针对目前视频拼接技术中的主要问题,即SURF(Speed Up Robust Features)特征提取算法与FLANN(Fast Library or Approximate Nearest Neighbors)特征匹配算法在综采工作面恶劣环境中存在特征点误提取和特征点匹配正确率低的问题,提出一种...针对目前视频拼接技术中的主要问题,即SURF(Speed Up Robust Features)特征提取算法与FLANN(Fast Library or Approximate Nearest Neighbors)特征匹配算法在综采工作面恶劣环境中存在特征点误提取和特征点匹配正确率低的问题,提出一种改进SURF-FLANN的综采工作面视频拼接特征提取与匹配算法。为了提高特征点提取正确率,该方法通过将传统的高斯滤波换为更为先进的双边滤波提取图像中的SURF关键特征点,同时在特征向量中引入特征点4-领域内的特征点描述符信息,从而改进了描述符算子,进一步提高了特征点的描述能力。为了提升特征点匹配速度,提出了R-FLANN(Random Sample Consensus-Fast Library or Approximate Nearest Neighbors)特征匹配算法,该算法利用RANSAC算法获取特征点的匹配先验信息剔除无匹配、误匹配的特征点,从而提高特征点匹配速度。为了验证改进效果,通过消融试验验证了改进SURF-FLANN的特征提取与匹配算法有效提升综采工作面视频图像特征提取和匹配正确率。通过本文方法与SIFT+FLANN,Hairrs与SURF+FLANN的特征提取与匹配算法进行特征点提取与匹配的对比试验,结果表明本文方法特征提取与匹配平均正确率和平均匹配速度最高,分别达到了81.47%和51.47帧/s。通过运用本文方法与SIFT+FLANN,Hairrs与SURF+FLANN的特征提取与匹配算法进行视频图像拼接对比试验,结果表明本文提出的方法在拼接效果清晰度、对比度、熵、拼接速率指标都最好,得到了最佳效果。展开更多
在基于偶极子磁场分量梯度的水下磁异常定位方法中,三轴磁力计自身误差及两磁场坐标系配准误差等是限制水下定位精度的主要因素,因此有必要对其进行校正,补偿磁场分量梯度计测量值。建立了磁场分量梯度计的测量误差模型,提出了基于函数...在基于偶极子磁场分量梯度的水下磁异常定位方法中,三轴磁力计自身误差及两磁场坐标系配准误差等是限制水下定位精度的主要因素,因此有必要对其进行校正,补偿磁场分量梯度计测量值。建立了磁场分量梯度计的测量误差模型,提出了基于函数链接型神经网络(functional link artificial neural network,FLANN)和最小二乘法的磁场分量梯度计误差校正方法,给出了误差参数辨识及校正算法,数值仿真和实测数据证明了校正算法具有良好的收敛性,能显著地抑制磁场分量梯度测量误差,该校正方法为提高磁场分量梯度计性能提供了一种可行途径。展开更多
文摘在基于偶极子磁场分量梯度的水下磁异常定位方法中,三轴磁力计自身误差及两磁场坐标系配准误差等是限制水下定位精度的主要因素,因此有必要对其进行校正,补偿磁场分量梯度计测量值。建立了磁场分量梯度计的测量误差模型,提出了基于函数链接型神经网络(functional link artificial neural network,FLANN)和最小二乘法的磁场分量梯度计误差校正方法,给出了误差参数辨识及校正算法,数值仿真和实测数据证明了校正算法具有良好的收敛性,能显著地抑制磁场分量梯度测量误差,该校正方法为提高磁场分量梯度计性能提供了一种可行途径。
