社区
机器视觉
帖子详情
关于RANSAC阈值的设定
Goldleo
2009-07-30 11:20:11
我做的是角点的匹配和图像变换,现在需要对角点进行提纯:
d v = d ( A′, M ·A) 2
那么我的阈值d v应该设置为多少合适?
...全文
470
2
打赏
收藏
关于RANSAC阈值的设定
我做的是角点的匹配和图像变换,现在需要对角点进行提纯: d v = d ( A′, M ·A) 2 那么我的阈值d v应该设置为多少合适?
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
2 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
cyd12345678
2009-12-26
打赏
举报
回复
阈值的设定对模型的估计参数影响很大,需要试验几次。
bafghgle
2009-08-08
打赏
举报
回复
顶贴留名,有空再看。。
基于监控视频的前景目标提取
在中国安防产业中视频监控作为最重要的信息获取手段之一,能对目标有效的提取是重要而基础的问题,因此本文在此背景下,围绕对监控视频的前景目标有效的提取问题,研究了关于1)静态背景、动态背景的前景目标提取,能在背景复杂化的条件下,将运动的目标;2)带抖动视频;3)静态背景下多摄像头对多目标提取;4)出现异常事件视频的判断等问题。给出了在不同情况下的前景目标提取方案。问题一是针对静态背景且摄像头稳定的情况下,如何对前景目标提取的问题。在题目要求的基础上,通过对附件2中几组视频的分析,我们发现所有前景目标的运动短暂且光线明暗变化不明显。由于传统的Vibe算法能抑制鬼影但是运行效果不理想,因此采用建立在帧差法上改进的Vibe算法模型求解问题。并和传统的Vibe算法做对比,结果显示改进的Vibe算法明显优于传统的算法。而且对我们的算法模型做了效果评价。详细数据参考正文与附录。 问题二是在背景为动态(如有水波的产生)的情况下,对前景目标的提取问题。在此问题中,由于动态背景存在使得提取出的图像帧具有大量的干扰噪声,对前景目标的识别和提取造成干扰,因此我们提出一种基于全局外观一致型的运动目标检测法。在用Vibe算法对场景预检测的基础上,建立混合高斯模型分别对前景和背景进行全局外观建模,将运动目标检测出来,再引入超像素去噪,进一步优化结果。详细结果参考正文与附录。 问题三是在问题一、二基础上的进一步深化。问题一及问题二是建立在摄像机自身稳定的基础上,而问题三则是在摄像机抖动的情况下。由于摄像机抖动一般具有旋转和平移,因此我们建立了坐标变换模型,以仿射变换作为模型基础,结合改进的高精度鲁棒的
RAN
SAC
算法提取前景目标,并对比灰度投影法,比较两种模型效果。具体效果见正文与附录。 问题四是对前三个问题的综合应用。运用基于混合高斯模型背景建模Vibe算法,对前景目标进行提取;选出具有显著前景目标的参考帧,计算参考帧中显著前景目标所占的面积,并将此面积
设定
为
阈值
T,遍历所有的视频帧,计算其前景目标所占的面积,通过相减对比,判定显著前景目标。若判定为显著前景目标则输出其所在视频帧中的帧号,并将显著前景出现的总帧数增加1。 问题五是针对多摄像头多目标的协同跟踪问题。在问题二的混合高斯模型基础上我们建立了动态背景提取法,对不断变化的背景进行实时更新。再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来,对目标进行定位。由于目标的不断运动,我们采用粒子滤波法对前景目标进行实时跟踪,通过多摄像头的协同通信完成对多前景目标的检测。 问题六是针对监控视频中前景目标出现异常情况时判断是否有异常事件的问题。在基于稀疏表示的模型上,引入混合高斯模型用于学习不同类型的运动特征规律,然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。以测试阶段生成的核矢量为基础,用该局部特征的核矢量计算基于稀疏表示的重构误差,并将其与已
设定
的
阈值
进行比较,如果重构误差大于
阈值
,则判为异常。
一种基于特征点匹配的红外图像拼接算法
为提高红外图像拼接速度和精度,对基于特征点匹配的图像拼接算法进行改进。根据图像空间特性减小角点搜索范围,通过
设定
梯度
阈值
,对梯度超过
阈值
的像素点进行Harris角点检测;改进Harris角点响应函数和角点筛选
阈值
的
设定
方式,摆脱了角点检测对筛选经验值的依赖。在相似测度Normalized Cross Correlation(NCC)粗匹配的基础上,采用有约束条件的随机选取方式,增强子集选取的合理性;并根据先局部后整体的匹配策略,基于匹配点的特性进行预检验,降低匹配错误率。算法最后利用最优变换矩阵确定待拼接图像的位置关系,实现自动拼接。实验结果表明,改进后算法在拼接过程中无需人工干预,在保证红外图像拼接质量的基础上,拼接速度提高了65.92%。
基于关键点提取与优化迭代最近点的点云配准
对强噪声且密度不均匀的点云进行高效、高精度配准是一个难题。针对此难题,提出一种基于关键点提取与优化迭代最近点(ICP)的点云配准算法。在粗配准中,将体素格滤波与法向距离关键点的提取相结合,计算关键点的快速点特征直方图以进行特征匹配,然后采用对应关系估计优化随机采样一致性(
RAN
SAC
)算法以进行误匹配剔除。在精配准中,采用最优节点优先(BBF)算法搜索k-d tree最近点,
设定
动态
阈值
消除误配对,最后利用基于“点到三角面”模型的加速ICP算法计算配准向量。通过对模型点云和建筑物点云进行配准,将所提算法与其他常用的算法进行比较分析。实验表明,所提算法具有良好的稳健性和抗噪性,能显著提升配准速度和配准精度。
计算机视觉算法_
RAN
SAC
估计
直线的
RAN
SAC
估计 在几何上,鲁棒估计一条直线可描述为:给定一组二维测量数据点,寻找一条直线使得测量点到该直线的几何距离的平方和达到最小,即该直线最小化测量点到直线的几何距离平方和,并且使得内点偏离该直线的距离小于 t 个单位。因此,这个问题有两个要求: 1. 用一条直线拟合测量数据点; 2. 根据
阈值
t 将测量数据分为内点与外点; 其中,
阈值
t 是根据测量噪声而设置的。
RAN
SAC
的思想 比较简单,主要有以下几步: 1. 随机选择两点(确定一条直线所需要的最...
RAN
SAC
算法
参考链接: SLAM
RAN
SAC
算法理解:https://blog.csdn.net/robinhjwy/article/details/79174914
RAN
SAC
算法详解:https://blog.csdn.net/laobai1015/article/details/51682596 opencv特征匹配–
RAN
SAC
算法原理与源码解析:https://blog.csdn.net/lu...
机器视觉
4,445
社区成员
15,335
社区内容
发帖
与我相关
我的任务
机器视觉
图形图像/机器视觉
复制链接
扫一扫
分享
社区描述
图形图像/机器视觉
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章