警用无人机在侦查取证的实际应用中,不仅需要在夜间、雾霾、地形复杂等不利条件下稳定作业,确保侦查取证工作的连续性和可靠性;还需具备良好的兼容性,能够与其他警务系统无缝对接,实现信息共享与协同作战。针对这些要求,给出一种新的视...警用无人机在侦查取证的实际应用中,不仅需要在夜间、雾霾、地形复杂等不利条件下稳定作业,确保侦查取证工作的连续性和可靠性;还需具备良好的兼容性,能够与其他警务系统无缝对接,实现信息共享与协同作战。针对这些要求,给出一种新的视频图像特征提取方法。首先,对视频图像中目标对象的HSV色彩进行详细的分析。然后,基于对HSV色彩空间的分析结果,引入注意力机制进行视频图像特征提取,分别构建引入注意力机制的光谱多尺度特征提取网络和空间多尺度特征提取网络。最后,将光谱与空间网络合并为一个整体,同时进行训练与融合,得到光谱-空间联合特征提取网络,实现警用无人机侦查取证的视频图像特征提取。实验结果表明:文中方法的特征偏离度较小,特征提取精度最高为97%,总体的每秒帧数(frame per second,FPS)值在50~75,整体保持在较高水平,具有较好的稳定性和可靠性。这不仅满足了警用无人机对高效、准确特征提取的需求,还为其在复杂侦查环境中的广泛应用提供了技术支撑。展开更多
针对图像特征匹配过程中由于杂乱的室外场景或待匹配目标被物体遮挡而产生的外点导致匹配精度低及鲁棒性差等问题,提出了一种融合基于密度的带噪空间聚类算法(Density Based Spatial Clustering of Applications with Noise,DBSCAN)与Tw...针对图像特征匹配过程中由于杂乱的室外场景或待匹配目标被物体遮挡而产生的外点导致匹配精度低及鲁棒性差等问题,提出了一种融合基于密度的带噪空间聚类算法(Density Based Spatial Clustering of Applications with Noise,DBSCAN)与Two-stage策略的改进LoFTR的图像特征匹配方法D2S-LoFTR。首先将原始图像1/8维度的特征匹配作为初始匹配结果,使用基于空间密度的DBSCAN算法对其特征进行聚类,提取最优匹配对的同时滤除由外点造成的误匹配。接着裁剪出由聚类得到的两幅原始图像中的共视区域,使用卷积层注意力模块(Convolutional Block Attention Module,CBAM)对其特征重构后进行二次匹配,将匹配结果与初始匹配进行融合以增强匹配的准确性。在室外数据集Megadepth上的实验结果表明,D2S-LoFTR的平均特征匹配率达到93.47%,与LoFTR相比提升1.91%,在旋转误差阈值为5°,10°,20°情况下的相对位姿估计累计曲线下面积(Area Under the cumulative Curve,AUC)分别为55.12%、71.03%、82.02%,分别提升2.32%,1.84%,0.84%,证实所提方法能够更好地适应杂乱室外场景下的图像特征匹配任务。展开更多
文摘警用无人机在侦查取证的实际应用中,不仅需要在夜间、雾霾、地形复杂等不利条件下稳定作业,确保侦查取证工作的连续性和可靠性;还需具备良好的兼容性,能够与其他警务系统无缝对接,实现信息共享与协同作战。针对这些要求,给出一种新的视频图像特征提取方法。首先,对视频图像中目标对象的HSV色彩进行详细的分析。然后,基于对HSV色彩空间的分析结果,引入注意力机制进行视频图像特征提取,分别构建引入注意力机制的光谱多尺度特征提取网络和空间多尺度特征提取网络。最后,将光谱与空间网络合并为一个整体,同时进行训练与融合,得到光谱-空间联合特征提取网络,实现警用无人机侦查取证的视频图像特征提取。实验结果表明:文中方法的特征偏离度较小,特征提取精度最高为97%,总体的每秒帧数(frame per second,FPS)值在50~75,整体保持在较高水平,具有较好的稳定性和可靠性。这不仅满足了警用无人机对高效、准确特征提取的需求,还为其在复杂侦查环境中的广泛应用提供了技术支撑。
文摘针对图像特征匹配过程中由于杂乱的室外场景或待匹配目标被物体遮挡而产生的外点导致匹配精度低及鲁棒性差等问题,提出了一种融合基于密度的带噪空间聚类算法(Density Based Spatial Clustering of Applications with Noise,DBSCAN)与Two-stage策略的改进LoFTR的图像特征匹配方法D2S-LoFTR。首先将原始图像1/8维度的特征匹配作为初始匹配结果,使用基于空间密度的DBSCAN算法对其特征进行聚类,提取最优匹配对的同时滤除由外点造成的误匹配。接着裁剪出由聚类得到的两幅原始图像中的共视区域,使用卷积层注意力模块(Convolutional Block Attention Module,CBAM)对其特征重构后进行二次匹配,将匹配结果与初始匹配进行融合以增强匹配的准确性。在室外数据集Megadepth上的实验结果表明,D2S-LoFTR的平均特征匹配率达到93.47%,与LoFTR相比提升1.91%,在旋转误差阈值为5°,10°,20°情况下的相对位姿估计累计曲线下面积(Area Under the cumulative Curve,AUC)分别为55.12%、71.03%、82.02%,分别提升2.32%,1.84%,0.84%,证实所提方法能够更好地适应杂乱室外场景下的图像特征匹配任务。
