三维轮廓信息.为了保证检测精度,必须研究栅线节距的修正以及坐标系统及几何参数的标定问题.     

大视场星敏感器标定技术

星敏感器是一种高精度的空间姿态测量装置,精度标定是其高精度测量的重要保障.在分析影响大视场星敏感器测量误差因素的基础上,针对常用标定方法(如多项式畸变模型法和直接映射法)的缺点,提出遗传算法优化的BP神经网络算法进行大视场星敏感器标定.根据此方法建立了大视场星敏感器标定系统,并进行了实验测试.实验结果表明:该标定方法使得单星测角误差由标定前的0.14°降低到0.0053 °,有效提高了大视场星敏感器测角精度,并且代码效率高、稳定性高.     

二轴转台测角法用于线阵相机几何参数标定

目的 目前对线阵相机的几何参数标定方法比较少,而且已有标定方法都需要特殊、高精度要求的设备,为此提出一种基于二轴转台测角法的线阵相机标定方法,通过简单的设备高精度求取线阵相机的内参数和畸变参数。方法 通过简化面阵相机成像模型,建立线阵相机成像模型且推导出参数计算公式,提出测角法标定流程并设计了专门的标定板,利用图像边缘检测得到标定板黑白条纹的边缘点坐标,结合二轴转台的角度信息,代入成像模型中,主要采用最小二乘法和迭代优化算法,求取线阵相机的内参和畸变参数。同时指出了该方法的适用性和标定精度依赖于转台精度、镜头视场角和感光器件分辨率。结果 对3只不同焦距的镜头进行标定实验,分析了内参数和畸变参数迭代优化过程,焦距的标定精度优于5 μm、主点的标定精度优于3 μm,与其他文献中高成本方法进行相比,处于同一数量级。结论 提出一种新的线阵相机几何参数标定方法,该方法利用低成本二轴转台和黑白条纹标定板即可高精度标定出线阵相机几何参数。该方法的适用性依赖转台精度、镜头视场角和感光器件分辨率,对于步长为0.012 9°的转台和分辨率为1 436的线阵相机,最多只能标定焦距为16 mm的镜头,而焦距更长的镜头需要更高精度的转台。     

一种基于校正误差的立体相机标定算法

立体相机的标定是一个精确求解各个相机内参数以及相机之间关系参数的过程.它是三维重建的基础,其标定精度的好坏直接影响立体重建的结果.为此提出了一种使用校正误差作为代价函数的立体相机标定算法.该算法首先使用传统的基于重投影误差的方法对单个相机的内参数进行标定,然后利用校正误差完成对相机之间关系参数的标定求解.由于校正误差的计算只与相机内参数以及关系参数有关,可以避免在标定过程中使用难以精确标定的相机外参数.实验结果表明本算法能够有效的提高立体相机标定的精度.     

基于格雷码和多步相移法的双目立体视觉三维测量技术研究

传统的被动式双目立体视觉三维测量技术,具有操作简单,使用灵活方便,相机标定技术成熟的优点,但是对于特征点稀疏图像,寻找匹配点困难,匹配精度低。编码结构光测量方式通过向待测物体投射特定的编码图案,获取编码图像进行解码求解物体的三维信息,具有着测量精度高,速度快的优点,但是存在着投影仪标定精度低,实现难度大的缺点。提出了将双目立体视觉和编码结构光相结合的三维测量方法,在完成双目校正的基础上,向待测物体投射格雷码图案和多步相移图案,给予被测物体容易识别和可控制的特征信息,最后求取物体的三维信息。而且通过实验论证了投射多步相移图案比起4步相移图案,测量精度更高,能够更好的体现物体细节。     

非参数特征提取中模板信号的选取

非参数特征提取方法虽然不需要用任何参数表达的基函数,但在很大程度上却依赖于模板信号的选取。模板信号与实际信号逼近的程度,直接影响了提取结果的精度,这严重阻碍了该方法的广泛应用,因而模板信号的选取成为非参数波形提取中的一个关键问题。利用非参数特征提取方法前一次提取的结果,引入自适应调节模板信号的算法,使得该方法不再过多地要求模板信号具有信号的先验知识,提高了该方法在应用中的柔性和适应性。仿真信号表明了所提方法的可行性和有效性。研究结果为非参数特征提取方法的应用提供了一条新途径。     

基于信号稀疏表示的非参数基函数特征提取理论研究进展和展望

有效的信号特征提取技术在信号的分析、增强、压缩、复原等领域起着重要的作用,是模式识别、智能系统和故障诊断等诸多领域的基础和关键。虽然目前研究者提出了很多方法来解决这个问题,然而处理效果并不理想。非参数基函数特征提取是一种基于稀疏表示的特征提取方法,方法的核心是将观察信号分解为一组最好匹配信号局部结构的特征波形的线性展开,这些特征波形是由非参数基函数特征波形估计方法计算所得。详细描述了非参数基函数特征提取方法的理论思想,介绍了该方法的最新研究进展及其存在的问题,最后指出了该方法进一步发展的方向。     

基于均值漂移法进行多光谱遥感聚类研究

传统的聚类方法大都是基于空间划分的方法,一般都假设数据符合混合高斯模型。这在实际应用中往往是不成立的。在大部分模式分类的问题中,常见的参数形式不适合实际遇到的概率密度,特别是所有经典的参数密度都是单峰的,而一般遥感图像都是包含多峰的密度,因此分类结果往往不够精确。用于模式分类的非参数方法正是解决这类问题的一个重要途径,可以从本质上克服这一缺陷,而且可以发现任意形状的聚类。均值漂移方法是基于密度估计的非参数聚类方法,遥感图像的聚类分析可以通过均值漂移方法来实现,而且均值漂移过程不需要预先给出地物的类别数目,在聚类过程中自动确定类别数,这对于图像中类别数目不易确定的情况,给非监督遥感图像聚类带来方便。     

台风最大风速预测的高斯过程回归模型

针对影响台风最大风速的输入变量较多以及输入变量与输出变量之间的非线性变化特点,首先计算各个输入变量与输出变量间的互信息,这些互信息间接地反映了各个输入变量与输出变量间的相关性;然后根据t检验法确定一个阈值,对于互信息小于阈值的输入变量作不相关变量处理,筛选出最佳的模型输入变量;最后采用高斯过程回归模型对筛选后的样本集进行拟合,在贝叶斯非参数建模的框架下,确定高斯过程回归模型的协方差函数.仿真结果表明,所得高斯过程模型能够满足绝对误差的预定要求,且具有较大的实用价值.     

FEAST: Feature evaluation and selection technique for deployment in unsupervised nonparametric environments

The problem of feature selection in a totally unsupervised, distribution free environment being conceptually ill-defined, the problem has been studied in an artifically evolved pseudosupervised environment. The evolution of such an environment is achieved by formulating a unified approach to the twin problems of feature selection and unsupervised learning. The solution of the latter problem leads to the pseudosupervised environment in which the features are evaluated by employing a multistate-choice automaton model as the feature selector. The methodology developed here is intended to be deployed in conjunction with any one of the numerous recursive schemes of clustering in which the crudely formed initial clusters are refined in a recursive fashion by successively determining the centroids of the different clusters and reallocating the samples to the clusters defined by these centroids. This allocation is carried out on the basis of distance measures (Euclidean or modifications thereof) and is in parallel progress with the feature-evaluation process. The clusters, as formulated at each stage of the recursive process, provide the pseudosupervised environment for the feature selector. The track record of the automaton in terms of probabilities of penalized action provides a measure of the efficiency of the different feature subsets in the unsupervised environment.An earlier version of this paper was presented at the Fifth Annual Symposium on Automatic Imagery Pattern Recognition, University of Maryland, College Park, Maryland, April 1975.     

局部非参数子空间分析在人脸识别中的应用

提出了一种局部非参数子空间分析算法（Local Nonparametric Subspace Analysis,LNSA）,将其应用在人脸识别中。LNSA算法结合了非参数子空间算法（Nonparametric Subspace Analysis,NSA）与局部保留投影算法（Locality Preserving Projection,LPP）。它利用LPP算法中的相似度矩阵重构NSA的类内散度矩阵,使得在最大化类间散度矩阵的同时保留了类的局部结构。在ORL人脸库和XM2VTS人脸库上作了实验并证明LNSA方法要优于其他方法。     

Estimation of Time-Varying Parameters in Statistical Models: An Optimization Approach

We propose a convex optimization approach to solving the nonparametric regression estimation problem when the underlying regression function is Lipschitz continuous. This approach is based on the minimization of the sum of empirical squared errors, subject to the constraints implied by Lipschitz continuity. The resulting optimization problem has a convex objective function and linear constraints, and as a result, is efficiently solvable. The estimated function computed by this technique, is proven to convergeto the underlying regression function uniformly and almost surely, when the sample size grows to infinity, thus providing a very strong form of consistency. Wealso propose a convex optimization approach to the maximum likelihood estimation of unknown parameters in statistical models, where the parameters depend continuously on some observable input variables. For a number of classical distributional forms, the objective function in the underlying optimization problem is convex and the constraints are linear. These problems are, therefore, also efficiently solvable.     

基于非参数技术的贝叶斯人脸识别算法*

考虑到类内差与类间差的分布实际并不是严格的高斯分布,在概率密度估计方面提出改进的方案.采用非参数技术而不是高斯模型估计后验概率,将其应用于传统的贝叶斯分类器.在FERET数据库的FB及FC子集上的实验结果表明,使用非参数技术的贝叶斯分类器优于或相当于使用高斯模型的分类器,且具有训练简单的优点.     

设计特征向加工特征转换的扫体重构法

针对同时需要铣削和车削加工的零件,提出一种基于扫体的从设计特征向加工特征转换的统一方法.采用扫体方式重构零件和毛坯模型,并将毛坯与零件之间的差体沿着这些扫体扫掠路径拆分出各种新的加工扫体,最后将这些加工扫体依照它们之间的邻接关系和加工特征形状结构选择合并成加工特征.该方法实现了同一零件中直扫体和回转扫体2种特征的统一转换,能够产生对应各种不同加工方法和方向的加工特征,有利于工艺优化.文中方法已应用于一个CAPP系统,其结果证明了该方法的可靠性.