一、Image matching navigation based on fuzzy information（论文文献综述）
肖英楠,孙抒雨[1]（2022）在《基于改进SIFT图像匹配的无人机高精度避障算法设计》文中研究说明为提高无人机避障能力,提出基于改进SIFT图像匹配的无人机高精度避障算法。通过角点匹配和多分辨模式识别,实现对无人机高精度避障的图像显着特征点检测,通过对比梯度分析和参数融合识别,实现对无人机高精度避障图像信息加权融合处理,采用改进SIFT图像匹配方法,匹配无人机高精度避障地理空间网格,实现避障算法的优化设计。仿真结果表明,无人机避障的自适应规划能力和避障精度较高。
赵伟,王正平,张晓辉,向乾,贺云涛[2]（2020）在《面向疫情防控的无人机关键技术综述》文中研究表明在国内新型冠状病毒的疫情防控中,无人机及其相关技术发挥了积极的抗疫作用,展现出了巨大的应用潜力。对适用于疫情防控的无人机关键技术进行综述,主要涉及计算机视觉技术、视觉导航技术、混合电动长航时技术,以及机载小型喊话器技术等其它抗疫载荷技术。这些技术对无人机的场景理解、自主导航、续航能力,以及疫情监控效果等具有直接、重要的影响。最后,对所涉及技术的发展现状进行总结,分析相应技术的特点并给出未来的发展趋势,为无人机在疫情防控、紧急灾害救援等任务中的广泛应用指明了技术突破的方向。
程岩[3]（2019）在《基于路径规划与图像识别技术的智能机器人巡检系统研究》文中研究表明随着电网规模增加和智能化程度提高,变电站运行管理和控制逐步向集约管控和智能化方向发展,利用巡检机器人来部分或全面代替人工巡检已成为变电站设备巡检的必然趋势。本研究拟在伊春附近4所变电站开展智能机器人巡检系统建设,重点运用自动导航技术、可见光图像和热红外图像处理技术。巡检机器人的自动导航是执行变电站内巡检任务的基础。本研究从无轨组合导航方式入手,选取激光雷达的点云匹配算法建立变电站内导航地图,运用多传感器融合技术、辅助导航定位技术获得车体定位信息。并且,针对不同变电站内的电气设备布局特点使用遗传算法进行机器人的任务路径规划。实地试验结果表明,该方法可为巡检机器人执行自主巡检任务提供依据且精度较高。针对变电站内电气设备检测和仪表数值读取,并且达到同一场景同时获取可见光和热红外图像的目的,使用双目视觉系统进行图像采集,运用经典直方图和幂次变换算法进行图像增强处理,模板匹配和LARK算法进行图像特征匹配处理。实地采集图像分析结果表明,图像增强的效果明显;图像匹配的仪表定位、识别和辅助导航准确度较高,可以满足机器人不同变电站的巡检精度要求。
赵春晖,周昳慧,林钊,胡劲文,潘泉[4]（2019）在《无人机景象匹配视觉导航技术综述》文中研究表明高精度定位与导航是实现无人机自主飞行、高效侦察与精确打击的关键技术之一.景象匹配视觉导航技术因其设备结构简单、被动式、定位精度高等特点,能与惯性系统组合构成自主性很强的高精度导航系统.通过分析当前基于景象匹配的无人机视觉导航技术研究现状,发现国外研究主要集中于单独利用视觉图像信息进行飞机姿态、导航信息提取以及联合IMU等传感器的组合导航系统;国内该领域的研究鲜见报道,但对该技术所涉及的惯性组合导航、视觉/激光测距三维地图重建、视觉导航着陆应用等技术进行了大量研究.本文总结了无人机景象匹配视觉导航技术的特点、分类与研究方法,得出在不同时间、不同视角、不同光照、不同分辨率、不同平台以及不同传感器等条件下,在高精度、强实时、鲁棒、连续视觉导航任务中,无人机景象匹配视觉导航需突破的关键技术.
马利[5]（2015）在《计算机视觉中深度信息估计算法的研究》文中提出作为一个多学科交叉的领域,计算机视觉的理论研究和实际应用都取得了飞速发展。深度图像作为视觉信息系统输入的研究已成为计算机视觉研究的一个热点,如何有效地从二维图像中进行深度信息估计更成为研究的重点问题。利用单视点图像或多视点图像进行深度信息估计,所提取的深度图不仅可以生成立体图像,还可以实现基于图像的渲染和三维模型的重建,成为利用计算机模拟人类视觉的基础。而随着相关技术的广泛应用,对深度信息估计的准确度、计算效率以及对于复杂场景下的处理能力都提出了更高的要求。因此,本文对单视点视图深度信息估计、基于双目立体匹配的深度信息估计中的关键问题进行了深入研究。（1）针对单视点图像恢复场景深度信息算法中采用图像高层次线索复杂度高,计算量大的情况,本文提出了一种应用低层次图像线索轮廓锐度信息的视点图像深度信息提取的算法。将模糊信息作为深度提取的约束条件,应用边缘轮廓锐度信息,建立改进的轮廓跟踪模型,实现图像轮廓提取。利用先验假设轮廓深度图,提取景物深度信息,并采用交叉双边滤波方法对深度图进行了优化。经对大量图像进行对比实验,实验结果表明算法简单、实用,可以有效地实现了单视点图像深度信息的提取。为了提高算法的实用性,在FPGA上实现了本算法的IP核设计。（2）为降低传统Census变换在视差不连续区域和噪声干扰情况下误匹配率,本文提出了一种利用邻域相关信息的改进Census变换立体匹配算法。根据邻域像素的相关信息,将传统的Census变换中像素与邻域像素的差异应用2位信息表示,使变换后的图像在视差不连续区域的信息表示更为丰富,有效地区分位于弱纹理区域和视差不连续区域的像素与中心像素的不同,同时减少噪声对匹配质量的影响。通过稀疏汉明距计算得到初始匹配代价,应用权重代价聚合提高匹配精度,经亚像素插值、左右一致性检测和遮挡区插值等视差图后处理,最终得到了稠密视差图。经Middlebury立体图片测试表明,该算法结构简单,复杂度低,具有较高的鲁棒性,有效地提高了匹配精度。为提高算法的实用性,本文在FPGA平台上,应用并行化技术,采用流水线的设计方法,给出了算法的硬件并行化加速方案,提升了系统的处理能力。（3）针对代价聚合运算量大、执行速度慢,严重影响立体匹配算法实时性能的缺点,本文首先提出了一种层次化代价聚合算法,通过对代价体建立金字塔结构实现多层次划分,采用自适应权重计算实现分层次代价聚合计算。利用具有边缘保持特性的分段线性逼近上采样方法实现了由粗层次向精细层次的代价聚合恢复,提高视差不连续区域的代价聚合不同层次间恢复的准确度,从而达到在保证匹配质量的同时加速代价聚合的目的。实验表明,该算法在提高立体匹配算法处理速度的同时,具有良好的匹配效果。其次,提出了适于硬件实现的自适应权重代价聚合算法,采用权值近似计算对传统的自适应权重代价聚合算法进行了改进,降低计算复杂度。同时在硬件实现过程中以移位操作替代乘法操作,采用流水线缓存方式和双通道代价聚合方法,提高了代价聚合的速度。（4）针对立体匹配算法在倾斜平面及非前向平行平面视差值估计误匹配高的问题,本文提出了一种基于Patchmatch和切片采样粒子置信度传播的立体匹配算法。算法应用具有边缘特性的Patchmatch相似性函数,建立基于Patchmatch的非前向平行平面视差平面估计模型。利用粒子置信度传播代替原有的最近邻搜索,用较少的粒子近似目标分布。为解决粒子置信度传播过程中粒子重采样更新问题,采用切片采样马尔可夫链蒙特卡罗方法提高粒子重采样的有效性,提高匹配精度。实验表明,该算法能够降低视差不连续区域的误匹配,有效地提高了倾斜平面及非前向平行平面图像的匹配精度。
宋琳[6]（2015）在《无人机飞行途中视觉导航关键技术研究》文中研究指明视觉导航是一种重要的自主导航方式。在GPS失效情况下，视觉导航作为有效的辅助导航方式，对无人机惯性导航系统实现长航时高精度导航起着重要的作用。由于视觉成像受复杂自然环境及飞行状态的影响，视觉导航面临鲁棒性差的问题。本文对复杂环境下视觉导航中景象匹配导航和基于序列图像的运动估计中的关键技术展开较为系统深入的研究。主要贡献如下：1.针对景象匹配中人工选取航路点费时、费力、受主观因素影响，很难满足实际应用的问题，提出了基于显着性分析的航路点自动选取算法。该方法首先将稀疏低秩分解和稀疏编码相结合，实现航拍图像的显着结构区域的检测；然后，基于显着性分析结果实现了航路点正负训练样本的自动获取，并提取训练样本的边缘和互相关面的4个特征训练SVM分类器参数；最后，利用SVM分类器对样本图像进行航路点与非航路点的分类。用Google Earth软件获取实验样本作为航拍图像，进行SVM分类器的设计与测试，测试结果表明平均分类精度为93.33%。利用谷歌下载器获取包含预定航迹的大基准图，进行航路点的选取，结果表明，该方法能够有效地从基准图中提取出航路点。2.针对具有较大旋转和尺度畸变的航拍图像匹配，Hausdorff匹配算法存在鲁棒性差的问题，提出了基于形状上下文的加权Hausdorff景象匹配算法。该方法首先构建基于边缘连续性检测的结构关键点提取方法，减小琐碎边缘点对目标结构描述的影响；然后，利用形状上下文对目标边缘结构信息进行有效描述，以形状上下文匹配代价作为加权系数，并结合距离函数约束，构造了新的加权Hausdorff距离作为相似性度量用于景象匹配。以Google Earth图像作为航拍图像，在同时存在旋转、尺度及时空差异下进行匹配实验，结果表明，本文算法在角度变化1o8o和尺度变化0.91.2的范围内具有较好的鲁棒性。3.针对序列图像的帧间运动变化较大下出现特征点跟踪误差大的问题，提出了基于多重约束的KLT特征点跟踪方法。该方法首先在KLT跟踪算法的框架下，利用光流梯度矩阵的特征值大小判断特征点；然后基于时间可逆性约束，利用后向跟踪求解后向偏移量，并与前向偏移量相结合，构造一种新的偏移量—双向加权偏移量；利用双向偏移量的阈值约束和多分辨率约束，在帧间运动变化较大的情况下对特征点位置进行分层最优估计。用Google Earth图像构建序列图像，并进行特征点跟踪实验，结果表明本文算法在较大的平移和旋转运动下，跟踪精度优于P-KLT和TRC-KLT算法。4.针对上述基于多重约束KLT特征点跟踪方法的帧间特征点匹配后验问题，提出一种基于拓扑结构一致性约束的序列图像特征点匹配后验分析方法。该方法首先以图间所有可能的匹配点对作为分配图的顶点，以图像点集内和点集间的加权形状上下文统计特征构造新的度量函数并作为图的边权值，构造新的分配图；然后，利用迭代求解方法实现拓扑结构一致性约束下帧间特征点匹配，并获取边权值系数和的最大值；最后，通过与第4章跟踪结果在上述图模型下边权值系数和的对比，判断跟踪结果的正确性。将该方法用于第4章特征点跟踪所得到匹配点对的后验分析。结果表明，该方法能够对第4章跟踪结果的正确性进行准确判断。5.针对序列图像运动估计在实际工程应用中，由于飞行环境及飞行状态的影响导致导航参数估计出现较大误差的情况，运用基于单应性矩阵分解的运动估计方法，通过仿真实验分析了图像特征点检测精度、图像分辨率、特征点的个数及分布等因素对运动参数估计的影响。将第4章提出的序列图像特征点跟踪算法、第5章提出的序列图像特征点匹配后验方法、基于单应性矩阵分解的运动参数估计方法结合，构造基于序列图像运动估计的导航方法，并在Vega Prime/MFC视景仿真环境下，进行不同分辨率下的精度分析。实验结果可为序列图像运动状态估计的工程应用提供实验依据和指导。6.从视觉辅助导航的需求出发，构建一个综合导航演示验证系统。该系统的设计过程中，综合运用了本文提出的航路点自动选取、航路点景象匹配、KLT特征点跟踪、特征点匹配后验分析等关键技术。重点解决的关键问题包括：（1）不同时段的大视场图像获取及地理信息的标注；（2）基于惯导漂移误差、航路点和实时图视场的航路点自动提取策略；（3）在无法获取相机参数的航拍仿真环境下，基于图像拼接技术实现帧间相对定位；（4）基于多帧一致性约束的综合导航策略等。利用Matlab2012开发综合导航演示验证系统软件，以西安—西沣路段上的GoogleEarth图像作为航拍图，进行视觉辅助导航方法的实验验证分析，结果表明本文所提出方法能够较好完成对惯性导航误差的校正，达到长航时精确导航的要求。
周宁宁,吕文杰[7]（2012）在《中介相似性量度的图像匹配》文中指出图像匹配是图像信息领域中一个非常重要的技术。以中介真值程度的数值化度量为基础,建立了中介相似性量度,设计了采用中介相似性量度的灰度信息图像匹配算法。实验结果表明,与已有的典型算法处理结果相比较,基于中介相似性量度的匹配算法具有良好的抗噪性和一定的抗失真性,且具有较高的匹配精度和匹配速度。
刘立[8]（2008）在《基于多尺度特征的图像匹配与目标定位研究》文中进行了进一步梳理水下环境的复杂性使得水下图像的信息量缺乏,给目标识别和定位带来一定障碍,特别是对于非结构化目标的提取与识别存在很大的困难,这也是当前水下信息处理领域研究的热点之一。由于多尺度真实地反映出现实世界的表现形式,因此受到了学界的广泛重视。目前对尺度的概念有多种解释,如采用不同分辨率作为图像尺度的,也有以图像尺寸大小为尺度的,有的以距离远近作为尺度,还有以卷积核的参数为尺度。本文以海底目标为研究对象,重点研究了基于高斯尺度空间的非结构目标多尺度模型的建立,多尺度特征的提取,多尺度特征的图像匹配以及在水下非结构目标定位中的应用。论文首先回顾了基于视觉的水下多尺度理论的发展及现状,讨论了多尺度的定义及其基本理论,阐明了不同的尺度表达模型的特点。重点研究了高斯尺度空间理论,高斯尺度空间成为图像研究中的一个重要方面,是由于高斯尺度空间理论简单以及高斯函数本身的许多独特性质。通常的尺度变换会随着尺度的增加图像越来越模糊,更多的细节被丢失,采用高斯差函数可以保留这些细节信息。在高斯尺度空间的构造中正确选用尺度参数,以使图像信息的变化呈现均匀的特点显得尤其重要。目前许多高斯尺度空间应用中采用的层之间的尺度参数关系并不明确,使得分层效果不理想。论文基于视觉特征模型提出一种自适应高斯尺度参数的算法,并通过试验验证了它的有效性,从而为图像的高层次处理如目标识别等提供信息量稳定变化的尺度空间。尺度不变性是衡量特征提取算法的一个重要因素。针对水下图像噪声大的特点,本文提出了具有抗噪特性的尺度不变特征提取算法,算法是建立在Harris角点特征和高斯尺度空间的基础之上,在不同尺度下提取同一目标的Harris角点,从最高层的特征点开始往下搜索它们的对应点,本文还给出了该算法下求特征尺度的方法,实验表明多尺度特征点具有较强的抗噪能力和尺度不变性,且计算量少。SIFT（ScaleInvariant Feature Transform）算子因其具有良好的尺度、旋转、光照等不变特性而在图像匹配中得到广泛的应用,本文给出了水下图像的SIFT特征提取效果。结合熵的理论,本文给出多尺度熵的定义,并在此基础上通过多尺度熵差提取了水下烟囱图像的外部轮廓。本文接着研究了基于SIFT算法的水下图像匹配技术。为了增加匹配数,我们分析了彩色图像特征检测的可行性,指出了此算法在彩色图像处理中的应用潜力,并为后续工作提供借鉴及参考。针对SIFT算法采用128维向量来表征一个特征点导致计算量过大的缺陷,本文给出了基于圆形窗口的SIFT简化算法,对每个特征点只采用12维特征向量表示,在不明显降低匹配数量的同时,较大提高了计算机处理的实时性。同时,由于原算法中主方向的获得是通过对8维方向向量的统计获得,导致主方向产生量化误差,简化的SIFT算法由于采用圆形窗口,不存在量化误差,因此旋转不变性优于原算法,实验结果也验证了该结论。论文最后讨论了上述研究成果在目标定位中的应用。首先描述坐标之间的转化关系以及多种相机标定方法,并采用Zhang的平面标定算法对相机进行内部参数标定;再利用SIFT特征匹配方法求得稳定的匹配点对求得基本矩阵与本质矩阵,分解后得到单目相机的外部运动参数,通过采用立体视觉方法和运动恢复结构SFM（structure from motion）方法得到目标的三维信息,实现目标的定位。本章最后给出了目标三维信息获取的流程和计算机仿真,实验结果表明了本文方法能够满足水下机器作业的精度要求。本文针对水下机器人作业中基于视觉的目标定位问题开展了一系列的研究工作,其研究成果可为水下智能机器人作业提供理论依据和技术手段。
郭勤[9]（2007）在《景象匹配技术发展概述》文中提出文章根据图像匹配算法的三大分类:基于区域的图像匹配技术、基于特征的图像匹配技术、基于解释的图像匹配技术,介绍了景象匹配国内和国外发展的现状和面临的问题。提出了在充分分析现有景象匹配算法适应性和相关性的基础上,形成能够适应不同影像、不同影像特征的景象匹配算法组合;利用不同影像特征或获取的匹配信息知识,自动推理和选择景象匹配算法或算法组合,提高景象匹配算法的适应性和可靠性,提高复杂条件下景象匹配系统性能。
张琴[10]（2007）在《基于互信息和粒子群优化算法的导航图像匹配研究》文中研究表明本论文首先简要介绍了图像匹配的基本原理及步骤，将现有的常用基于灰度和特征的匹配方法进行了比较，分析了各自的优缺点。在此基础上，重点研究了互信息这一新的相似性度量准则，包括其原理，相关概念，在图像匹配中的应用及具体实现过程，进行了互信息准则在遥感图像匹配中的适应性研究。其次，为了提高互信息匹配的正确率，研究了分灰度阶估算的方法，并探讨这种方法对互信息匹配造成的各种影响。同时，利用常用的评价图像质量的指标，如相似信噪比，图像梯度，图像重复模式等，分析了互信息匹配与图像质量之间的关系。实验结果证实，互信息测度能够较好的克服图像灰度非线性畸变的影响，大大提高匹配正确率，比传统的归一化互相关算法具有更高的匹配正确率。针对互信息匹配速度较慢的缺点，本文探讨了一种新的全局优化方法——粒子群优化算法进行了互信息匹配过程的优化。由于该优化方法本身具有容易陷入局部极值的缺点，而在利用互信息准则对不同传感器得到的不同分辨率图像进行匹配时也会产生很多局部极值，为该方法在基于互信息的导航图像匹配中的应用增加了难度，因此需要对原始PSO方法进行改进，找到针对本文研究问题的较好的解决方法。本论文对PSO方法中的最优参数设置，循环结束条件及多种改进方法对提高算法的有效性进行了研究，通过大量研究实验发现随机初始化的思想、约束因子法、均匀布设初始值的方法在不影响运行效率的情况下，可大幅度提高匹配正确率。随后对随机初始化的方式、机制进行了深入探讨，并结合上述思想提出了基于随机初始化的综合PSO优化算法，实验证实该方法应用于基于互信息的多源遥感图像匹配中可以取得较好的匹配结果。本论文中利用不同传感器获得的多源遥感影像，对互信息算法及改进的粒子群优化算法进行了验证。通过与传统归一化互相关算法的对比实验及对实验结果的分析，证明了互信息准则在遥感图像匹配中具有更高的鲁棒性，而基于随机初始化的综合PSO法不仅提高了互信息准则匹配的速度，并且能够得到相对较高的正确率。
二、Image matching navigation based on fuzzy information（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Image matching navigation based on fuzzy information（论文提纲范文）
（1）基于改进SIFT图像匹配的无人机高精度避障算法设计（论文提纲范文）
| 0 引言 |
| 1 无人机高精度避障的视觉图像分析和融合 |
| 1.1 无人机高精度避障的视觉图像采集 |
| 1.2 无人机高精度避障信息融合 |
| 2 无人机高精度避障算法优化设计 |
| 2.1 无人机高精度避障的SIFT角点标注 |
| 2.2 无人机高精度避障的路径规划 |
| 3 仿真实验与结果分析 |
| 4 结语 |
（2）面向疫情防控的无人机关键技术综述（论文提纲范文）
| 1 引言 |
| 2 计算机视觉技术 |
| 2.1 图像预处理 |
| 2.2 目标检测 |
| 2.3 密度估计与人群计数 |
| 3 视觉导航技术 |
| 3.1 视觉导航系统组成 |
| 3.2 视觉导航技术方案 |
| 4 混合电动长航时技术 |
| 4.1 混合动力技术 |
| (1）油电混合动力系统 |
| (2）新能源混合动力系统 |
| (3）各类混合动力无人机对比 |
| 4.2 能源管理技术 |
| 5 其它抗疫载荷技术 |
| 5.1 机载小型喊话器技术 |
| 5.2 机载红外测温技术 |
| 6 结束语 |
（3）基于路径规划与图像识别技术的智能机器人巡检系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 国外变电站机器人巡检系统研究现状 |
| 1.2.2 国内变电站机器人巡检系统研究现状 |
| 1.3 本文研究的主要内容 |
| 第2章 变电站机器人巡检系统构成及基本理论研究 |
| 2.1 变电站机器人巡检系统构成 |
| 2.1.1 机器人本体构成 |
| 2.1.2 充电系统构成 |
| 2.1.3 无线传输系统构成 |
| 2.1.4 本地监控后台及其他辅助系统构成 |
| 2.2 变电站巡检机器人路径规划技术 |
| 2.2.1 巡检机器人组合导航技术 |
| 2.2.2 巡检机器人特征地图的建立 |
| 2.2.3 巡检机器人地图辅助导航技术 |
| 2.2.4 巡检机器人任务路径规划 |
| 2.3 变电站巡检机器人图像检测技术 |
| 2.3.1 图像处理技术的基本流程 |
| 2.3.2 可见光图像与红外图像的预处理 |
| 2.3.3 可见光图像与红外图像的匹配 |
| 2.4 本章小结 |
| 第3章 变电站巡检机器人巡检规划研究 |
| 3.1 变电站机器人巡检系统选型 |
| 3.1.1 巡检机器人系统建设构成 |
| 3.1.2 巡检机器人本体硬件构成 |
| 3.1.3 巡检机器人系统性能测试结果 |
| 3.2 变电站巡检机器人任务路径规划 |
| 3.2.1 组合导航算法 |
| 3.2.2 红外与可见光图像辅助导航算法 |
| 3.2.3 基于遗传算法的任务路径规划 |
| 3.2.4 巡检机器人导航验证性试验 |
| 3.3 变电站巡检机器人图像检测算法 |
| 3.3.1 图像增强算法 |
| 3.3.2 图像特征匹配算法 |
| 3.4 本章小结 |
| 第4章 伊春变电站巡检机器人的巡检规划结果 |
| 4.1 变电站巡检机器人任务规划结果 |
| 4.1.1 激光雷达导航与辅助导航规划结果 |
| 4.1.2 目标变电站任务路径规划结果 |
| 4.2 变电站巡检机器人图像采集分析结果 |
| 4.2.1 可见光与红外图像增强结果 |
| 4.2.2 可见光与红外图像匹配结果 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得成果 |
| 致谢 |
（4）无人机景象匹配视觉导航技术综述（论文提纲范文）
| 1 引言 |
| 2 基于景象匹配的无人机视觉导航研究现状 |
| 3 适配区选取 |
| 3.1 特征指标的选取 |
| 3.2 适配区选取算法 |
| 4 图像匹配 |
| 4.1 基于灰度区域的匹配方法 |
| 4.2 基于特征的匹配方法 |
| 4.2.1 点特征匹配 |
| 4.2.2 线特征匹配 |
| 4.2.3 区域特征匹配 |
| 4.3 基于解释的图像匹配方法 |
| 5 景象匹配导航定位 |
| 6 展望 |
（5）计算机视觉中深度信息估计算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 深度信息估计 |
| 1.2.1 单视点图像深度信息估计 |
| 1.2.2 双目立体匹配深度信息估计 |
| 1.3 本文的研究内容及国内外研究现状 |
| 1.3.1 单视点图像深度信息估计 |
| 1.3.2 基于区域的双目立体匹配算法 |
| 1.3.3 双目立体匹配的快速代价聚合算法 |
| 1.3.4 针对倾斜平面及非前向平行平面的视差估计算法 |
| 1.4 本文的主要工作 |
| 1.5 本文组织结构 |
| 第2章 基于轮廓锐度信息的单视点图像深度信息提取算法研究 |
| 2.1 基于边缘轮廓的单视点图像深度信息提取算法 |
| 2.1.1 单视点图像的边缘轮廓与深度信息 |
| 2.1.2 相关算法 |
| 2.2 基于轮廓锐度信息的单视点图像深度信息提取算法 |
| 2.2.1 模糊信息估计特征——轮廓锐度 |
| 2.2.2 基于轮廓锐度的轮廓提取算法 |
| 2.2.3 深度分配与优化 |
| 2.2.4 算法描述 |
| 2.3 实验结果与分析 |
| 2.3.1 轮廓锐度信息对深度信息提取的影响 |
| 2.3.2 深度图优化 |
| 2.3.3 深度信息提取性能比较 |
| 2.4 基于FPGA的IP核设计 |
| 2.4.1 轮廓跟踪提取模块 |
| 2.4.2 深度图像生成模块 |
| 2.4.3 深度图优化滤波模块 |
| 2.4.4 硬件IP核连接 |
| 2.4.5 总体实现及测试 |
| 2.5 本章小结 |
| 第3章 基于邻域相关信息的改进CENSUS变换的双目立体匹配算法 |
| 3.1 基于区域匹配的双目立体匹配算法 |
| 3.1.1 基于区域匹配的双目立体匹配算法原理 |
| 3.1.2 非参数变换 |
| 3.1.3 基于Census变换的立体匹配算法 |
| 3.2 基于邻域相关信息的改进Census立体匹配算法 |
| 3.2.1 基于邻域相关信息的改进Census变换 |
| 3.2.2 基于改进Census变换的立体匹配算法 |
| 3.2.3 算法描述 |
| 3.3 实验结果 |
| 3.3.1 Census变换窗口对匹配效果的影响 |
| 3.3.2 算法匹配性能评估 |
| 3.4 基于FPGA的硬件架构 |
| 3.4.1 改进Census变换模块 |
| 3.4.2 匹配及代价聚合模块 |
| 3.4.3 后处理模块 |
| 3.4.4 性能评估 |
| 3.5 本章小结 |
| 第4章 立体匹配中快速代价聚合算法的研究 |
| 4.1 基于层次化算法的立体匹配算法 |
| 4.1.1 层次化块匹配立体匹配算法 |
| 4.1.2 层次化代价聚合算法 |
| 4.2 快速层次化代价聚合的立体匹配算法 |
| 4.2.1 代价体金字塔结构 |
| 4.2.2 层次化代价聚合 |
| 4.2.3 具有保边特性的上采样 |
| 4.2.4 层次化代价聚合的立体匹配算法描述 |
| 4.2.5 实验结果 |
| 4.3 适于硬件实现的自适应权重代价聚合算法 |
| 4.3.1 适于硬件的自适应权重算法改进 |
| 4.3.2 适于硬件实现的自适应权重立体匹配算法描述 |
| 4.3.3 算法的硬件实现 |
| 4.3.4 实验结果及分析 |
| 4.4 小结 |
| 第5章 改进PATCHMATCH和切片采样粒子置信度传播的视差估计算法研究 |
| 5.1 基于Patchmatch和粒子置信度传播的视差估计算法 |
| 5.1.1 基于Patchmatch的视差估计 |
| 5.1.2 置信度传播视差估计算法 |
| 5.1.3 基于Patchmatch和粒子置信度传播的视差估计算法 |
| 5.2 改进Patchmatch和切片采样粒子置信度传播的视差估计算法 |
| 5.2.1 具有边缘特性的改进Patchmatch算法 |
| 5.2.2 切片采样粒子置信度传播 |
| 5.2.3 算法描述 |
| 5.3 算法实验结果的评估与分析 |
| 5.3.1 切片重采样粒子置信度传播性能估计 |
| 5.3.2 经典测试图算法性能分析比较 |
| 5.3.3 倾斜平面及非前向平行平面测试图的性能分析 |
| 5.4 小结 |
| 第6章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表和录用的学术论文 |
| 攻读博士学位期间参加的主要科研项目 |
（6）无人机飞行途中视觉导航关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 视觉导航 |
| 1.2.1 景象匹配导航 |
| 1.2.2 基于序列图像的运动估计 |
| 1.3 国内外研究现状 |
| 1.3.1 视觉导航系统的研究现状 |
| 1.3.2 视觉导航关键技术的研究现状 |
| 1.4 论文内容安排 |
| 2 基于显着性分析的航路点自动选取算法 |
| 2.1 前言 |
| 2.2 基于显着性分析的独特结构区域检测 |
| 2.2.1 基于稀疏编码的显着性分析 |
| 2.2.2 结合稀疏低秩分解的独特结构区域检测 |
| 2.2.3 结果分析 |
| 2.3 基于显着性分析的分类器设计与测试 |
| 2.3.1 SVM 简介 |
| 2.3.2 训练样本的自动获取 |
| 2.3.3 特征选取及分析 |
| 2.3.4 分类测试 |
| 2.4 航路点的自动选取 |
| 2.5 本章小结 |
| 3 基于形状上下文的加权 Hausdorff 景象匹配算法 |
| 3.1 引言 |
| 3.2 结构关键点提取 |
| 3.3 相似度测量 |
| 3.3.1 Hausdorff 距离 |
| 3.3.2 形状上下文 |
| 3.3.3 SC-WHD |
| 3.4 基于 SC-WHD 的景象匹配算法 |
| 3.5 实验与分析 |
| 3.5.1 实验 1 |
| 3.5.2 实验 2 |
| 3.6 小结 |
| 4 基于多重约束的 KLT 特征点跟踪算法 |
| 4.1 前言 |
| 4.2 KLT 特征点跟踪 |
| 4.2.1 KLT 算法原理 |
| 4.2.2 特征点选取 |
| 4.2.3 金字塔模型 |
| 4.2.4 算法适用性分析 |
| 4.3 多重约束下的特征点跟踪 |
| 4.3.1 时间可逆性约束 |
| 4.3.2 双向加权偏移量约束 |
| 4.3.3 多分辨约束 |
| 4.3.4 算法描述 |
| 4.4 实验与分析 |
| 4.4.1 分辨率的影响分析 |
| 4.4.2 序列图像平移像素超出跟踪窗口时的跟踪对比 |
| 4.4.3 旋转运动下的跟踪对比 |
| 4.5 本章小结 |
| 5 基于拓扑结构一致性约束的序列图像匹配后验分析方法 |
| 5.1 引言 |
| 5.2 拓扑结构一致性 |
| 5.3 成对约束下的图匹配 |
| 5.3.1 基于成对约束的分配图 |
| 5.3.2 基于拓扑结构的图匹配求解 |
| 5.4 匹配后验分析方法 |
| 5.5 实验与分析 |
| 5.5.1 不同分辨率下的跟踪后验 |
| 5.5.2 序列图像平移像素超出跟踪窗口时的跟踪后验 |
| 5.5.3 旋转运动下的跟踪后验 |
| 5.6 本章小结 |
| 6 序列图像运动估计的实验分析 |
| 6.1 引言 |
| 6.2 坐标系建立 |
| 6.2.1 坐标系的定义 |
| 6.2.2 坐标系间的转换模型 |
| 6.3 基于单应性矩阵分解的位姿估计 |
| 6.3.1 单应性矩阵的概念 |
| 6.3.2 单应性矩阵的求解 |
| 6.3.3 导航参数的获取 |
| 6.4 仿真验证及实验分析 |
| 6.4.1 模拟数据仿真实验 |
| 6.4.2 视景仿真环境下的实验 |
| 6.5 本章小结 |
| 7 综合导航演示验证系统 |
| 7.1 引言 |
| 7.2 系统架构及模块设计 |
| 7.2.1 系统架构 |
| 7.2.2 子模块设计 |
| 7.3 系统软件设计 |
| 7.3.1 开发平台 |
| 7.3.2 软件结构设计 |
| 7.3.3 人机界面设计 |
| 7.4 实验环境建立 |
| 7.4.1 数据制备 |
| 7.4.2 相关参数 |
| 7.5 实验结果与分析 |
| 7.6 本章小结 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（7）中介相似性量度的图像匹配（论文提纲范文）
| 0 引 言 |
| 1 中介数学系统简介 |
| 1.1 中介数学系统的基本符号 |
| 1.2 中介真值程度的度量 |
| 1.2.1 个体真值程度的度量 |
| 1.2.2 集合真值程度的度量 |
| 2 图像的中介相似性量度 |
| 2.1 像素点间的中介相似性量度 |
| 2.2 图像的中介相似性量度 |
| 3 图像中介匹配算法 |
| 3.1 算法的相似性度量原理 |
| 3.2 算法的基本思想 |
| 3.3 算法的实现步骤 |
| 3.4 算法的实验结果及分析 |
| 1) 抗噪性 |
| 2) 抗失真性 |
| 4 结 论 |
（8）基于多尺度特征的图像匹配与目标定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 概论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容及成果 |
| 2 图像的多尺度理论基础 |
| 2.1 引言 |
| 2.2 多尺度表达的发展 |
| 2.3 基于高斯尺度空间的尺度参数自适应算法研究 |
| 2.4 本章小结 |
| 3 水下图像多尺度特征提取 |
| 3.1 引言 |
| 3.2 水下目标多尺度角点特征提取 |
| 3.3 基于SIFT算子的水下目标特征提取 |
| 3.4 基于多尺度熵的水下目标轮廓提取 |
| 3.5 本章小结 |
| 4 基于SIFT算子的水下图像匹配 |
| 4.1 引言 |
| 4.2 图像匹配的相关理论 |
| 4.3 基于SIFT的匹配算法 |
| 4.4 彩色图像的SIFT算法 |
| 4.5 简化的SIFT算法 |
| 4.6 本章小结 |
| 5 基于单目视觉的定位研究 |
| 5.1 引言 |
| 5.2 摄像机定标 |
| 5.3 摄像机标定方法分类 |
| 5.4 Zhang平面标定法 |
| 5.5 基于运动参数估计的目标定位 |
| 5.6 目标定位实验 |
| 5.7 总结 |
| 6 全文总结与展望 |
| 6.1 论文的主要贡献及创新 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间第一作者发表论文目录 |
| 附录2 攻读学位期间参加的课题目录 |
| 附录3 英文缩写对照表 |
（9）景象匹配技术发展概述（论文提纲范文）
| 0 引言 |
| 1 景象匹配算法研究的现状分析 |
| 2 景象匹配算法存在的主要问题 |
| 2.1 图像的多源性和复杂性造成的景象匹配困难 |
| 2.2 景象匹配算法性能进一步提高的问题 |
| 3 景象匹配技术的发展趋势 |
（10）基于互信息和粒子群优化算法的导航图像匹配研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 选题依据 |
| 1.1.2 国内外研究现状 |
| 1.2 研究目的、内容与技术路线 |
| 1.2.1 研究目的 |
| 1.2.2 研究内容 |
| 1.2.3 技术路线 |
| 第二章 互信息相似性测度 |
| 2.1 图像匹配原理及方法 |
| 2.1.1 图像匹配原理 |
| 2.1.2 图像匹配的基本组成要素 |
| 2.2 互信息基本原理及方法 |
| 2.2.1 互信息概念及相关理论 |
| 2.2.2 归一化互信息 |
| 2.2.3 互信息应用于遥感图像匹配的特点及优势分析 |
| 2.2.4 互信息匹配算法实现 |
| 2.3 本章小结 |
| 第三章 影响互信息图像匹配正确率的因素研究 |
| 3.1 分灰度阶互信息估算 |
| 3.1.1 互信息值 |
| 3.1.2 匹配正确率 |
| 3.1.3 匹配速度 |
| 3.1.4 互信息匹配结果分析 |
| 3.2 直方图均衡化 |
| 3.3 匹配图像质量指标 |
| 3.3.1 相似信噪比 |
| 3.3.2 图像梯度 |
| 3.3.3 重复模式 |
| 3.3.4 灰度反转 |
| 3.4 本章小结 |
| 第四章 基于粒子群的互信息快速优化方法 |
| 4.1 全局搜索粒子群优化方法(PSO) |
| 4.1.1 常用全局优化方法缺陷 |
| 4.1.2 粒子群算法原理及程序实现 |
| 4.1.3 粒子群算法参数分析 |
| 4.1.4 粒子群算法改进 |
| 4.2 基于多源遥感图像匹配中互信息准则的PSO算法改进 |
| 4.2.1 标准PSO算法在多源遥感图像匹配中的问题 |
| 4.2.2 多源遥感图像匹配中有效的改进方法 |
| 4.2.3 随机初始化机制分析 |
| 4.2.4 本文基于随机初始化的综合粒子群优化方法 |
| 4.3 本章小结 |
| 第五章 图像匹配实验与讨论 |
| 5.1 实验数据 |
| 5.2 匹配实验 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
四、Image matching navigation based on fuzzy information（论文参考文献）
- [1]基于改进SIFT图像匹配的无人机高精度避障算法设计[J]. 肖英楠,孙抒雨. 机械制造与自动化, 2022(01)
- [2]面向疫情防控的无人机关键技术综述[J]. 赵伟,王正平,张晓辉,向乾,贺云涛. 无人系统技术, 2020(03)
- [3]基于路径规划与图像识别技术的智能机器人巡检系统研究[D]. 程岩. 哈尔滨理工大学, 2019(02)
- [4]无人机景象匹配视觉导航技术综述[J]. 赵春晖,周昳慧,林钊,胡劲文,潘泉. 中国科学:信息科学, 2019(05)
- [5]计算机视觉中深度信息估计算法的研究[D]. 马利. 东北大学, 2015(07)
- [6]无人机飞行途中视觉导航关键技术研究[D]. 宋琳. 西北工业大学, 2015(07)
- [7]中介相似性量度的图像匹配[J]. 周宁宁,吕文杰. 中国图象图形学报, 2012(09)
- [8]基于多尺度特征的图像匹配与目标定位研究[D]. 刘立. 华中科技大学, 2008(05)
- [9]景象匹配技术发展概述[J]. 郭勤. 红外与激光工程, 2007(S2)
- [10]基于互信息和粒子群优化算法的导航图像匹配研究[D]. 张琴. 河海大学, 2007(05)