针对复杂光照条件下,如何提高无人机智能巡检作业中场景目标识别精准性的问题,本文将视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)和机器学习算法进行融合,经过优化得到动态SLAM2算法,增加动态目标检测线程,在...针对复杂光照条件下,如何提高无人机智能巡检作业中场景目标识别精准性的问题,本文将视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)和机器学习算法进行融合,经过优化得到动态SLAM2算法,增加动态目标检测线程,在对图像特征点进行提取的过程中,将动态目标区域剔除,通过对静态特征点的运用实施目标位姿估计。实验结果显示:将本文融合视觉SLAM与机器学习的动态SLAM2算法应用于无人机智能巡检中,目标特征识别所用关键点数量明显比加速稳健特征(speeded up robust features,SURF)算法和尺度不变特征转换(scale-invariant feature transform,SFIT)算法少得多,且耗时更短,因而具有显著优势,有一定的应用价值。展开更多
文摘针对复杂光照条件下,如何提高无人机智能巡检作业中场景目标识别精准性的问题,本文将视觉即时定位与地图构建(simultaneous localization and mapping,SLAM)和机器学习算法进行融合,经过优化得到动态SLAM2算法,增加动态目标检测线程,在对图像特征点进行提取的过程中,将动态目标区域剔除,通过对静态特征点的运用实施目标位姿估计。实验结果显示:将本文融合视觉SLAM与机器学习的动态SLAM2算法应用于无人机智能巡检中,目标特征识别所用关键点数量明显比加速稳健特征(speeded up robust features,SURF)算法和尺度不变特征转换(scale-invariant feature transform,SFIT)算法少得多,且耗时更短,因而具有显著优势,有一定的应用价值。
