采用轮廓片段空间关系实现遮挡目标识别

为了实现高比例遮挡情况下的目标识别,提出一种基于轮廓片段空间关系的目标识别算法.首先,在采用轮廓的形状上下文特征进行粗匹配的基础上,对模板图像和待识别图像分别进行图像骨架关键接合点的提取和轮廓形状质心的提取.然后,以图像像素中心点为原点建立坐标系,以图像骨架关键接合点和轮廓片段质心在各自图像建立的坐标系内的位置确定空间关系.最后,制定空间关系参数约束标准,筛选满足空间关系约束准则的目标库图像为最后识别结果.与现有遮挡目标匹配算法相比,该算法可以实现高比例遮挡情况下的目标识别,在目标遮挡比例为60%的情况下,识别率可达到78%.     

基于俯视角融合的多模态三维目标检测

三维目标检测中图像数据难以获得目标距离信息,点云数据难以获得目标类别信息,为此提出一种将图像转为俯视角特征的方法,将多尺度图像特征按水平维度展平,通过稠密变换层转变为多尺度图像俯视角特征,最终重塑为全局图像俯视角特征.在此基础上,提出一种基于俯视角融合的多模态三维目标检测网络,利用特征拼接或元素相加的方法融合图像俯视角特征与点云俯视角特征.在KITTI数据集上的实验表明,提出的基于俯视角融合的多模态三维目标检测网络对于车辆、行人目标的检测效果优于其他流行的三维目标检测方法 .     

基于激光点云的车辆外廓尺寸动态测量方法

为解决车辆外廓尺寸测量中存在的测量准确度低、重复性差及三维轮廓重构质量差的问题,提出一种基于激光点云的动态测量方法.首先基于车辆外廓尺寸动态测量原理,对系统测量方案进行了设计.然后为去除激光雷达在采集过程中产生的噪声和冗余数据,基于kd-tree建立点云空间拓扑关系并采用邻域平均法实现点云数据的去噪,借助最小二乘法判断局部曲率特征对点云数据进行精简,并通过边界点识别算法对边界特征进行保护.最后通过实车试验对所提方法进行验证,并设计出反光镜滤除方案及曲线行驶矫正模型,实现对试验结果的进一步优化.试验结果表明:4种车型的示值误差均小于1%,重复性最大为0.48%,具有较高的准确度和较好的稳定性,满足国家标准要求;根据车辆三维轮廓重构模型,可对超限位置快速定位.     

融合目标轮廓和阴影轮廓的SAR图像目标识别

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法.首先提出了一种基于去控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别.基于MSTAR的实验结果验证了本算法的有效性.实验结果证明:目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征.     

基于RBF神经网络的三维点云数据孔洞修补

三维扫描获取点云数据,往往由于被测物体自身形状复杂,扫描设备本身局限或者外部遮挡而出现孔洞,影响后续重构精度.由此提出一种基于RBF神经网络的三维扫描点云数据孔洞修补方法.该方法首先基于法线信息和KD tree提取三维点云的孔洞边缘信息,基于蒙特卡罗法在特征平面内生成填充数据点;然后将采集到的孔洞边缘特征点作为样本点集...     

基于点云俯视图重映射的3D目标检测

三维(3D)目标检测常见的数据格式为图像和点云,图像数据具有较好的目标识别能力,点云数据具有准确的空间信息.为了更好地利用图像数据目标识别能力较强和点云数据空间信息较准确的优点,文中提出了基于点云俯视图重映射的3D目标检测方法Bird-PointNet.该方法首先将点云编码为俯视图格式,进行目标识别和粗略定位;然后将俯...     

基于深度学习图像描述子的三维彩色点云配准

不断发展的激光扫描技术使得获取三维空间中的彩色点云信息更加方便.但是,如何将多个采集点生成的彩色点云数据统一在同一个坐标系下,构建一个完整的数据模型仍是一个挑战.因此,提出了一种基于深度学习的图像描述子,将其应用于三维彩色点云配准中,能够以较高精度获取点云配准的初始位姿.首先,根据点云和图像之间的一一对应关系,将三维彩色点云投影为图像;其次,使用卷积神经网络提取关键点邻域的局部特征,结合方向梯度直方图,形成组合描述子;再次,根据计算出的组合描述子计算点云的匹配点对,得出点云间的转换关系,实现点云粗配准.以实际的三维彩色点云数据与多种配准算法进行对比,验证了所提方法的有效性.     

基于注意力机制的PointPillars+三维目标检测

针对自动驾驶场景下的周边车辆及行人等目标的识别和定位问题,提出了一种基于注意力机制的PointPillars+三维目标检测算法.算法将完整空间按等尺寸柱均匀划分,从所有柱中提取内部点云的特征进而生成伪图;引入2种注意力机制,实现对伪图中特征信息的放大和抑制;使用卷积神经网络对注意力模块输出结果进一步处理,并使用SSD(single shot multibox detector)算法进行三维目标检测.结果表明:基于并行注意力机制的PointPillars+检测算法取得了良好的检测效果,相对于PointPillars算法,鸟瞰图下,平均均值精度(mAP)的中等难度均值(mAP_m)从66.19增加到69.95,汽车的mAP从86.10增加到87.73;三维模式下,mAP_m从59.20增加到62.55,汽车的mAP从74.99增加到76.25.     

使用特征匹配的三维目标识别方法

提出了一种基于特征匹配的三维自动目标识别方法．首先使用均匀采样选择特征点和自旋图描述子提取特征,定义相似度度量并且使用最近邻方法得到初始的匹配;其次使用向量场一致性算法消除错误的匹配;最后根据算法保留的正确匹配数目进行目标识别．针对目标识别的实际应用需求,进一步研究了点云的空间分辨率、激光雷达测距误差对目标识别性能的影响,可以为激光雷达三维目标识别系统的设计提供参考．     

基于特征融合的深度学习点云补全算法

由于激光雷达等三维扫描设备分辨率限制、目标间的相互遮挡以及目标表面材质透明等问题,采集到的三维点云数据往往是不完整的.近年来,以数据驱动为主的深度学习方法逐渐被用于解决点云补全问题,然而,现有的点云补全算法致力于补全出原始目标点云的整体拓扑结构而忽略了对于目标点云局部细节位置的恢复.针对这一问题,提出了一种基于特征融合...     

结合位置关系卷积与深度残差网络的三维点云识别与分割

针对现有点云识别与分割算法因忽视点的位置特征和局部几何特征关系而导致难以捕获具有鉴别力的局部几何信息的问题,提出基于位置关系深度残差神经网络的三维点云识别与分割算法。将原始点云嵌入到高维空间并获取其高维特征;将点云的高维特征输入位置关系卷积实现局部邻域内当前点特征与位置几何特征的信息交流,并通过深度残差模块强化提取到的深层语义特征,分层重复以上步骤可逐步得到点云的高级上下文语义特征;通过全连接层与解码器,得到点云的识别与分割结果。实验结果表明,所提算法在ModelNet40点云分类数据集的识别精度达到了93.9%,在ShapeNet Part点云部件语义分割数据集的平均交并比达到了86.0%。所提算法能够提取三维点云的关键特征信息,具有较好的三维点云识别与分割能力。     

基于点对特征和局部参考系的六维位姿估计算法

针对大量物件分拣工作中单目视觉无法精确估计目标位姿从而无法完成随机堆叠工件分拣的问题,以点对特征为基础,提出了基于点云的目标识别和位姿估计算法的改进算法.模型训练阶段,使用改进的下采样方法,保留更多有区分性的点对,构建局部参考系作为补充特征;在线匹配阶段,以距离作为投票权重,并利用匹配点对的局部参考系相似度验证候选位姿;最后通过模型与场景的重叠率筛选未遮挡的多实例目标作为可抓取目标候选.结果表明:在方差为3%,5%倍模型尺寸的高斯噪声下,目标识别率分别可达97%,78%;所有试验的识别耗时均在1 s以内,满足实际需求.     

基于视点的三维点云自适应多细节层次模型动态绘制

在计算机几何图像设计、医疗研究诊断、物体判定识别、自动化测量等领域应用的迫切需求下,需要对三维点云动态绘制方法进行研究。目前存在的基于图形处理单元(GPU)的三维点云动态绘制方法。首先根据高度场的形式获得三维点云数据;然后利用高通滤波法对获得的三维点云进行消噪处理;再根据Scene Graph的方法表示三维点云之间的逻辑关系;最后利用GPU完成三维点云的动态绘制。为了降低噪声对三维点云绘制的影响,绘制更加流畅清晰的画面,提出一种基于视点的三维点云自适应多细节层次(LOD)模型动态绘制方法。首先利用激光扫描仪器或结构光扫描仪器等获取三维点云数据,并利用双边滤波器进行平滑去噪;然后根据特征配对的方法对三维点云进行特征对的提取与配准;最后以三维点云特征对配准结果为依据,利用三维点云的内外存调度完成三维点云的自适应LOD动态绘制。实验结果分析证明,所提方法能有效地去除噪声,可以更好地描述目标物体或背景,使绘制画面更加流畅。     

基于点云协方差描述子的多机器人目标识别与编队跟踪

针对多移动机器人目标识别及编队跟踪问题,提出一种基于点云协方差描述子的目标识别方法及编队跟踪控制方法.为降低机器人端机载处理器负荷,基于Web Socket协议搭建网络架构.在此基础上,通过引入点云协方差描述子进行目标检测,并利用支持向量机完成离线建模.结合支持向量机分类器与Kullback-Leibler Divergence(KLD)-Sampling自适应粒子滤波算法,实现目标部分遮挡下的在线识别,得到目标点云跟踪位置信息.利用势场函数和有向刚性图论综合设计编队跟踪控制器,实现多机器人编队目标跟踪.最后通过实物平台进行实验,结果表明,所提出的基于点云协方差描述子的多机器人目标识别与编队跟踪算法,与传统方法相比,跟踪收敛时间缩短4,s,跟踪精度提高约2.5%,,通过搭载有限数量传感器,可以更有效地解决多机器人编队目标跟踪问题.     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰,点云密度不均匀,场景复杂多样以及物体之间存在遮挡现象等问题,使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题,提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数,利用核密度估计学习一个密度函数,对非均匀采样的点云数据进行卷积操作。同时,受深度学习在图像领域的启发,引入残差连接、空洞卷积等结构,训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

基于几何特征与三维点云特征的道路边沿识别算法

针对目前典型道路边沿识别算法存在实时性与可靠性难以兼顾的问题,基于多线激光雷达,根据道路边沿的几何特征与三维点云特征,提出了一种权衡实时性与可靠性的道路边沿识别算法。依据多线激光雷达扫描获取的大量点云数据,基于RANSAC算法的地面分割方法,滤除了预设感兴趣区域内的地面数据点,然后将剩余的无序点进行有序栅格化投射处理,根据道路边沿区域的几何特征与点云分布特征进行匹配筛选,再融合RANSAC的最小二乘法,以完成道路边沿曲线的鲁棒拟合。实验表明,算法在直道和弯道场景识别准确率均大于95%,耗时均低于15 ms,具有良好的准确性和实时性。所提算法能有效识别道路边沿,可为智能车可行驶区域的识别及控制提供理论参考与方法依据。     

一种面向高分辨率激光扫描点云的三维建筑物的风格化渲染方法

目前,三维激光扫描仪已经可以方便且快速地获取大范围建筑物的高分辨率三维点云数据。然而,尽管高分辨的建筑物点云数据可以精确且直观的描述真实的建筑物场景,但是由于点云具有离散化的特点,传统直接展示原始三维点云数据的方法缺乏良好的视觉效果。针对高分辨率激光扫描点云的渲染问题,本文提出了一种面向高分辨率激光扫描点云的三维建筑物的风格化渲染的方法。该方法首先提出远距离点采样方法,在简化点云数据的同时保留其三维结构化信息,然后引入基于神经网络的风格渲染方法高效渲染三维建筑物网格数据,最后提出了基于KDTree的网格数据与点云数据的融合方法生成渲染点云。实验表明,该框架可有效地将给定二维图像的风格转化为三维建筑物风格,在保证良好视觉效果的同时,保留了建筑物的精确三维几何信息。     

注意力叠加与时序特征融合的目标检测方法

提出一种基于注意力叠加与时序特征融合的目标检测方法.在端到端目标检测(DETR)网络的基础上,依据注意力机制特性,使用注意力权重叠加的方式提取目标物像素级标识,用于实例轨迹的划分.为使目标检测与轨迹跟踪协同作用,通过时序特征融合的方式融合之前轨迹跟踪信息,调整当前帧目标检测效果,从而充分利用视频载体提供的时间维度信息.在公开数据集上,对文中方法进行验证,结果表明：文中方法能有效识别被遮挡的目标物,具有较强鲁棒性.     

基于正态分布变换的多位姿手掌部三维静脉识别

研究基于三维点云匹配的多位姿手部静脉识别.考虑手部静脉点云的特点,结合双目视觉原理,建立了一种结合三维特征阵列和静脉点云的扩展数据库,提出了一种基于三维特征阵列的静脉点云粗配准算法.在双目静脉图像中提取稳定特征并重建为三维特征,根据三维特征匹配结果初步消除静脉点云位姿差异.并采用改进的正态分布变换算法完成静脉点云匹配.实验表明,本文算法能够有效提高多位姿下的静脉点云识别率,即使手部位姿变化范围较大时,系统的识别率仍超过90%.      

一种基于零阶球谐函数的点云识别方法

本文方法运用基于零阶球谐函数来解决三维点云的识别问题.其核心在于利用最小二乘法将模型的原始坐标拟合成球谐函数正交基的扩展系数,并且将标量形式的计算过程改为以三个坐标轴方向分别推导的向量形式,目的在于使三维点云识别的过程不受原模型几何形状结构的影响.此识别方法具备平移旋转不变的特性,并且在计算过程中不需要预先对三维点云模型进行对齐操作,进一步缩短了识别时间,提高了运算效率.为解决三维点云识别的实时性问题提供了新方法.