基于卷积神经网络的三维物体检测方法

提出了一种新的三维物体检测方法.在物体定位部分,采用随机采样一致和欧式聚类算法分割三维物体点云以减少计算量;在物体识别部分,将物体点云转化为深度图像,利用k-Means聚类算法学习卷积核,利用卷积网络提取卷积特征,从而提高图像的识别率,并在2个公开的三维物体数据集上对所提出的特征提取算法进行测试.结果表明,与传统的点云特征提取方法相比,基于卷积网络的特征提取方法的识别率较高.     

基于深度学习的交通标志检测方法研究

提出了一种基于Faster R-CNN深度学习框架的交通标志检测方法,使用VGG16卷积神经网络自动提取交通标志图像特征,并将卷积特征图传入区域建议网络(RPN)中进行前景目标筛选及回归目标边框,将建议区域框映射到特征图上,经过RoI池化层后输出固定大小的建议框,利用分类网络对建议区域进行具体的类别判断,并精确回归目标的边框。并将算法在德国交通标志数据集GTSDB进行了实验验证,实验结果表明了所提出算法的有效性,该方法对不同光照、遮挡、标志模糊等具有鲁棒性。     

基于边缘卷积的三维目标识别算法

三维目标检测是实现无人驾驶必不可少的技术,但很多三维检测算法采用的分割算法并不能很好地提取局部特征,导致检测精度不理想。为了改善局部特征缺失的情况,提出一种基于边缘卷积的三维目标识别算法。本算法以激光点云和RGB(red, green, blue)图像作为输入,基于二维候选区域中的像素过滤激光点云生成视锥点云,以此提高检测速度。同时,在分割算法中,在点云的局部特征图的基础上计算目标点和相邻点之间的欧氏距离,并将其作为边缘特征赋予目标点和相邻点。此外,在卷积神经网络提取特征的过程中,每次卷积完成后都会在新的局部特征图上重新计算三维点之间的欧氏距离,为三维点构造新的边缘特征。这使得边缘特征能随着卷积神经网络的计算扩散到整个点云,从而提高局部特征的提取效果。本算法在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)的三维点云数据集上进行验证,分割精度达到92.82%,相比于F-PointNet提高了2.30百分点;对不同目标的检测精度也有所提高,车辆、自行车、行人的检测精度分别达到了85.77%,76.09%,53.08%。试验结果证明了本算法的可行性。本算法可应用于无人驾驶汽车,实现车辆、行人和自行车的定位与检测。     

融合边缘检测的 3D 点云语义分割方法研究

针对点云分割中分割目标不明确,边缘不清晰,全局特征与边缘特征未能有效融合等问题,提出 了一种融合边缘检测的 3D 点云语义分割算法。 首先,通过 3D 点云语义分割网络对点云数据进行初步提取 区域内的全局语义特征;然后,采用引入了注意力机制的语义边缘检测网络,能够更好地对点云数据中的物 体进行特征提取增强,抑制非边缘信息的产生,得到了具有丰富的语义信息的边缘特征;最后,通过融合模块 将属于同一物体的语义特征融合起来进行分割细化处理,使得分割目标更精确;此外,使用了双重语义损失 函数,使网络产生具有更好边界的语义分割结果。 通过搭建实验平台和使用 S3DIS 标准数据集进行测试,改 进后的算法在数据集上的平均交互比为 70. 21%,在精度上较 KPConv 语义分割算法有所提高。 实验结果表 明:该算法能够有效改善物体边界分割不清晰、边缘信息模糊等问题,总体分割性能良好。     

一种改进的单步多框目标检测算法

针对单步多框目标检测算法(SSD)中存在的误检、漏检以及检测精度不够高等问题,提出了一种改进的SSD目标检测算法。该算法通过空洞卷积替换conv4_3卷积层及之前的两次标准卷积,扩大感受野,使用反卷积对不同尺度的特征图进行融合,使融合形成的特征图具有丰富的上下文信息,最后为特征图添加注意力模型,有效提取感兴趣区域的特征。仿真实验结果表明,改进算法在VOC2007数据集上较原算法检测精度提升0.9%,检测结果更加准确,一定程度上改善了误检、漏检等问题,同时仍满足实时性的要求。     

改进YOLOv3的行人车辆目标检测算法

针对YOLOv3(you only look once version 3)对中小目标检测效果不理想的问题,提出改进算法DX-YOLO(densely ResneXt with YOLOv3).首先对YOLOv3的特征提取网络Darknet-53进行改进,使用ResneXt残差模块替换原有残差模块,优化了卷积网络结构;受DenseNet的启发,在Darknet-53中引入密集连接,实现了特征重用,提高了提取特征的效率;根据数据集的特点,利用K-means算法对数据集进行维度聚类,获得合适的预选框.在行人车辆数据集Udacity上进行实验,结果表明:DX-YOLO算法与YOLOv3相比,平均准确率(mean average precision,mAP)提升了3.42％;特别地,在中等目标和小目标上的平均精度(average precision,AP)分别提升了2.74％和5.98％.     

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于2D先验的3D目标判定算法

提出一种基于2D先验的3D目标判定算法.首先用轻量级MobileNet网络替换经典SSD的VGG-16网络，构建出MobileNet-SSD目标检测模型；其次，通过改进网络结构，提高模型对小目标的检测能力，并引入Focal Loss函数来解决正负样本不均衡和易分样本占比较高的问题；在相同数据集上，将改进算法与Faster R-CNN、 YOLOv3及MobileNet-SSD进行对比测试，其平均精度mAP分别提高了7.2%、 8.8%和10.6%;最后，通过改进算法获取ROI,利用深度相机将二维ROI转换为ROI点云，并借助直通滤波来判断目标物体是否为真实场景物体，既省去了传统点云识别中的诸多步骤又避免了点云深度学习中三维数据集制作难度较大的问题，在识别速度和识别精度上达到了较好的平衡.     

基于车载32线激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,由车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次按雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于关键点的点对特征三维目标识别算法

针对复杂场景下的三维点云目标识别速度慢,准确率低的问题,提出了一种基于关键点的点对特征三维目标识别算法. 通过直接对关键点建立点对特征,避免了周围邻域局部曲面的特征计算,具有空间维度小和计算速度快的特点. 使用哈希表存储,加快了特征匹配的时间. 利用快速投票方案对模型点云和场景点云进行匹配识别,生成候选位姿,利用贪婪算法对候选位姿进行聚类与筛选,采用ICP算法对物体位姿进行优化,基于配准后的点云重叠情况完成目标识别. 对提出的算法在多个数据集以及真实场景下进行了实验,验证了所提出的识别方法具有可行性和有效性,且对噪声的鲁棒性较强,具有一定的实际工程应用价值.      

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%.      

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

大型储罐的三维点云精简方法研究

针对大型储罐三维点云数据散乱、冗余点多等影响计算机显示及容积计算的问题,改进了一种储罐三维点云精简算法。该方法先利用均匀网格法,将待处理的三维点云数据分割成若干小栅格;然后根据随机抽样一致(random sample consensus, RANSAC)算法对每个栅格中的点云数据建立球模型,以保留特征点并滤除冗余数据点,达到精简点云的目的。将该方法与传统的均匀网格法和非均匀网格法进行对比,实验结果表明该方法在保证较高精简率的情况下可以更好地保留储罐点云数据特征。     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

三维图像重构的点云精简算法

为解决光学三维测量系统测量数据的精简问题,提出一种基于图像重构三维的点云精简算法.利用数字图像处理技术,建立数字图像像素点与三维数据点的对应关系表,采用分级方式建立查找表,根据建立的查找表对三维数据进行精简.实验结果表明：精简算法将数据从712 068个点有效地精简至132 064个点,文件大小也从21.6 M减小到4M.该方法能有效对数据进行精简,兼具基于距离和曲率精简的优点.