基于分布式二维激光测距仪的室内行人检测与跟踪

针对多台二维激光测距仪的空间标定问题进行研究,提出了基于虚拟二面体的激光测距仪标定新方法,并将不同激光测距仪采集的激光数据映射至同一参考坐标系中。在此基础上,提出了激光高斯背景模型(LGM)对激光数据进行背景建模,检测出运动目标,然后通过DBSCAN算法对同一类的点云目标进行聚类分析。最后,通过行人运动模型并结合卡尔曼滤波算法实现行人在不同激光视场下的准确跟踪。在实验中,利用真实的室内场景对本文算法进行验证,并就视场角和不同光照条件下的识别率与现有算法进行对比。实验利用不同类型的二维激光测距仪对场景中的行人目标进行检测与跟踪。实验结果表明:利用多台分布式激光测距仪可在不受光照条件的影响下实现大视角的室内场景监控,利用本文算法能够从多台激光融合的点云数据中较精确且稳定地检测并跟踪行人目标。     

面向嵌入式系统的复杂场景三维目标融合检测方法

为解决复杂道路场景下,运行在嵌入式设备上的3D目标检测算法存在准确率低、实时性差等问题,提出了一种基于视觉2D目标检测和激光雷达3D目标检测结果级融合的方法。首先在YOLOv3算法的网络结构引入注意力机制,得到图像坐标系下2D目标检测结果;其次融合谱聚类和基于动态半径阈值的欧式聚类,得到点云坐标系下3D目标检测结果;最后通过相机和激光雷达联合标定统一坐标系,利用交占比(IOU)方法得到融合检测结果。实验结果表明：文中提出的多传感器融合检测算法,在KITTI 3D目标检测数据集表现良好,并可以在实车嵌入式平台进行部署,实时获得目标的多维信息,为智能汽车在路径上最近的车辆(CIPV)进行目标跟踪和轨迹预测提供了有效的数据支撑。     

红外云杂波下点目标检测算法性能评价

针对目前红外云杂波下点目标检测性能评价方法存在的局限性,提出了一种新的评价方法。首先,对影响检测性能的各要素,建立了杂波量化模型、探测器噪声模型和目标能量量化及传递模型;结合检测器理论,构造了算法性能表征参数。然后,将量化结果作为输入,利用基于遗传算法的BP神经网络建立量化结果与算法性能表征参数的数值关系。最后以Top-Hat算法和Butterworth滤波器为例,采用该方法评价并分析了其目标检测性能。实验表明,本方法误差在5×10-4以下,具有较高的评估精度。本方法将影响检测性能的耦合因素进行解耦合,通过该模型,不仅可以掌握算法性能变化规律,还能够为探测系统的总体设计和算法的选择提供依据,具有理论意义和工程应用价值。     

一种基于激光雷达传感器的行人检测方法

针对目前基于激光雷达点云的大多数特征不能描述行人目标的形状分布这一问题,本文提出了一种面向地面无人车辆的基于激光雷达传感器的行人检测方法。利用DBSCAN算法所有的非地面激光雷达点云进行聚类,并且提出了一种快速点特征直方图分布特征,用于训练支持向量机分类器进行行人的检测。本文在KITTI OBJECT数据库和一辆地面无人车辆上对方法的正确率和有效性进行了实验,结果表明:验证了本文提出的快速点特征直方图特征相比较于其他的激光雷达特征,可以有效提高行人检测的性能,同时能够满足地面无人车辆对行人检测的实时性要求。     

基于目标区域定位和特征融合的图像检索算法

提出了一种新的基于局部特征点的图像检索算法。首先将彩色图像转换成灰度图像,并利用Harris算子对灰度图像进行"角点"检测,根据"角点"的分布确定目标区域,然后在彩色图像目标区域中提取图像的颜色特征和空间特征表述图像内容。实验证明,该算法在查准率和查全率上要优于基于全局特征的算法。     

点云目标检测残差投票网络

高精度的三维目标检测是实现物体感知的关键技术,对自动驾驶、机器人控制等应用的落地具有重要意义.为提高三维目标检测的精度,对算法VoteNet改进,提出了一种基于残差网络的端到端的高精度三维点云目标检测网络ResVoteNet.具体来说,设计了适用于点云数据的残差网络骨架,提出了残差特征提取模块以及残差上采样模块,并集成...     

一种基于多帧积累粒子初始化的PF-TBD算法

针对低信噪比条件下传统粒子滤波-检测前跟踪(PF-TBD)算法粒子初始分布针对性不强而导致起始阶段检测和跟踪性能较差的问题,提出一种粒子初始化新算法.该算法首先利用目标幅度帧间的相关性,通过多帧的幅度积累,突出目标可能的位置;然后再根据这些位置初始化粒子,增强粒子分布的针对性,使粒子快速向目标真实位置聚集.理论分析和仿真结果表明,新算法提高了起始阶段目标的检测和跟踪性能.     

基于点云特征对比的曲面翘曲变形检测方法

针对目前曲面翘曲变形描述不充分、检测效率低的问题,定义自由曲面的翘曲变形描述方式,提出基于点云特征对比的曲面翘曲变形检测方法. 研究一系列算法,开展曲面单层点云提取,通过对比曲面实测点云与模板点云的空间位置获取翘曲变形区域;通过计算获得翘曲距离和翘曲张角,描述翘曲的变形程度和变化趋势. 实例分析结果表明,提出的方法不需要进行曲面重建,直接通过点云特征对比进行曲面翘曲变形分析,在保证精度的同时,在效率上比三维重建方法检测翘曲有了较大的提高.     

一种呈轴向分布的三维激光扫描点云数据的建模算法研究

基于三维激光扫描点云数据的空间实体三维建模是当前的研究热点.传统的三维建模算法均将扫描点视为固定框架点,在点位不动的条件下完成空间实体的建模.随着现代测量技术的快速发展,测量精度越来越高,甚至出现了精度过剩的现象,而实际的空间分析精度又普遍低于测绘成果,围绕这一特点,针对总体上呈轴向分布的三维激光扫描点云数据,提出了一种新的三维建模算法,在不影响视觉效果和空间分析精度的前提条件下,该算法将扫描点沿着轴线方向在一定的范围内进行移动,并以扫描点移动后的点位进行空间实体建模.该算法具有一定的创新性,同时实验证明了该算法的正确性和可行性.     

Kalman滤波-BP神经网络在执行机构自主定位中的应用

在执行机构对目标物体进行自主定位过程中,定位误差的实时计算、误差修正和状态分析往往比较困难.为此,提出基于三帧差法的Kalman滤波算法进行末端动态捕捉,利用反向传输（BP）神经网络分类思想进行目标识别,基于点云库的点云提取和处理算法,获得末端和目标物体的空间坐标.最后,将散乱点群进行网格化和3D空间插值.实验结果表明,算法能实时检测并跟踪运动末端,预测精度达到99%,且目标物体的识别率为99%,并可在短时间内修正定位误差,使末端中心点逐步收敛到目标质心,自主定位成功.用三维拟合法对算法的有效性进行验证,并对定位过程进行了状态分析.新算法能完成执行机构的自主定位,省去了相机标定过程,提高了系统效率.     

基于空间编码的仓储储量测量方法

为了解决仓储中物料的数量检测与监管问题,提出了一种基于空间编码的仓储储量测量方法。该方法通过建立两种基于空间编码的仓体标识模型,分别进行仓体的初始化图像和实测图像采集,结合图像处理技术,应用角点检测与图像配准等算法在数据处理后分辨出图像的特征信息,依据物料体积算法实现了仓储体积储量的智能检测。实验验证了该测量方法的可靠性,而且具有低成本、高效、算法简单等特点。     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

基于高精度地图增强的三维目标检测算法

将高精度地图信息融入主干检测网络中提出了基于高精度地图增强的三维目标检测算法（HME3D）。结合传统卷积和Transformer构建了新颖的地图特征提取模块（HFE）以实现地图特征的高效提取。此外,利用基于地图边缘增强的辅助监督网络（MEES）提升三维目标检测主任务的性能。最后,在具有挑战性的nuScenes数据集上验证了本文模型的优势,它相对纯点云基线模型精度提升了2.81 mAP。     

一种预拼装钢构件的点云自动分割算法

针对由非完整圆柱和特征相似平面组成的预拼装钢构件,提出了一种点云自动分割算法.首先通过降维投影对预处理后的空间点云做基于边界识别的空间分区,再采用随机采样一致性算法估计各分区满足几何约束条件的初值模型,并结合最小二乘拟合完成模型点云的二次过滤,达成对平面及圆柱模型点云的完整提取.在处理平面点云数据时,引入基于密度的空间...     

点云分割匹配的三维重建算法

对三维空间进行测量并获得空间模型的任务中,目前的配准算法无法拼接两帧重叠区域过小的点云。以ICP算法为基础,提出基于多重高斯概率模型的点群匹配拼接算法。通过点云欧式分割算法对点云聚类,得到对应的点云子集,求取子集的高斯模型,根据高斯模型匹配互为映射的子集,利用改进的最近点迭代配准算法求取旋转和平移矩阵,再利用求得的矩阵对分割前的点云进行坐标转换,最终实现与目标点云的拼接。实验结果表明多重高斯概率模型的点群匹配拼接算法解决了目前因重叠区域过小不能准确拼接点云的问题。     

一种新的非相干积累算法

针对宽带高分辨雷达体制下的未知速度运动目标检测问题,基于高分辨一维距离像提出一种新的非相干积累算法．首先利用改进的双向维特比算法估计目标速度及强散射点位置,提高了低信噪比下的估计精度,然后在强散射点周围选取待检测单元进行非相干积累,进一步提升了检测性能．两类飞机实测数据的多个实验结果表明,当目标发生距离走动的情况下,该算法性能相对传统的非相干积累算法有明显的提高．     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。     

散乱点云边界特征快速提取算法

摘要：提出一种散乱点云边界特征的快速提取算法,该算法采用R*-tree建立散乱点云空间索引结构,基于该结构快速准确获取局部型面参考点集,建立该点集的基准平面,计算点集内各点到基准平面的距离并将该距离与目标点到基准平面的距离进行比较,识别点云边界特征.实例证明该算法可快速、准确地提取散乱点云的边界特征.     

基于不同颜色空间的运动目标检测算法分析

视频图像运动目标检测是有效分类和跟踪运动物体的关键步骤。对于彩色图像,大多选择颜色特征作为运动目标的检测标准,而不同的颜色空间反映图像的信息不同。为此,本文分析了运动目标在多种颜色空间下的信息变化情况,以及不同色彩空间下的像素特征对目标检测算法性能的影响;比较了复杂背景环境下,基于不同颜色空间特征值的混合高斯模型算法的背景减除效果,以期为多种典型环境下颜色特征优选和算法优化提供理论基础和实践指导。实验结果表明:在RGB、YCrCb、HSV和Lab四种不同颜色空间中,基于Lab颜色空间的运动目标检测算法具有更高的检测率和更低的误检率,是一种能抗背景光干扰、适应能力较强、鲁棒性较好的检测算法。     

基于固态激光雷达的智能汽车目标检测算法

基于低成本的车载固态激光雷达,提出了一种动态目标状态检测方法.首先给出了针对目标位置和速度检测的总体框架,然后基于固态激光雷达的点云特点,提出了改进的RANSAC地面分割算法.在此基础上,进一步设计了求取运动目标相对速度的检测算法.最后,融合固态激光雷达和惯导数据,辨识交通环境中的运动目标,并获得目标的绝对速度.通过两...