非局部立体匹配方法
    2.
    发明授权

    公开(公告)号:CN106504276B

    公开(公告)日:2019-02-19

    申请号:CN201610938472.0

    申请日:2016-10-25

    Abstract: 本发明公开了一种非局部立体匹配方法的组合匹配代价方法和视差联合填充方法,该方法使用基于最小生成树的代价聚合的非局部立体匹配方法,在预处理阶段使用基于改进的最小生成树的方法去除原始图像的噪音,增强纹理信息,获得增强图像。然后在匹配代价阶段不仅使用原始图像的信息,还使用增强图像的信息。这样即得到了图像的局部信息,也能获得全局信息,在后期的代价聚合起一定的作用。在最后的视差细化部分,针对视差不连续和误匹配问题,提出了联合权重填充方法。实验表明,与其他的非局部立体匹配方法相比,该方法的误匹配率低,对边缘区域,重复纹理和遮挡区域有很强的鲁棒性。实验结果证明了本发明方法的有效性。

    非局部立体匹配算法的组合匹配代价算法和视差联合填充算法

    公开(公告)号:CN106504276A

    公开(公告)日:2017-03-15

    申请号:CN201610938472.0

    申请日:2016-10-25

    Abstract: 本发明公开了一种非局部立体匹配算法的组合匹配代价算法和视差联合填充算法,该算法使用基于最小生成树的代价聚合的非局部立体匹配算法,在预处理阶段使用基于改进的最小生成树的算法去除原始图像的噪音,增强纹理信息,获得增强图像。然后在匹配代价阶段不仅使用原始图像的信息,还使用增强图像的信息。这样即得到了图像的局部信息,也能获得全局信息,在后期的代价聚合起一定的作用。在最后的视差细化部分,针对视差不连续和误匹配问题,提出了联合权重填充算法。实验表明,与其他的非局部立体匹配算法相比,该算法的误匹配率低,对边缘区域,重复纹理和遮挡区域有很强的鲁棒性。实验结果证明了本发明算法的有效性。

    一种隧道反光环清洁机器人

    公开(公告)号:CN113445446B

    公开(公告)日:2022-11-22

    申请号:CN202110823419.7

    申请日:2021-07-21

    Abstract: 本发明公开了一种隧道反光环清洁机器人,包括有两块相向设置的第一主板和第二主板,第一主板和/或第二主板上设置有清洁部,第一主板和第二主板的一侧边处固定设置有侧板以形成Π型机架;第一主板和第二主板分别设有第一行走轮或第二行走轮,且第一行走轮和第二行走轮中至少有一个通过弹性装置安装在第一主板或第二主板上以使得第一行走轮和第二行走轮具有互相靠近的趋势以夹持住隧道反光环。本发明通过将侧板、第一主板和第二主板设置成Π型机架,Π型机架的侧面所占用的空间较小,足够狭窄,从而能顺利通过线槽和反光环远离墙壁一侧之间的位置;通过设置弹性装置,以适应隧道反光环厚度改变的情况,以使得清洁机器人具有很好的减震和越障功能。

    一种隧道反光环行走装置

    公开(公告)号:CN113152341A

    公开(公告)日:2021-07-23

    申请号:CN202110437412.1

    申请日:2021-04-22

    Abstract: 本发明公开了一种隧道反光环行走装置,包括有两块相向设置的主板,两块主板通过铰座相铰接,两块主板在铰接的侧边上分别设置有延伸板,两块延伸板之间设置有弹性件以使得两块主板具有绕铰座转动并互相靠近的趋势;每块主板上均设置有行走轮,行走轮的行走方向为主板的前后方向;至少一块主板上设置有辅助轮,辅助轮有部分外周位于两块主板之间以使得能够与隧道反光环相接触。本发明通过设置具有互相靠近趋势的主板及其上的行走轮,配合有辅助轮,能够实现稳固夹紧在隧道反光环上并实现在隧道反光环上行走,行走平稳,能够适应湿滑的、表面粗糙不太平整的、曲折的、具有铆钉类凹凸面的、具有阶梯状的局部结构的隧道反光环的侧面。

    一种基于局部向量点积密度的数据流异常检测方法

    公开(公告)号:CN108667684A

    公开(公告)日:2018-10-16

    申请号:CN201810293188.1

    申请日:2018-03-30

    Abstract: 本发明公开了一种基于局部向量点积密度的数据流异常检测方法,其特征是,包括如下步骤:1)对实时数据流进行处理;2)设置滑动窗口W中数据集Sm并初始化参数n,ε,λ;3)获取向量点积均值MVP;4)确定当前滑动窗口W中数据集Sm的最佳邻域半径r及r邻域;5)获取各数据点的局部向量点积密度LDVP;6)确定当前滑动窗口中的候选异常点;7)多重验证得到确定异常点。这种方法在高维空间和异常分布不均匀的数据集上,能准确有效的检测出当前实时、快速和多变的复杂数据流环境下隐藏的异常点,这种方法在无需聚类的情况下,能高效完成数据集的异常检测,且人为预设参数少,在不同异常占比和不同维数的情况下具有更高的鲁棒性和更强的自适应性。

Patent Agency Ranking