|
搜索
搜 索
高等教育領域數(shù)字化綜合服務平臺
一種基于機器學習的空間數(shù)據(jù)匹配方法
本發(fā)明涉及一種基于機器學習的空間數(shù)據(jù)匹配方法，包括四個步驟:1)自動生成匹配訓練樣本，2) 通過機器學習建立分類器模型及其參數(shù)，3)應用分類器模型對輸入空間數(shù)據(jù)進行目標匹配，4)顧及邏 輯和領域約束對匹配結(jié)果的過濾和改善。其中機器學習采用以空間目標的位置、大小、形狀和方位等多 種指標作為特征提取。具有如下優(yōu)點:可避免量綱標準化和多指標加權(quán)中的主觀任意性，匹配精度較加 權(quán)平均方法更高;匹配模型基于樣本數(shù)據(jù)學習建立，數(shù)據(jù)的自適應性較高;建立模型的典型樣本數(shù)量少， 可大規(guī)模應用;利用空間數(shù)據(jù)的內(nèi)在幾何信息，無需額外屬性信息，使用準入性低。
武漢大學
2021-04-13
基于 LiDAR 點云輔助的立體影像密集匹配方法及系統(tǒng)
一種基于 LiDAR 點云輔助的立體影像密集匹配方法及系統(tǒng)，將投影獲取立體像對重疊范圍內(nèi)的 LiDAR 點云并濾波處理；將濾波后的點云投影到核線立體像對上，確定后續(xù)密集匹配的視差范圍；建立 金字塔，從金字塔頂層開始，采用三角網(wǎng)約束改造代價矩陣，進行 SGM 密集匹配，并進行左右一致性 檢測，得到頂層最終的視差圖；將金字塔當前層的視差圖傳遞到下一層作為初始視差圖，根據(jù)當前層的 視差圖相應確定下一層的視差范圍，將下一層作為新的當前層；基于新的當前層，同樣處理得到當前層 最終的視差圖，直到金字塔的底層，輸出原始影像的視差圖，根據(jù)視差圖，得到立體像對的同名點，生 成密集匹配的點云。
武漢大學
2021-04-13
基于光譜抽樣直方圖的超光譜降維匹配方法及系統(tǒng)
本發(fā)明提供一種基于光譜抽樣直方圖的超光譜降維匹配方法及系統(tǒng)，包括對待匹配光譜和光譜庫中 的所有光譜分別進行歸一化處理，分別獲取歸一化后的待匹配光譜和光譜庫中所有光譜的抽樣直方圖， 計算待匹配光譜的抽樣直方圖與光譜庫中所有光譜的抽樣直方圖的歐氏距離，在光譜庫中選取與待匹配 光譜抽樣直方圖歐氏距離最小的一條光譜作為匹配對象。本發(fā)明通過對歸一化后的光譜使用等間距的窄 帶進行抽樣，從而獲得維數(shù)遠小于原始光譜的抽樣直方圖，完成了光譜的降維，然后使用降維后的抽樣 直方圖代替原始光譜進行匹配，顯著降低了后續(xù)匹配時的運算量，同時在抽樣時利用分段提取的方法保 留了光譜圖中的相對位置信息，提高了匹配的精度。
武漢大學
2021-04-13
一種基于等距邊緣點匹配的多車道線檢測方法
本發(fā)明公開了一種基于等距邊緣點匹配的多車道線檢測方法，包括：采集汽車前方道路圖像，利用世界坐標系、相機坐標系和圖像坐標系之間的相互關(guān)系，對采集到的汽車前方道路圖像做逆透視投影變化，以得到道路圖像的鳥瞰圖，對鳥瞰圖進行邊緣檢測，并對檢測到的邊緣圖進行預處理，對預處理后的邊緣圖中所有的邊緣點進行局部區(qū)域匹配，保留匹配成功的邊緣點對，并通過這些邊緣點對得到特征點圖，在特征點圖中，依照特征點的分布對圖像進行分塊，并提取
華中科技大學
2021-04-14
匹配層前端帶金屬保護膜結(jié)構(gòu)的氣體超聲波換能器
本發(fā)明公開了一種匹配層前端帶金屬保護膜結(jié)構(gòu)的氣體超聲波換能器。金屬殼內(nèi)從下至上依次裝有塑料殼、金屬壓板和硬質(zhì)密封膠層，導線中的兩根線芯分別焊接在壓電片的正極面和負極面的邊緣。壓電片的上端面與塑料殼中心的凸臺連接，下端面嵌入匹配層上端面中心的定位槽內(nèi)，壓電片、匹配層和塑料殼之間填充軟膠填充層，帽狀金屬保護膜套在塑料殼的下端面，帽狀金屬保護膜與匹配層下端面連接，帽狀金屬保護膜的帽沿與金屬殼間裝有密封圈。本發(fā)明具有極好的耐高壓、抗腐蝕能力，適宜安裝在可對含有微量固體微粒和微量液體雜質(zhì)的高壓氣體介質(zhì)的體積流量進行計量、使用低電壓電源供電的氣體超聲波流量計中。
浙江大學
2021-04-13
一種基于代價矩陣的多重軟約束立體匹配方法
本發(fā)明公開了一種基于代價矩陣的多重軟約束立體匹配方法，首先計算一個三維匹配代價矩陣并對 其進行多尺度降采樣，構(gòu)成代價矩陣金字塔；同時對影像也進行相應的多尺度降采樣，構(gòu)成影像金字塔， 并對其各層影像分別進行圖像分割；然后逐層進行自適應權(quán)重的代價積聚和―投票式‖分割約束下的代價 積聚，并通過將上層代價積聚結(jié)果傳遞給下層代價矩陣，實現(xiàn)多尺度約束下的代價積聚；最后在底層代 價矩陣中結(jié)合可靠點代價擴散方法實現(xiàn)立體匹配。本發(fā)明增強了匹配結(jié)果的穩(wěn)定性和可靠性，大大改善 了弱紋理和重復紋理區(qū)域以及視差不連續(xù)處的匹配問題，可用于改進基于圖像的建模等涉及立體匹配的 工程應用問題。
武漢大學
2021-04-13
基于聲學多普勒計程儀的水下地形匹配導航系統(tǒng)
本發(fā)明公開了一種基于聲學多普勒計程儀的水下地形匹配導航系統(tǒng)，包括：多波束綜合多普勒計程 儀、差分全球定位系統(tǒng)、平臺羅經(jīng)、數(shù)據(jù)采集模塊和海底地形匹配模塊，多波束綜合多普勒計程儀、差 分全球定位系統(tǒng)、平臺羅經(jīng)、海底地形匹配模塊均與數(shù)據(jù)采集模塊相連。本發(fā)明多波束綜合多普勒計程 儀具有更多測點、全覆蓋、高精度的優(yōu)點，能更準確全面地反映水下地形的起伏變化情況。將多波束綜 合多普勒計程儀與海底地形匹配模塊結(jié)合，形成本發(fā)明基于聲學多普勒計程儀的水下地形匹配導航系統(tǒng)。 相比于傳統(tǒng)的水下地形導航系統(tǒng)，本發(fā)明不受時間限制，在長時間航行過程中也可保證實時導航信息的 精確性。
武漢大學
2021-04-13
一種結(jié)合點特征和線特征的圖像匹配方法
本發(fā)明公開了一種結(jié)合點特征和線特征描述子的圖像匹配算法，包括：(1)分別對模板圖和實時圖在多尺度下提取角點；(2)獲得實時圖和模板圖角點周圍的邊緣集合；(3)計算步驟(1)獲得的最終選定的實時圖與模板圖角點的類ORB點特征描述子；(4)利用最小截平方Hausdorff距離描述步驟(2)獲得的實時圖和模板圖的邊緣集合的匹配相似度；(5)計算步驟(3)中獲得的實時圖與模板圖角點的類 ORB 點特征描述子的匹配相似度；(6
華中科技大學
2021-04-14
基于局部不變幾何特征的廣義霍夫變換圖像匹配方法
本發(fā)明公開了一種基于局部不變幾何特征的廣義霍夫變換圖像 匹配方法，用于實現(xiàn)對具有任意旋轉(zhuǎn)角度的目標圖像的匹配，其特征 在于，該方法包括對模板圖像進行預處理的步驟和利用該模板圖像的 處理結(jié)果對目標圖像進行匹配的步驟，其中，模板圖像處理步驟中包括提取圖像各邊緣點并建立邊緣點匹配特征關(guān)系，所述目標圖像進行 匹配時先提取目標圖像的各邊緣點，再利用上述建立的邊緣點匹配特 征關(guān)系對提取的圖像進行匹配，從而獲得匹配位置點和相應的旋轉(zhuǎn)角 度，完成目標圖像匹配。本發(fā)明的方法通過改進傳統(tǒng)的廣義霍夫變換， 建立改進的參考表，能夠?qū)θ我饨嵌刃D(zhuǎn)的目標圖像進行匹配，具有 很高的匹配速度和匹配精度。
華中科技大學
2021-04-11
基于視覺特征的視頻指紋檢測及視頻序列匹配方法及系統(tǒng)
本發(fā)明提出一種基于視覺特征的視頻指紋檢測方法，具體為：按照幀間相關(guān)性對視頻序列分段，在分段中提取關(guān)鍵幀；在各關(guān)鍵幀中提取視頻特征；利用像素點特征字典對像素點分類；對各關(guān)鍵幀分別進行多次不同數(shù)量的分塊，在各子塊中依據(jù)像素點的分類結(jié)果統(tǒng)計像素點特征字典各元素的出現(xiàn)次數(shù)，得到該子塊的特征向量；將所有子塊的特征向量拼接得到關(guān)鍵幀的高維視頻指紋；對各高維視頻指紋進行降維；將各視頻片段關(guān)鍵幀的低維視頻指紋按照時間先后順序連成關(guān)鍵幀視頻指紋串。本發(fā)明還提供了基于上述指紋檢測方法的視頻匹配方法。本發(fā)明通過對視頻內(nèi)容的關(guān)鍵信息進行有效描述，在不影響匹配率的情況下，大大降低了算法的復雜度，有效提高了檢測效率。
華中科技大學
2021-04-11