基于ROS和EtherCAT的视觉伺服7DOF机械臂仿真研究

将视觉传感器构建到机械臂一侧的视觉伺服系统是7自由度机械臂实现物体抓取和移动的有效方法,但此方法存在着对目标识别定位速度慢和末端执行器轨迹规划难的问题。因此,设计并实现了基于机器人操作系统(Robot Operating System,ROS)和EtherCAT的视觉伺服7自由度机械臂仿真平台。在ROS系统上,利用颜色机器视觉(Color Machine Vision,CMVision)算法实现了抓取目标的快速识别和定位;基于机械臂的D-H模型,求解得到逆运动方程,规划机械臂的轨迹,并应用比例、积分、微分(Proportion,Integration,Differentiation,PID)算法进行控制;在Linux上构建实时内核,利用EtherCAT技术实现了机械臂末端执行器的快速准确移动控制。测试结果表明,该平台能够实现目标的快速识别、定位和抓取,具备良好的稳定性和可操作性。     

结合上下文特征和图割算法的车载点云聚类方法

可靠、准确的点云聚类是后续高精度场景目标分析与解译的基础.该文提出了一种基于上下文特征和图割算法的车载点云聚类方法.首先用DBSCAN （density-based spatial clustering of applications with noise）对点云数据进行过分割，得到密度可达的超体素；然后引入空间和属性上下文特征来描述超体素间的关联，并用于定义超体素构建的图模型边的权值；最后基于多标记的图割优化算法得到最佳超体素聚簇.实验结果表明，该方法能够有效改善点云聚类过分割，从而提高聚类的精度.     

基于嵌入式GPU的车流量检测系统

交通拥堵是当今世界交通领域面临的主要问题之一,如何通过现有的交通设备获取更加精准的交通信息是亟待解决的问题。图像识别技术在智能交通系统中有着广泛的应用,基于深度学习的车流量检测技术是智能交通的重要组成部分。本项目设计了一个基于嵌入式GPU的智能车流量检测系统,该系统架设在NVIDIA JetsonTX2平台上,采用基于深度学习YOLO v3的车辆检测模型,检测道路上的车辆目标,设置兴趣区域,对检测到的目标进行识别计数,实现对交通视频的实时车流量检测。试验验证分析表明,该系统具有较高的检测精度。     

一种用于全景影像的测量方案

提出了一种从全景影像中还原目标三维信息的测量方案. 通过全景相机所获取的影像只有GPS 坐标,而没有姿态信息,需要运用影像匹配技术以及光束法准确算出拍摄时刻全景影像的姿态,然后通过前方交会计算全景影像中目标的三维坐标. 针对全景影像畸变较大的特点,采用仿射不变特征匹配算法进行影像匹配,同时使用随机抽样一致算法剔除粗差点,以保证匹配点的数量及准确度. 根据全景影像的透视投影几何模型,能改进常规摄影测量中的光束法,可用来求解全景影像姿态. 提出一种针对全景摄影测量的前方交会算法,将空间直线方程变换后建立法方程,并进行平差解算. 实验表明,该方法相比于传统方法有更高的精度,可准确测算全景影像上的物点坐标.     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak, CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering, DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%...     

一种基于体素八叉树的碰撞算法研究

碰撞检测算法是虚拟仿真系统中的关键技术。本文利用OPENGL和CHAI3D库实现对模型的视觉和触觉渲染。同时,针对复杂的软体模型,采用一种多方向体素算法和哈希算法来存储模型的离散化数据。碰撞算法采用包围盒和空间分解的混合算法,粗略碰撞利用八叉树判断两个模型是否在同一节点内,精确碰撞是通过基本片元的距离计算来确定是否发生碰撞。仿真结果表明,该算法可以有效实时反馈碰撞点的位姿和反馈力。     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak,CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering,DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%,在计算效率和精度方面均优于其他两种方法。     

改进Faster R-CNN算法及其在车辆检测中的应用

为了更准确地得到符合车辆形态学特征的初始候选框,提出一种基于改进的Faster R-CNN模型的车辆检测算法.首先提取目标框的人工标注坐标值,得到标注框的宽度和高度,然后利用K-means算法对所有框的宽高值进行聚类,得出聚类中心点坐标值后,重新设置RPN的锚盒尺寸及比例,对Faster R-CNN算法的3种尺寸和3种比例加以改进.最后选择轿车、SUV、客车和货车4种车型车辆数据,对改进前后的Faster R-CNN模型进行训练,比较改进前后的模型在车辆检测及车型识别任务中的表现.实验结果表明,使用改进的Faster R-CNN模型达到86.54%的检测准确率,较原始模型提高3.12%.并且该模型有效解决了漏检和误检问题,在恶劣天气和复杂背景下均表现出较高的鲁棒性.     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

CT用于非人体目标几何体的三维重建

当被扫描物体存在镂空、遮挡和狭小空间时,需要大量图像拍摄或激光扫描工作;利用三维点云构建三角网格时,需要大量人工交互操作,且三维面绘制容易丢失特征信息。为解决上述问题,提出了采用CT对非人体目标几何体进行三维重建,再用体绘制进行显示的方法。基于医用CT对瓷器、陶器、木器和青铜器等材质的工艺品进行三维扫描,直接基于体绘制算法进行三维显示,同时提取CT图像轮廓点实现面绘制建模。结果表明,CT扫描重建精度高、体绘制效果好且人工工作量小、速度快。因此CT扫描及体绘制在非人体目标的三维重建中具有可行性,并且可以提高效率和精度。     

基于通道特征聚合的行人重识别算法

在基于深度学习的行人重识别算法中,通道特征易被忽视而导致模型表达能力降低。为此,以ResNeSt50为骨干网络,借鉴SENet通道注意力特点在残差块末尾接入SE block,增强网络对通道特征的提取能力;针对ReLU函数因缺少控制因子而限制不同通道特征图对激活值的准确响应问题,引入一个动态学习因子来丰富通道特征权重信息,以形成新的加权激活函数Weighted ReLU(WReLU);基于分组卷积特征图局部而设计新的激活函数Leaky Weighted ReLU(LWReLU),有效提高不同位置的深度特征表达能力;在Split-Attention和SE block中应用LWReLU,改善Split-Attention对各组特征图的权重学习能力;利用circle loss改进损失函数,优化目标收敛过程,从而提高模型精度。实验结果表明：在CUHK03-NP、Market1501和DukeMTMC-ReID数据集上,所提方法的Rank-1比原骨干网络分别提高了19.08%、0.98%、2.02%,且其m AP比原骨干网络分别提高了17.13%、2.11%、2.56%。