基于ORB特征配准的车道图像拼接技术研究
发布时间:2021-01-04 05:37
车道图像拼接技术是当前智能化交通领域的研究热点。现阶段车道摄像机拍摄到的车道图像分辨率高但视野窄。交通部门需要高分辨率且宽视野的车道图像。本文对现有拼接技术进行优化,为了提高车道图像拼接质量,本文研究了基于ORB特征配准的车道图像拼接技术,首先利用改进的GMS算法对粗匹配进行提纯,提升了车道图像配准精度。然后采用结合最优缝合线的加权融合算法解决拼接图像边界裂缝问题,获得高质量的车道拼接图像。本文主要研究工作包括:1.本文使用ORB特征提取方法提取车道图像特征点,在特征点匹配阶段,提出改进的GMS算法对粗匹配提纯,剔除错误匹配。实验表明该算法有效提高了图像配准的精确度。2.本文针对车道拼接图像边界处存在裂缝问题,使用结合最优缝合线的加权融合算法对车道拼接图像边界处一定邻域范围进行融合。实验表明该算法有效平滑了拼接裂缝,图像整体观感得到提高。3.本文设计并实现了车道图像拼接原型系统。该系统在图像配准阶段使用改进的GMS算法对粗匹配提纯,采用结合最优缝合线的加权融合算法对拼接图像融合,得到高质量的车道拼接图像。
【文章来源】:重庆邮电大学重庆市
【文章页数】:52 页
【学位级别】:硕士
【部分图文】:
车道图像拼接算法流程图
重庆邮电大学硕士学位论文第2章理论基础概述7(c)经中值滤波降噪后图像(d)经高斯滤波降噪后图像(e)经双边滤波降噪后图像(f)经导向滤波降噪后图像图2.2车道图像去噪效果图车道图像均值滤波[23]首先需要构建均值滤波模板,然后利用构建的均值滤波模板对整幅图像进行掩模操作,将掩模计算得到的像素均值取代原中心像素值。此方法降噪效果十分明显,但该方法会损失图像的边缘信息以及图像的细节特征,不利于车道图像特征提龋车道图像高斯滤波主要通过设定高斯滤波矩阵的权值,通过高斯滤波矩阵得到高斯权值掩模,对整幅图像进行高斯掩模运算得到降噪图像。由于高斯滤波是一种
重庆邮电大学硕士学位论文第2章理论基础概述10RobustIndependentElementaryFeatures,BRIEF)的特征点描述方法,使用改进后的BRIEF算法对特征点进行描述。FAST特征检测方法相比于传统的特征检测方法在运算速度上有着大幅度提高,该算法核心思想是通过选定某个像素点,统计该像素点领域中存在的不同灰度像素个数,判断该点与其余点是否处于同一灰度域[33],当处于不同灰度域时确定该点为一个FAST角点。具体过程如下:1.随机选取图像中任意像素点,2.以此像素点为圆心半径为R构建圆形邻域区域。如图2.3所示,该圆形邻域的原点为P,针对圆形外围圈中的像素点进行编号,将编号中的像素点与原点像素值做差,求取绝对值并将其与事先设定的阈值作比较,计算公式为:oPPx(2.1)图2.3FAST特征检测邻域其中xP表示圆圈外围像素值,oP表示圆圈中心像素值,表示设定阈值。FAST算法提到当出现连续N个点像素差值满足条件,则认为该像素点为FAST角点。N值设置为12,在ORB算法中N值设定为9。为了加快运算,从外围像素点中抽取编号为1,5,9,13四个像素点进行运算,若其中至少有3个计算结果满足条件,则继续与其他点做差值运算。使用该方法遍历整幅图像得到FAST角点,此时ORB算法作者将Harris角点检测思想运用到对FAST角点筛选中,并通过对筛选得到的角点进行规则排序挑选其中最合适的角点作为ORB特征点。为了使检测出的ORB特征点具有旋转不变性[34],作者将上述提到的以P为圆心的圆形区域看做是一块有质量的物体,其中每一点的质量为该点的灰度值。通过质心公式求得该区域质心Q,
【参考文献】:
期刊论文
[1]多场景下基于快速相机标定的柱面图像拼接方法[J]. 傅子秋,张晓龙,余成,梁丹,梁冬泰. 光电工程. 2020(04)
[2]基于位姿数据校正的遥感红外图像相似性先验拼接[J]. 王向军,张嘉豪,王越. 红外技术. 2019(12)
[3]基于ORB和改进的RANSAC图像拼接算法[J]. 张美玉,王洋洋,侯向辉,秦绪佳. 计算机科学. 2019(S2)
[4]基于超分辨率的多聚焦图像融合算法研究[J]. 曹军,陈鹤,张佳薇. 计算机工程与应用. 2020(03)
[5]基于残差全卷积网络的图像拼接定位算法[J]. 吴韵清,吴鹏,陈北京,鞠兴旺,高野. 应用科学学报. 2019(05)
[6]基于SURF和最佳缝合线的车道图像序列拼接研究[J]. 蓝章礼,李战,李伟. 重庆交通大学学报(自然科学版). 2019(10)
[7]基于超分辨率和组稀疏表示的多聚焦图像融合[J]. 冯鑫,胡开群,袁毅,张建华,翟治芬. 光子学报. 2019(07)
[8]基于改进ORB的警用无人机图像配准方法[J]. 王文爽,孙伟,王帅. 计算机工程与设计. 2019(01)
[9]基于局部聚类的特征匹配筛选算法[J]. 王金宝,赵奎,刘闽,宗子潇,王其乐. 计算机系统应用. 2018(12)
[10]基于多分辨率局部与全局特征融合的人脸识别[J]. 阮小利,王顺芳. 计算机工程与设计. 2018(09)
本文编号:2956249
【文章来源】:重庆邮电大学重庆市
【文章页数】:52 页
【学位级别】:硕士
【部分图文】:
车道图像拼接算法流程图
重庆邮电大学硕士学位论文第2章理论基础概述7(c)经中值滤波降噪后图像(d)经高斯滤波降噪后图像(e)经双边滤波降噪后图像(f)经导向滤波降噪后图像图2.2车道图像去噪效果图车道图像均值滤波[23]首先需要构建均值滤波模板,然后利用构建的均值滤波模板对整幅图像进行掩模操作,将掩模计算得到的像素均值取代原中心像素值。此方法降噪效果十分明显,但该方法会损失图像的边缘信息以及图像的细节特征,不利于车道图像特征提龋车道图像高斯滤波主要通过设定高斯滤波矩阵的权值,通过高斯滤波矩阵得到高斯权值掩模,对整幅图像进行高斯掩模运算得到降噪图像。由于高斯滤波是一种
重庆邮电大学硕士学位论文第2章理论基础概述10RobustIndependentElementaryFeatures,BRIEF)的特征点描述方法,使用改进后的BRIEF算法对特征点进行描述。FAST特征检测方法相比于传统的特征检测方法在运算速度上有着大幅度提高,该算法核心思想是通过选定某个像素点,统计该像素点领域中存在的不同灰度像素个数,判断该点与其余点是否处于同一灰度域[33],当处于不同灰度域时确定该点为一个FAST角点。具体过程如下:1.随机选取图像中任意像素点,2.以此像素点为圆心半径为R构建圆形邻域区域。如图2.3所示,该圆形邻域的原点为P,针对圆形外围圈中的像素点进行编号,将编号中的像素点与原点像素值做差,求取绝对值并将其与事先设定的阈值作比较,计算公式为:oPPx(2.1)图2.3FAST特征检测邻域其中xP表示圆圈外围像素值,oP表示圆圈中心像素值,表示设定阈值。FAST算法提到当出现连续N个点像素差值满足条件,则认为该像素点为FAST角点。N值设置为12,在ORB算法中N值设定为9。为了加快运算,从外围像素点中抽取编号为1,5,9,13四个像素点进行运算,若其中至少有3个计算结果满足条件,则继续与其他点做差值运算。使用该方法遍历整幅图像得到FAST角点,此时ORB算法作者将Harris角点检测思想运用到对FAST角点筛选中,并通过对筛选得到的角点进行规则排序挑选其中最合适的角点作为ORB特征点。为了使检测出的ORB特征点具有旋转不变性[34],作者将上述提到的以P为圆心的圆形区域看做是一块有质量的物体,其中每一点的质量为该点的灰度值。通过质心公式求得该区域质心Q,
【参考文献】:
期刊论文
[1]多场景下基于快速相机标定的柱面图像拼接方法[J]. 傅子秋,张晓龙,余成,梁丹,梁冬泰. 光电工程. 2020(04)
[2]基于位姿数据校正的遥感红外图像相似性先验拼接[J]. 王向军,张嘉豪,王越. 红外技术. 2019(12)
[3]基于ORB和改进的RANSAC图像拼接算法[J]. 张美玉,王洋洋,侯向辉,秦绪佳. 计算机科学. 2019(S2)
[4]基于超分辨率的多聚焦图像融合算法研究[J]. 曹军,陈鹤,张佳薇. 计算机工程与应用. 2020(03)
[5]基于残差全卷积网络的图像拼接定位算法[J]. 吴韵清,吴鹏,陈北京,鞠兴旺,高野. 应用科学学报. 2019(05)
[6]基于SURF和最佳缝合线的车道图像序列拼接研究[J]. 蓝章礼,李战,李伟. 重庆交通大学学报(自然科学版). 2019(10)
[7]基于超分辨率和组稀疏表示的多聚焦图像融合[J]. 冯鑫,胡开群,袁毅,张建华,翟治芬. 光子学报. 2019(07)
[8]基于改进ORB的警用无人机图像配准方法[J]. 王文爽,孙伟,王帅. 计算机工程与设计. 2019(01)
[9]基于局部聚类的特征匹配筛选算法[J]. 王金宝,赵奎,刘闽,宗子潇,王其乐. 计算机系统应用. 2018(12)
[10]基于多分辨率局部与全局特征融合的人脸识别[J]. 阮小利,王顺芳. 计算机工程与设计. 2018(09)
本文编号:2956249
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/2956249.html
最近更新
教材专著