-
公开(公告)号：CN109685286B
公开(公告)日：2022-08-02
申请号：CN201910032579.2
申请日：2019-01-14
Applicant: 哈尔滨工程大学
Abstract: 未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法，属于水面无人艇避碰规划技术领域。本发明首先构建全局坐标系和局部坐标系，建立导航雷达仿真模型；设计用于实时避碰规划的滚动优化窗口；然后采用可视图法构建环境模型；设计用于实时避碰规划的改进蚁群优化方法；最后将导航雷达探测信息及目标点信息输入至基于改进蚁群优化方法的USV静态避碰规划器，获得USV下一时刻的转艏及速度的调整指令。本发明将滚动优化窗口法与改进蚁群优化方法相结合，提高了USV在线规划的实时性；针对于蚁群优化方法收敛速度慢，提出了改进的伪随机比例规则对蚂蚁状态转移进行选择；借鉴狼群分配原则和最大最小蚂蚁系统对全局信息素进行更新，避免搜索陷入局部最优。
-
公开(公告)号：CN111899280B
公开(公告)日：2023-07-25
申请号：CN202010667153.7
申请日：2020-07-13
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种采用深度学习和混合型位姿估计的单目视觉里程计方法，包括：利用深度学习神经网络估计连续图像间光流场并从光流场提取关键点匹配对。关键点匹配对作为输入，根据2d‑2d位姿估计原理，利用对极几何的方法初步计算出旋转矩阵和平移向量。利用深度神经网络估计得到单目图像深度场，结合几何理论三角测量方法，以深度场为参考值，使用RANSAC算法计算得到绝对尺度，将位姿从归一化坐标系转到真实坐标系，当2d‑2d位姿估计失败或绝对尺度估计失败，利用3d‑2d位姿估计原理，利用PnP算法进行位姿估计。本发明能够得到精确的位姿估计和绝对尺度估计、具有较好鲁棒性、在不同场景环境下都能够很好的复现出相机轨迹。
-
公开(公告)号：CN110717921B
公开(公告)日：2022-11-15
申请号：CN201910914737.7
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及机器视觉领域，具体涉及一种改进型编码解码结构的全卷积神经网络语义分割方法。本发明采用图像预处理操作不仅提高了模型的精度，而且也增强了模型的稳定性；针对池化和下采样的重复组合的操作引起特征分辨率下降的问题，采用全卷积神经网络，进而提高了语义分割的准确性；引用U‑net模型结构的思想，采用编码‑解码结构，保留了二倍和四倍下采样的特征信息，分别与四倍和二倍上采样特征信息进行融合，通过逐渐恢复空间信息来捕捉清晰的目标边界，解决了图像边缘分割不太准确的问题，同时提高了神经网络的收敛速度，节约了运行时间。
-
公开(公告)号：CN110827238B
公开(公告)日：2023-07-21
申请号：CN201910932903.6
申请日：2019-09-29
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明提供一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，数据集的获取，并将数据集分为训练集和测试集，对数据集的目标区域进行标注；以VGG16网络为基础网络，搭建全卷积网络模型，并改进FCN模型的跳层结构；训练改进的全卷积网络模型，即训练FCNB模型；用训练好的网络对测试集的数据进行特征提取；定性评价特征提取结果，对比分析改进后与改进前的网络的特征提取结果。本发明保留了更多的细节信息，克服了传统方法抗散斑能力差、效率低、速度慢以及准确率低的缺点；有利于方法的泛化使用；特征提取效果得到了明显提升，该方法收敛性更好，稳定性更高。
-
公开(公告)号：CN110045381B
公开(公告)日：2022-08-02
申请号：CN201910347922.2
申请日：2019-04-28
Applicant: 哈尔滨工程大学
Abstract: 本发明属于图像处理领域，具体涉及一种基于线特征简化的侧扫声呐线特征匹配改进方法。本发明主要包括两大步骤：对提取的线特征进行简化处理以及线特征之间的匹配。侧扫声呐图像由于自身的特点，在提取线特征之后，在某些区域会存在过多相似度极高的线特征，通过线特征的简化处理将多条相似度极高的线特征简化，最终确定最少数量线特征代表待处理区域的提取特征，线特征匹配利用射影变换找到对应特征。本发明首先将提取的线特征进行简化处理，可以更简洁描述图像特点，也更有利于提高后续线特征匹配率和匹配速度；基于简化特征的基础上，利用射影变换实现线特征在匹配图像中的映射，通过设计线特征之间的匹配约束条件来完成线特征之间的匹配。
-
Patent Agency Ranking
公开(公告)号：CN110717921A
公开(公告)日：2020-01-21
申请号：CN201910914737.7
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及机器视觉领域，具体涉及一种改进型编码解码结构的全卷积神经网络语义分割方法。本发明采用图像预处理操作不仅提高了模型的精度，而且也增强了模型的稳定性；针对池化和下采样的重复组合的操作引起特征分辨率下降的问题，采用全卷积神经网络，进而提高了语义分割的准确性；引用U-net模型结构的思想，采用编码-解码结构，保留了二倍和四倍下采样的特征信息，分别与四倍和二倍上采样特征信息进行融合，通过逐渐恢复空间信息来捕捉清晰的目标边界，解决了图像边缘分割不太准确的问题，同时提高了神经网络的收敛速度，节约了运行时间。
-
公开(公告)号：CN110706239A
公开(公告)日：2020-01-17
申请号：CN201910914699.5
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习及机器视觉领域，具体涉及一种融合全卷积神经网络与改进ASPP模块的场景分割方法。本发明采用图像预处理操作能够防止模型过拟合，同时提高模型的适应能力；针对池化和下采样的重复组合的操作引起特征分辨率下降的问题，采用全卷积神经网络；在第五层卷积层后面加入改进的ASPP模块，融入图像级别的特征来捕获远距离信息，增加模型本身的适应能力；采用反卷积进行上采样，优势是可以自己学习参数；针对网络层数加深，边缘细节信息损失严重的问题，保留二倍下采样信息并与四倍上采样信息进行融合。
-
公开(公告)号：CN111899280A
公开(公告)日：2020-11-06
申请号：CN202010667153.7
申请日：2020-07-13
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种采用深度学习和混合型位姿估计的单目视觉里程计方法，包括：利用深度学习神经网络估计连续图像间光流场并从光流场提取关键点匹配对。关键点匹配对作为输入，根据2d-2d位姿估计原理，利用对极几何的方法初步计算出旋转矩阵和平移向量。利用深度神经网络估计得到单目图像深度场，结合几何理论三角测量方法，以深度场为参考值，使用RANSAC算法计算得到绝对尺度，将位姿从归一化坐标系转到真实坐标系，当2d-2d位姿估计失败或绝对尺度估计失败，利用3d-2d位姿估计原理，利用PnP算法进行位姿估计。本发明能够得到精确的位姿估计和绝对尺度估计、具有较好鲁棒性、在不同场景环境下都能够很好的复现出相机轨迹。
-
公开(公告)号：CN110827238A
公开(公告)日：2020-02-21
申请号：CN201910932903.6
申请日：2019-09-29
Applicant: 哈尔滨工程大学
IPC: G06T7/00
Abstract: 本发明提供一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，数据集的获取，并将数据集分为训练集和测试集，对数据集的目标区域进行标注；以VGG16网络为基础网络，搭建全卷积网络模型，并改进FCN模型的跳层结构；训练改进的全卷积网络模型，即训练FCNB模型；用训练好的网络对测试集的数据进行特征提取；定性评价特征提取结果，对比分析改进后与改进前的网络的特征提取结果。本发明保留了更多的细节信息，克服了传统方法抗散斑能力差、效率低、速度慢以及准确率低的缺点；有利于方法的泛化使用；特征提取效果得到了明显提升，该方法收敛性更好，稳定性更高。
-
公开(公告)号：CN110045381A
公开(公告)日：2019-07-23
申请号：CN201910347922.2
申请日：2019-04-28
Applicant: 哈尔滨工程大学
Abstract: 本发明属于图像处理领域，具体涉及一种基于线特征简化的侧扫声呐线特征匹配改进方法。本发明主要包括两大步骤：对提取的线特征进行简化处理以及线特征之间的匹配。侧扫声呐图像由于自身的特点，在提取线特征之后，在某些区域会存在过多相似度极高的线特征，通过线特征的简化处理将多条相似度极高的线特征简化，最终确定最少数量线特征代表待处理区域的提取特征，线特征匹配利用射影变换找到对应特征。本发明首先将提取的线特征进行简化处理，可以更简洁描述图像特点，也更有利于提高后续线特征匹配率和匹配速度；基于简化特征的基础上，利用射影变换实现线特征在匹配图像中的映射，通过设计线特征之间的匹配约束条件来完成线特征之间的匹配。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.036 seconds)
