背景匹配

关键词： 配准 背景 图像 运动

背景匹配（精选四篇）

背景匹配 篇1

运动背景[1]下的运动目标检测在军事上有很大的作用, 其中最重要的部分就是对运动背景图像进行配准。图像配准是确定同一场景、不同时间、不同视角或者不同成像方式的两幅图像之间的几何变换参量的过程[2], 它是图像融合、运动目标检测等中的一项关键技术之一。

1 K-means聚类算法

K-means聚类算法的基本思想:在进行特征点匹配时可以观察到, 正确匹配点对的距离特征向量很相似, 如果用欧式距离表示匹配点对的距离, 距离差值一般不超过10个像素;方向特征向量也很相似, 角度差值一般在10°以内。假设得到的匹配点集为H:

其中, di, dj为两幅图像的一组匹配点对。

距离特征向量D:

其中, dk为第k组匹配点对的欧式距离:

方向特征向量θ:

其中, θk为第k组匹配点对与X轴正方向形成的夹角:

2 PROSAC算法思想及原理

2.1 PROSAC算法思想

PROSAC对RANSAC的随机抽样方法进行了改进, 采用在逐渐增大的假定匹配点对集合中采用半随机抽样。其基于一种假设:所有匹配点对中, 相似度高的匹配点对更可能是局内点。

但是, 需要解决两个问题:一是增长函数n=g (t) , 即t次试验后如何得到前n个最优匹配点对集合Un, 确保PROSAC在最差的情况下仍可以像RANSAC一样找到最优解;二是算法停止标准, 确保得到的结果为已知最优。

2.2 增长函数与半随机抽样

N个匹配点对的集合UN, 其中元素按可信度函数q降序排列:

可信度高的前n个匹配点对组成集合Un, 采样M奂UN, |M|=m为采样元素个数, 采样M的可信度定义为:

如果RANSAC在UN中TN次采样m个数据, 定义为采样序列, 为排序后的采样序列, 令Tn表示中包含Un中的点的平均采样次数, 则

其中, Tn次采样只包含Un中的点, Tn+1次采样只包含Un+1中的点, 又Un+1=Un∪{un+1}, 所以Tn+1-Tn只包含un+1一个点和 (m-1) 个Un中的点。因此, Tn+1-Tn在n=m…N的过程中, 产生的采样序列就是M (i) 。

又Tn不是整数形式, 令T′m=1, 且

则增长函数定义为

在PROSAC中, 第t次采样Mt=ug (t) ∪M′t。其中是从Ug (t) -1中随机抽样个数据。

2.3 抽样终止条件

PROSAC算法在集合Un*中内点的个数In*在满足以下两个条件下终止:

(1) 非随机性。即n*个数据点中内点In*与一个错误模型一致的概率小于ψ (一般取5%) ;

非随机性防止PROSAC选择一个有外点得出的模型恰好满足一致性。随机抽样得到模型的“内点”集合的个数满足如下:

其中, β表示由其中一个外点的随机抽样所得模型, 且该模型被一个不在该抽样中的匹配点对支持的概率。

对于每一个n, 最小内点数Inmin满足如下

一个在Un*上找到的非随机性模型必须满足

(2) 极大性。k次采样检验后仍不能发现一个包含大于In*个内点的模型的概率小于η0 (一般取5%) 。

极大性保证了能得到正确模型的最大抽样次数, 对于集合

其中, PIn为从n个数据Un中选出m个正确点对的概率, In为Un中内点的个数, εn=In/n为内点的比例。

定义PROSAC经过k次抽样后在集合Un仍不能得到包含In个内点子集的概率为η, 则η=1-PkIn (16)

因此, 最大抽样次数必须能够保证η<η0。

3 实验仿真与分析

本文算法中加入了K-means算法聚类处理, 剔除外点采用PROSAC算法。如图1所示, 为实验采用的两帧视频序列, 分别为第52帧和第57帧。图2为利用Harris特征点提取算法提取的特征点, 图像1 (图1左边) 提取出83个特征点, 图像2提取出来90个特征点。

图3所示为原始算法在计算相关度之后得到的特征点匹配点对 (83对) , 可以看出存在明显的错误匹配对。图5所示为所有特征点对之间的欧式距离。图6所示为聚类的类别数量和各个类别包含的特征点对数量, 最多的一类被保留, 其中第8类中包含65个特征点匹配点对。图4为通过K-means算法聚类处理之后的特征点匹配点对, 可以看出很明显的误匹配点对被剔除。

图7为经过RANSAC算法[3]后得到的内点, 共49对。图8为经过PROSAC算法后的到的内点, 共51对。对比两图可以发现最终的效果是很接近的。图9为原始算法最终的背景配准结果, 图10为本文算法最终得到的配准结果。仿射变换矩阵如下所示:

本文算法主要解决的是运动背景的配准实时性问题, 表2所示为原始算法和本文算法在时间和迭代次数上的比较更能满足实时性的要求。

参考文献

[1]宋海峰, 陈兴元, 王磊, 游安清.运动背景下弱小目标的提取算法[J].强激光与粒子束, 2006, 18 (10) :1625-1628.

[2]刘贵喜, 刘冬梅, 刘凤鹏, 周亚平.一种稳健的特征点配准算法[J].光学学报, 2008, 28 (3) :454-461.

背景匹配 篇2

摘 要：本文主要讨论为解决影响焊接质量及自动化焊接的零部件搭接间隙大（干涉）问题，通过解决长城某款车型间隙及尺寸问题的具体事例，尝试的一种焊接零部件匹配解决方案及流程。

关键词：匹配；间隙；自动化；变形

在现在汽车工业中，汽车悬架是重要部件之一，对汽车行驶的平顺性、经济性、通过性、燃油经济性等多种使用性能有很大影响，汽车悬架最主要的过程工艺是焊接；在悬架焊接行业中，均采用了大量的自动化设备，在提高了生产线自动化程度、降低人力强度的同时，对焊接搭接间隙有很严格的要求，在汽车行业中，对整车车身精度综合匹配（MB）及样板拼车（DT）的研究较多，匹配方案及流程较成熟；对底盘悬架焊接类研究较少，没有规范的匹配流程及方案，由于整车车身与底盘悬架结构差异，在整车车身精度匹配的研究方案及流程很难在底盘悬架上全部实施。本文通过解决长城某款汽车底盘生产线某个焊接间隙及尺寸问题点时，探讨一种焊接零部件匹配方案及流程。

问题描述：长城某款车型悬架焊接线，减振器连接板与纵臂及螺旋簧间隙大，影响焊接机器人自动化焊接，焊接后减振器连接板安装尺寸不合格，焊接前对各零部件尺寸测量，零部件尺寸均符合产品要求。

1 过程调查分析

减振器连接板焊接间隙分析：

随机抽取5套减震器连接板，依据原设计数模，采用三坐标设备（CMM）扫描测量，保证制件合格后，在焊接夹具上进行试装，根据不同的试装方式，测量的结果不同，通过对不同搭配方式数据分析，筛选影响减振器连接板匹配的重要因素，具体如下：采用一套与减振器连接板搭配的纵臂分总成，试装5套减震器连接板，装件后，通过目测判定减振器连接板与搭接工件均存在干涉，装件不能到位，使用间隙尺测量搭接间隙， 采用一套减振器连接板搭配5套纵臂分总成进行试装，装配完成后，使用间隙尺测量搭接间隙 根据上面两组数据分析，当更换不同的搭配方式时，搭接间隙出现不同的变化，结合焊接夹具、检测方式，判定影响减振器连接板匹配的主要因素有：减振器连接板本身尺寸的一致性；减振器连接板单件检测方式；纵臂分总成状态的一致性；焊接夹具的稳定性及定位的可靠性。焊接过程中的热变形及冷变形，根据分析的影响匹配的主要因素，制定匹配方案。

1.1 制定检测规范

针对减振器连接板，制定规范的检测标准，采用三坐标设备（CMM），检测方法如下：①检测时，以两侧面的孔中心的连线轴作为第一基准；②以减振器连接板底面作为第二基准；③边线取点方法是，直边方面，短边至少取3个检测点，长边至少取5个检测点；圆弧边至少取5个检测点。

1.2 封样纵臂分总成

为消除因纵臂分总成状态变化对匹配数据的影响，在焊接生产线上随机抽取一套纵臂分总成，进行封样。

1.3 规范焊接夹具

对于焊接定位夹具，很多情况下，必须考虑过定位（即n-2-1定位原则），才能保证夹具定位的稳定性及可靠性，排查减振器连接板焊接夹具的定位效果，对影响定位效果的机构进行改进完善，夹具改进完成后，采用三坐标设备（（CMM））对焊接减振器连接板的夹具进行定位坐标测量，对数据进行固化，制定夹具校准标准，定期校准确认，保证定位位置的可靠性。

1.4 规范减振器连接板

随机抽取一套减振器连接板，使用封样的纵臂分总成进行试装，装配过程中对搭接干涉部位进行打磨，根据减振器连接板尺寸型面±0.7mm公差要求，保证修磨后的减振器连接板各有效搭接间隙在±0.7mm（产品设计要求）左右，记录各部位打磨数据及间隙数据。

根据记录的的实际数据，调整减振器连接板落料模具，调整完成后，生产5套样件，样件按检测规范进行检测，检测合格后进行试装，试装时，采用纵臂分总成封样进行验证，直至搭接间隙满足焊接机器人自动化焊接要求。

1.5 规范标准数模及图纸

对匹配完成的减振器连接板，采用三坐标设备扫描，根据扫描结果及匹配过程中记录的改进数据，对原设计数模及图纸进行变更，保存最终标准数据。

2 方案总结及规范

通过对减振器连接板的匹配过程，总结一种底盘悬架匹配的流程方案，提高匹配效率，节省匹配成本。

2.1 匹配的总体原则

针对底盘悬架焊接线开发过程中，由于焊接变形，产品设计间隙大，焊接过程中搭接件干涉、焊接间隙大，不能满足焊接要求，或个别零部件由于设计原因，尺寸保证困难时，开始对搭接件进行匹配，匹配时，应选取变更周期短、变更费用低的零件；应将状态稳定的大件进行固化，以此为基准，匹配小件。

2.2 匹配的流程

将整个匹配过程总结为9部分，具体为：①确认匹配的零部件；②制定规范的零部件检测标准；③对匹配关联的零部件及分总成进行固化、封样；④排查焊接夹具的定位效果，保证焊接夹具定位的可靠性；⑤采用三坐标对焊接夹具的定位位置固化，保证夹具的一致性；⑥提样5套，试装，记录数据；⑦根据实际试装效果，更改模具；⑧提样5套，再次试装，记录数据直至搭接效果及尺寸要求满足需求；⑨对匹配完成后的数模及图纸进行标准化。

3 研究总结与展望

在底盘焊接生产线调试过程中，由于各种原因，需要进行匹配的情况非常多，本题通过挑选底盘悬架焊接中的减振器连接板匹配方案，总结在匹配过程中解决的各种问题，尝试将匹配过程整理成一种较为理想的匹配方案，将匹配过程梳理成10个匹配阶段，规范各阶段的工作内容，在匹配其它零部件时，能够快速有效的完成匹配，提高效率，缩短过程开发时间。

参考文献：

[1]曹俊.单俊.整车匹配中在线质量工装定位选取技术[J].CN12-1411/U，2010（2）：36-37.

[2]戴竟.车身进度综合匹配和样板拼车的建立[J] .CN22-1187/U，2014（4）：21-28.

最佳匹配变功率匹配技术的应用 篇3

发动机与液压泵的匹配中,最常见的是采用传统恒功率控制系统,但实际工作中由于工况变化,如高速工况或精细作业工况时,需要不断改变恒功率值的设定,以保证发动机处于最佳工作状态,这给作业带来了诸多不便。

为解决上述问题,需要引入变功率控制技术,通过检测发动机在当前转速下的标定功率以及液压泵在当前的实际输出功率,经控制器比较两者间的差值,反馈至液压泵或者发动机,以控制泵的恒功率设定值或者调整发动机转速。

电子越权功率控制的引用

功率调节控制中需加装功率控制阀,功率值就可以通过改变控制电流的大小来实现功率在可调范围内变化。其原理就是在恒功率控制阀上加比例电磁铁,在正常工作状态下,液压泵恒功率曲线为初始值,通过恒功率调节,保证液压泵工作在恒功率曲线上,不会超过发动机最大输出功率。当出现由于外部条件导致发动机性能下降,使发动机输出扭矩小于泵吸收扭矩时,通过系统转速感应,控制电子越权电磁阀调整泵输出功率变化。

极限负载控制

极限负载控制技术主要根据负载的变化自动调节变量泵的排量,以保证变量泵输出功率与发动机输出功率相匹配,保护发动机不过载,使整机能够在任意发动机转速下满载正常工作。调节规则为:负载增大(减小),系统压力升高(降低),泵的吸收功率增大(减小),发动机转速下降(增大),系统检测转速变化,调节泵减少(增大)排量,从而降低(增大)泵的吸收功率,保证泵和发动机输出功率相匹配。转速感应控制的优点是容易实现发动机转速的准确控制,并且泵额定压力一额定流量特性是标准的双曲线,无误差,充分地利用了发动机功率,有效地防止了发动机过载。

分级作业模式

基于层次式匹配的最佳路径匹配算法 篇4

随着电子地图和导航系统的迅速普及,城市内出行变得越来越方便。但是现有导航系统的缺陷———单纯以几条固定路径的导航选择并不能让很多出行者绕开拥堵路段,而且还使得某些拥堵路段更加拥堵。另外,大量的定位系统使各个系统保存了大量的轨迹数据,如何从这些轨迹数据中挖掘有效信息,从而给不同爱好的出行者提供更加合适的出行线路是当前城市计算领域研究的热点之一。

路径优化是路径规划的核心问题,目前最有影响力的流行算法是Dijkstra在1959年提出的最短路径算法,Dijkstra算法,用于寻找两个点之间的最短路径。但是由于其算法的计算复杂度太高。很多学者对该算法进行了改进,提出了基于启发式搜索的A*算法以及基于记录历史路径的D*算法。因此,在城市内汽车保有量的不断剧增,以及影响交通情况的诸多因素影响下,上述研究方案在实际使用过程中并不能发挥很好的作用。

二、算法框架

本课题旨在以城市内的出租车定位轨迹数据为基础进行数据挖掘,挖掘城市内两个站点之间的最佳路径。为了实现这个目标,本文将从两个目标角度对出租车定位数据进行挖掘。首先,根据轨迹数据统计每个路段在不同时间段的进度和出度,并在此基础上计算基于信息熵的聚类分析,以构成整个城市的不同交通集中区域;接着,根据区域间的相连轨迹固定每个区域之间的最短距离,结合每个区域所在位置到区域出口之间的路径,就可以得出两个点之间的最佳路径规划。

为了提高检索效率,本文采用分层处理方式来提高检索速度,即按不同层次对整个城市进行逐层划分,从而使得整个城市的空间区域变成一个典型的树结构。按照上面的实现思想,本系统的实现流程如下:

(一)数据初始化

系统先将出租车轨迹数据(定位信息)按照每个路段划分成路径片段,即出租车经过每个路段的信息(路段编号,进入时间,离开时间),并导入公路网络信息。

(二)基于信息熵的区域划分算法

每个路段都有入度和出度(由于路段内有停车场或小区,单位时间内出度并不等于入度),如果将单位时间内每个路段的出入度之差作为该路段在该单位时间的信息熵,那么一些相邻路段之间的组合就是区域,如果将每个区域的向外的出入度之差作为该区域的信息熵,那么城市区域的划分就是将这些路段组合起来,使得整个系统的信息熵最低,就是我们所需要的区域划分。

(三)构建基于轨迹频繁模式挖掘和层次匹配的最佳路径模式库

按照传统的轨迹数据挖掘算法将出租车轨迹数据进行频繁模式挖掘,然后将挖掘获得频繁模式来构建两个点之间的最佳路径。其实现过程可以分为以下几个步骤:

1.按照上一个阶段获取的区域,结合历史轨迹数据,挖掘任何两个区域之间在不同时刻的最佳频繁路径,构建模式库;并确定每个区域连接其他区域的出入口,将其定义为关键点。

2.根据轨迹数据挖掘区域内不同时刻内、每个路段到每个关键点的最佳频繁路径模式。

3.上述两个模式集合构成整个最佳路径模式库。

(四)层次式最佳路径模式库的搜索

1.一旦用户输入起始位置和目标位置之后,系统会自动根据当前时间以及对应特征(比如周末、非周末等)进行路径频繁模式匹配。整个过程将以顶层为参数按照下面的流程递归调用。

2.将传入层作为当前层,系统按照输入的起始点和终点判断两个点是否处在同一个子区域。

3.如果两个点处在同一个子区域,且该区域已经没有子区域,那么直接对起始点和目标点进行匹配;如果匹配,则返回此两个点的匹配路径;如果还存在子区域,则递归进入下一层。

4.如果没有找到,则直接使用百度地图的路径导航。

随着电子地图、移动设备和定位技术的迅猛发展,越来越多的导航系统开始左右人们的出行。但是当前大多导航系统还停留在一些规定好的固定路径作为导航线路,这使一些拥堵路段变得更加拥堵。而本文则是采用历史轨迹数据挖掘,将大多数人采用的行走路径作为导航路径,这种方案给出行者提供更加灵活多变的优化路径。同时,为了提高历史路径的匹配效率,本文还采用层次式匹配思想来提高匹配效率,提供算法的实时性。

摘要：提出了以分段的轨迹数据为基础,结合时空数据挖掘技术,挖掘基于带时效的频繁模式。并基于这个频繁模式给出行者提供最佳的行车路线。同时,为了提高算法效率,提出了一种基于层次式模式匹配的思想,用分层的思想来过滤大量模式之间的匹配。

关键词：路径规划,交通控制,轨迹聚类

参考文献