排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
目标植株的图像压缩与重构在农作物生长状态检测、田间管理和果树病虫害识别等方面有重要作用。传统的图像压缩感知方法存在重构精度低、时间长等问题。针对这些情况,该文提出一种基于Dog-Leg最小二乘的正则化自适应压缩采样匹配追踪(regularized adaptive compressed sampling matching pursuit based on Dog-Leg,DLRa CSMP)算法。该算法以压缩采样匹配追踪(compressive sampling matching pursuit,Co Sa MP)算法为基础,在迭代过程中采用正则化处理,确保支撑集选取的准确性,并结合变步长自适应思想和Dog-Leg最小二乘算法,在实现稀疏度自适应的同时,提高重构速率;选用Kinect获取目标植株的彩色图像,分别采用HSV彩色空间的亮度和色调特征及Sobel算子的轮廓特征输入至Itti模型中融合构建显著性特征图,以简化复杂背景和突出目标植株。试验结果表明,该算法在采样率为0.50时植株原始图像和显著性特征图的重构时间分别为2.14和1.75 s,较Co Sa MP算法分别缩短6.57和6.31 s,重构效率比CoSaMP算法平均分别提高75.5%和77.9%;图像峰值信噪比分别高达35.16和38.93 dB,较Co Sa MP算法分别提高6.12和5.75 dB,且重构精度比Co Sa MP算法平均分别提高21.6%和15.5%,可以实现植株图像的快速精确重构。 相似文献
2.
针对传统的基于深度信息的喷雾车轨迹优化方法存在定位精度差、浮点漂移、深度信息帧易丢失等问题,提出了一种融合深度信息的全局非线性轨迹优化方法。在喷雾车前进过程中使用Real Sense传感器实时获取连续彩色信息帧,提取并优化重叠区域的FAST特征点,计算BRIEF描述子,通过快速最近邻算法进行特征匹配,并使用Nanoflann算法加速特征匹配过程。在获取连续关键帧的匹配点对后,对特征点对进行校验,剔除误匹配点对,利用对极几何融合深度信息计算两相邻关键帧部分匹配点对的本质矩阵,并针对剩余匹配点对进行重投影获取重投影误差。统筹全局连续关键帧,综合所有关键帧中匹配点的重投影误差,构建图优化,并通过Dogleg算法多次迭代获取当前喷雾车的精确位姿。该方法避免了单一依赖深度信息估计喷雾车轨迹时,出现位姿估计误差较大和深度信息帧丢失导致无法定位的问题。采用本文算法估计的喷雾车行驶轨迹更加接近于真实轨迹,其偏离真实轨迹误差均值下降了1. 07 cm,方差下降了2. 14 cm,超调量降低了2. 13 cm,提高了车行驶轨迹的鲁棒性。 相似文献
1