-
公开(公告)号：CN113344113B
公开(公告)日：2024-03-19
申请号：CN202110715329.6
申请日：2021-06-27
Applicant: 东南大学
IPC: G06F18/23213
Abstract: 本发明提供的是一种基于改进k‑means聚类的Yolov3锚框确定方法。本发明改变传统一次k‑means聚类直接得到Yolov3锚框的方法，对样本数据进行两次聚类。第一次聚类把样本数据聚类到不同大小的三个尺度上，达到尺度分化的目的。第二次聚类在前一次聚类得到的三个聚类子集的基础上，根据样本标注框的形状特征再次进行聚类，最终得到分布三个尺度下的9个聚类结果，适配Yolov3的锚框。本发明利用两次聚类得到的锚框更加符合Yolov3的检测过程，能够减少k‑means随机初始点对最终结果的影响，两次聚类大大减少了样本的数据量，提高算法速度。
-
公开(公告)号：CN113362377B
公开(公告)日：2022-06-03
申请号：CN202110726415.7
申请日：2021-06-29
Applicant: 东南大学
Abstract: 一种基于单目相机的VO加权优化方法。1)通过KLT对图像进行特征点提取和匹配，并进行RANSAC剔除误匹配点，并进行关键帧筛选；2)通过八点法和三角化的方式，得到特征点的位置的初始值以及帧间位姿，逆深度；3)计算光度误差和逆深度误差，从而得到权重的初始值；4)构建最小二乘问题，准备优化变量特征点位置与相机的位姿；5)迭代运算，求得最优解，获得特征点位置与相机位姿。本发明方法通过利用匹配特征点的像素差和空间逆深度差服从t‑分布的特点，分别对每一帧的特征点进行加权，尽量降低像素差异大，在相机视野内较近和较远距离的特征点对全局优化的最优解的影响。
-
公开(公告)号：CN113362377A
公开(公告)日：2021-09-07
申请号：CN202110726415.7
申请日：2021-06-29
Applicant: 东南大学
Abstract: 一种基于单目相机的VO加权优化方法。1)通过KLT对图像进行特征点提取和匹配，并进行RANSAC剔除误匹配点，并进行关键帧筛选；2)通过八点法和三角化的方式，得到特征点的位置的初始值以及帧间位姿，逆深度；3)计算光度误差和逆深度误差，从而得到权重的初始值；4)构建最小二乘问题，准备优化变量特征点位置与相机的位姿；5)迭代运算，求得最优解，获得特征点位置与相机位姿。本发明方法通过利用匹配特征点的像素差和空间逆深度差服从t‑分布的特点，分别对每一帧的特征点进行加权，尽量降低像素差异大，在相机视野内较近和较远距离的特征点对全局优化的最优解的影响。
-
公开(公告)号：CN113344113A
公开(公告)日：2021-09-03
申请号：CN202110715329.6
申请日：2021-06-27
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明提供的是一种基于改进k‑means聚类的Yolov3锚框确定方法。本发明改变传统一次k‑means聚类直接得到Yolov3锚框的方法，对样本数据进行两次聚类。第一次聚类把样本数据聚类到不同大小的三个尺度上，达到尺度分化的目的。第二次聚类在前一次聚类得到的三个聚类子集的基础上，根据样本标注框的形状特征再次进行聚类，最终得到分布三个尺度下的9个聚类结果，适配Yolov3的锚框。本发明利用两次聚类得到的锚框更加符合Yolov3的检测过程，能够减少k‑means随机初始点对最终结果的影响，两次聚类大大减少了样本的数据量，提高算法速度。
-
-
-
Search Results
4
records
(took 0.012 seconds)
