目的无人机摄像资料的分辨率直接影响目标识别与信息获取,所以摄像分辨率的提高具有重大意义。为了改善无人机侦察视频质量,针对目前无人机摄像、照相数据的特点,提出一种无人机侦察视频超分辨率重建方法。方法首先提出基于AGAST-Differ...目的无人机摄像资料的分辨率直接影响目标识别与信息获取,所以摄像分辨率的提高具有重大意义。为了改善无人机侦察视频质量,针对目前无人机摄像、照相数据的特点,提出一种无人机侦察视频超分辨率重建方法。方法首先提出基于AGAST-Difference与Fast Retina Keypoint(FREAK)的特征匹配算法对视频目标帧与相邻帧之间配准,然后提出匹配区域搜索方法找到目标帧与航片的对应关系,利用航片对视频帧进行高频补偿,最后采用凸集投影方法对补偿后视频帧进行迭代优化。结果基于AGAST-Difference与FREAK的特征匹配算法在尺度、旋转、视点等变化及运行速度上存在很大优势,匹配区域搜索方法使无人机视频的高频补偿连续性更好,凸集投影迭代优化提高了重建的边缘保持能力,与一种简单有效的视频序列超分辨率复原算法相比,本文算法重建质量提高约4 d B,运行速度提高约5倍。结论提出了一种针对无人机的视频超分辨率重建方法,分析了无人机视频超分辨率问题的核心所在,并且提出基于AGAST-Difference与FREAK的特征匹配算法与匹配区域搜索方法来解决图像配准与高频补偿问题。实验结果表明,本文算法强化了重建图像的一致性与保真度,特别是对图像边缘细节部分等效果极为明显,且处理速度更快。展开更多
地基激光雷达能够获取高精度的三维点云数据,从而获取森林中树木和地形的精细结构,有助于深入分析森林生态系统的变化。针对地基激光雷达的森林场景点云数据配准问题,提出一种基于树木分枝结构的无标记自动配准方法。该方法通过识别森...地基激光雷达能够获取高精度的三维点云数据,从而获取森林中树木和地形的精细结构,有助于深入分析森林生态系统的变化。针对地基激光雷达的森林场景点云数据配准问题,提出一种基于树木分枝结构的无标记自动配准方法。该方法通过识别森林中树木的自然分枝结构,构建两站场景点云中的关键点集,并从中筛选匹配点对,利用四点全等集(4PCS)算法实现粗配准,然后再采用点到平面迭代最近点(point to plane ICP)算法完成精配准,最终实现高精度配准。实验中使用5组森林场景点云数据验证并分析所提配准方法,其中3组点云数据分别来自实验组采集的北京野鸭湖国家湿地公园和北京市海淀公园中的森林场景,另外2组点云数据来自开源数据Tongji Tree dataset。所提方法配准5个森林场景结果的均方根误差(RMSE)均值和平均绝对误差(MAE)均值分别为2.4 cm和2.1 cm左右。实验中对所提方法与Super4PCS方法的配准结果进行比较,同时测试了其他关键点检测方法,并使用配准重叠度辅助评估配准结果。实验结果表明,所提方法能够在无标记的情况下较为准确地配准森林场景点云数据,且配准效率较高,可以为后续数据处理及应用奠定良好基础。展开更多
文摘目的无人机摄像资料的分辨率直接影响目标识别与信息获取,所以摄像分辨率的提高具有重大意义。为了改善无人机侦察视频质量,针对目前无人机摄像、照相数据的特点,提出一种无人机侦察视频超分辨率重建方法。方法首先提出基于AGAST-Difference与Fast Retina Keypoint(FREAK)的特征匹配算法对视频目标帧与相邻帧之间配准,然后提出匹配区域搜索方法找到目标帧与航片的对应关系,利用航片对视频帧进行高频补偿,最后采用凸集投影方法对补偿后视频帧进行迭代优化。结果基于AGAST-Difference与FREAK的特征匹配算法在尺度、旋转、视点等变化及运行速度上存在很大优势,匹配区域搜索方法使无人机视频的高频补偿连续性更好,凸集投影迭代优化提高了重建的边缘保持能力,与一种简单有效的视频序列超分辨率复原算法相比,本文算法重建质量提高约4 d B,运行速度提高约5倍。结论提出了一种针对无人机的视频超分辨率重建方法,分析了无人机视频超分辨率问题的核心所在,并且提出基于AGAST-Difference与FREAK的特征匹配算法与匹配区域搜索方法来解决图像配准与高频补偿问题。实验结果表明,本文算法强化了重建图像的一致性与保真度,特别是对图像边缘细节部分等效果极为明显,且处理速度更快。
文摘地基激光雷达能够获取高精度的三维点云数据,从而获取森林中树木和地形的精细结构,有助于深入分析森林生态系统的变化。针对地基激光雷达的森林场景点云数据配准问题,提出一种基于树木分枝结构的无标记自动配准方法。该方法通过识别森林中树木的自然分枝结构,构建两站场景点云中的关键点集,并从中筛选匹配点对,利用四点全等集(4PCS)算法实现粗配准,然后再采用点到平面迭代最近点(point to plane ICP)算法完成精配准,最终实现高精度配准。实验中使用5组森林场景点云数据验证并分析所提配准方法,其中3组点云数据分别来自实验组采集的北京野鸭湖国家湿地公园和北京市海淀公园中的森林场景,另外2组点云数据来自开源数据Tongji Tree dataset。所提方法配准5个森林场景结果的均方根误差(RMSE)均值和平均绝对误差(MAE)均值分别为2.4 cm和2.1 cm左右。实验中对所提方法与Super4PCS方法的配准结果进行比较,同时测试了其他关键点检测方法,并使用配准重叠度辅助评估配准结果。实验结果表明,所提方法能够在无标记的情况下较为准确地配准森林场景点云数据,且配准效率较高,可以为后续数据处理及应用奠定良好基础。
