描述:
多源影像匹配主要受到非线性强度差异、对比度差异及局部区域结构特征不显著等问题的干扰,而机载激光雷达(light detection and ranging,LiDAR)深度图与航空影像由于纹理特征之间的显著差异导致部分结构特征缺失更为严重,所造成的相位极值突变进一步增加了匹配难度。因此,提出一种基于相位均匀卷积描述子的方法来实现LiDAR深度图与航空影像之间的高效匹配。在影像特征匹配阶段,首先对相位一致性模型进行扩展,构造相位均匀能量卷积方程,求解得到均匀卷积序列与相位最大标签图,建立一种相位均匀能量卷积直方图(histogram of phase mean energy convolution,HPMEC);然后采用最近邻匹配算法完成初始匹配,并利用快速边缘化样本共识进行粗差剔除;最后基于线程池并行策略,通过划分重叠格网对影像进行分块匹配。将多组具有不同地物覆盖类型的LiDAR深度图与航空影像作为数据集,分别与位置尺度方向-尺度不变特征转换(position scale orientation-scale invariant feature transform,PSO-SIFT)、Log-Gabor直方图描述(Log-Gabor histogram descriptor,LGHD)、辐射变化强度特征转换(radiation-variation insensitive feature transform,RIFT)和绝对相位一致性梯度直方图(histogram of absolute phase consistency gradients,HAPCG)等方法进行对比实验。结果表明,在LiDAR深度图与航空影像匹配中,HPMEC方法性能明显优于其他4种方法,其平均运行时间是PSO-SIFT的13.3倍、LGHD的10.9倍、HAPCG的10.4倍和RIFT的7.0倍;平均正确匹配点数显著高于其他4种方法;均方根误差在1.9像素以内,略优于其他4种方法。HPMEC方法在LiDAR深度图与航空影像中能够实现高效、稳健匹配。
描述:
针对飞机机务维修照相管理存在工作量大、不精确等问题,提出一种利用深度学习YOLOv4-tiny算法来执行照片对比检测的方法。利用一个自制的数据集来训练网络模型,为解决开口销螺母及其他背景干扰,引入注意力机制模块以改进YOLOv4-tiny。测试结果表明:准确率(precision,P)相较原YOLOv4-tiny提高了5%,召回率(recall,R)提高约8%,平均准确率均值(mean average precision,mAP)提高了4.9%,照片识别精度和定位精准性方面都有较优表现,满足照相管理中对目标精准识别与比对的要求。