基于改进欧式聚类的三维激光雷达点云目标分割方法

随着科学技术的发展,智能驾驶系统逐渐成为许多学者研究的目标.在这一研究领域中,激光雷达技术已经得到了广泛的应用,其中目标分割在智能车辆对周围环境的识别过程中起着重要作用.由于在对点云进行聚类分割时对相邻目标容易出现欠分割问题,针对这一问题本文提出了一种基于欧式聚类算法的改进方法.首先对点云数据进行预处理,包括下采样和地...     

基于激光雷达点云的小目标语义分割增强方法

为实现基于3D激光雷达点云数据对无人驾驶车辆行驶场景中的环境要素进行语义分割并且加强其对小目标的分割能力,针对KITTI激光雷达数据只有少部分包含小目标(行人、自行车等),且小目标出现频率不高的问题,提出对每帧含有小目标的激光雷达数据进行过采样;复制粘贴小目标进行增强;将过采样和增强后的数据预处理后输入卷积神经网络(Convolutional Neural Networks,CNN)的方法。对比基于KITTI数据集的激光雷达语义分割模型squeezeseg和pointseg,提出的方法在对小目标分割所达到的精度在种类和实例层面上分别提升了8. 7%和11. 3%,并且可以在小目标和大目标分割质量上做出选择。     

末敏弹线阵列激光雷达的距离像分割方法

为了增强末敏弹在不同场景下对地面装甲目标的探测识别性能,充分考虑末敏弹弹载线阵激光雷达的应用背景,提出了综合交叉扫描线法和梯度连通域的地物距离像点云分割算法,用以提高对地面和目标的分割效果。首先,将激光雷达扫描得到的原始距离信息转换为距离水平地面高度值,通过交叉扫描线法将空间斜面转化至水平面,增强不同地形上的适应性;然后,采用地面点云连通域算法提取地面点云和形态学梯度阈值法分割得到目标点云;最后计算了地物分割效果的几何相似度。实验结果表明:该算法对于正斜坡、侧斜坡等多种地形都有较好的适用性,在不同高度、地形、坡度都能够准确、有效地分割地物点云,进而提高末敏弹对装甲目标的识别性能。     

环境特征自适应激光雷达数据分割方法

针对目前激光雷达数据分割算法不能适应环境特征确定连续准确阈值的问题,提出一种环境特征自适应激光雷达数据分割算法。依据二维激光雷达的数据特点以及室内环境的几何特征,以激光雷达数据的邻近点拟合虚拟环境线,以虚拟环境线和邻近激光扫描射线的交点作为参考点,确定自适应阈值,完成激光雷达数据的预分割。针对用上述方法完成的数据预分割结果中存在的缺陷,提出数据预分割后伪断点的判断方法,对算法进行了优化。并将此算法与分段阈值分割算法、线性方程阈值分割算法进行比较和分析。环境特征自适应激光雷达数据分割算法对实验数据的分割成功率达到98%,具有更强的环境适应能力和更高的分割准确度。     

基于几何特征的点云分割算法研究进展

点云是3维图像的一种特殊数据形式, 正逐渐成为3维图像信息处理的研究热点; 点云分割是点云数据处理的重要步骤, 对算法的结果有直接影响; 基于3维图像几何特征的点云分割算法结构简洁、运算结果稳定性强, 且易于调整, 在实际应用中占有主要地位。对最近几年涌现出来的基于几何特征的点云分割方法进行了梳理, 根据每种方法的理论基础和应用特点将算法归纳为基于边缘检测、表面特征和模型拟合的点云分割方法, 分析了各类算法的特点和存在的主要问题, 并进行了算法性能比较, 分析了影响点云分割算法效率的主要因素, 最后对未来的发展趋势进行了展望。     

基于地面激光雷达点云数据的森林树木分布模式提取研究

针对传统方法获取大范围森林树木位置工作量大、效率低等不足,本文以2个落叶松样地为例,首先基于地面激光雷达点云数据获取树木的位置分布图,然后通过确定子样方中树木数量的方差与均值之比分析树木的分布格局,最后对随机分布模式和聚集分布模式进行模拟。结果表明,本文的2个样地树木分布模式均为规则分布;对于模拟的聚集分布样地,在其他模拟参数相同时,每个组群的树木数量m₂越大,树木的聚集程度越高,当m₂较小时,树木的聚集程度较低,其分布模式接近于随机分布。     

基于优化DBSCAN的激光雷达障碍物检测

针对激光雷达在检测道路障碍物的过程中,由点云数据密度不均而导致障碍物检测准确率低和实时性差的问题,提出一种优化的密度噪声空间聚类（DBSCAN）算法以提高道路障碍物的聚类效果。首先依据点云数据的反射强度信息对车道线进行检测,提取感兴趣区域;然后使用射线坡度阈值地面分割算法进行地面分割,实现对斜坡地面的彻底分割;最后提出一种自适应的DBSCAN算法,选取代表性的核心点以及自适应聚类半径,实现对不同距离密集障碍物的快速准确聚类。实验结果表明：所提算法能够对不同距离的密集障碍物准确聚类;与传统算法相比,所提算法的正检率提高24.07个百分点,平均耗时减少1.18 s。     

合并分割块的点云语义分割方法

随着激光雷达等三维点云获取工具的快速发展,点云的语义信息在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域更具重要意义。针对基于分割块特征匹配的点云语义分割方法无法处理过分割和欠分割点云块、行道树和杆状物的语义分割精度低等问题,提出了一种基于分割块合并策略的行道树和杆状物点云语义分割方法,该方法可对聚类分割后感兴趣的分割块进行合并,通过计算其多维几何特征实现对合并后的物体分类,并使用插值优化算法对分割结果进行优化,最终实现城市道路环境下行道树和杆状物的语义分割。实验结果表明,所提方法可将城市道路环境下的行道树、杆状物等点云数据的召回率和语义分割精度平均提升至89.9%以上。基于分割块合并的语义分割方法,可以很好地解决城市道路下行道树和杆状物语义分割精度低等问题,该方法对于三维场景感知等问题的研究具有重要意义。     

基于面阵三维成像激光雷达的目标点云分割技术

针对偏振三维成像系统的高效目标三维点云分割问题,提出一种多维信息融合的高效分割理念。系统采用高分辨率EMCCD相机作为面阵探测器,在一次成像过程中,可同时获得视场中的灰度图像以及三维点云数据。根据该成像特点,建立灰度图的像素坐标与点云数据像素坐标之间的点对点映射关系,结合粒子群优化算法的边缘分割方法,将灰度图中目标分割后的坐标信息映射到三维点云数据中,得到其三维点云数据。该方法将三维点云数据降维处理为二维图像处理,显著降低了计算复杂度,避免了点云数据误差对分割精度造成的影响。实验验证了多维数据融合目标三维点云分割方法的有效性。     

多分类器融合的快速高维特征聚类图像分割

提出一种多分类器融合的快速高维特征聚类图像分割方法,将图像高维特征数据的分类分解为基于灰度(颜色)特征的最佳模糊分类以及基于空域约束的统计分类等多个低维特征数据的分类.通过多分类器融合的方法将不同分类器得到的分类结果进行优化整合,得到最后的分类结果.实验证明:与其它图像分类算法相比,该方法拥有更好的分割性能并大大提高了计算速度,最大限度地保证了分割算法计算的简单有效性.     

基于聚类和小波变换的彩色图像分割方法

提出一种将聚类和小波变换相结合的彩色图像分割方法。首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色特征。利用小波变换得到每个分块的纹理特征,将颜色特征和纹理特征的组合作为对图像进行分割的依据。该方法将聚类算法和小波算法结合,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行分割实验,实验结果证明该算法的有效性。     

一种基于MRI图像的脑肿瘤组合分割法

从模糊的MRI脑肿瘤的图像中准确找出肿瘤,供医学临床使用。分别采用了2种分割方法：一种是改进的阈值方法,即在进行最大方差阈值法之前首先采用手动阈值法;另一种是采用圆形结构元素作为种子的形态学分割方法。这2种方法均实现了从低对比度MRI脑图像提取目标的要求。灵活使用阈值法和形态学分割方法与医学图像中,具有一定的临床实用价值。     

使用线性分割和序列合并的视频镜头分割方法

本文提出一种双向帧距离模型,基于帧距离双向对比,采用较低的全局阈值,使用线性遍历的方法对视频内容进行粗镜头划分成碎片序列集合和边界序列集合.然后通过比对每一个边界序列相邻的碎片序列内容的相似度,对粗划分的内容进行再合并,从而实现了用线性方法同时解决突变类镜头切换和渐变类镜头切换的镜头分割问题.     

基于稀疏表示的SAR地面目标分割技术

提出了一种引入先验约束的合成孔径雷达(SAR)图像的目标分割技术,以解决强杂波背景干扰下的目标分割困难问题。不同于基于统计理论的目标检测,文中利用目标图像切片在图像域的稀疏性,通过稀疏分解的方法构建目标特征窗函数实现目标的检测,并引入目标的形状先验对目标区域进行修正;然后,利用目标阴影的空间约束对基于统计检测的阴影区域进行修正,实现目标的分割;最后,基于实测数据验证了算法的有效性。     

基于区域特征合并的分水岭图像分割

传统分水岭变换图像分割方法容易造成过度分割,不利于后期的图像分析与处理。采用一种分水岭变换结合区域特征合并的方法,首先将原始图像进行形态学变换,获取梯度图像;再进行分水岭变换,并将运算后的结果进行基于区域纹理、灰度一致性及区域平滑性等特征的区域合并;最终获取分割结果。实验结果表明,与传统分水岭变换方法相比,该方法能够有效降低因噪声、明暗纹理产生的过分割现象,方法可行、有效。     

道路三维点云多特征卷积神经网络语义分割方法

针对道路场景下三维激光点云语义分割精度低的问题,提出了一种基于卷积神经网络并结合几何点云多特征的端到端的语义分割方法。首先,通过球面投影构造出点云距离、相邻夹角及表面曲率等特征图像,以便于应用卷积神经网络;接着,利用卷积神经网络对多特征图像进行语义分割,得到像素级的分割结果。所提方法将传统点云特征融入到卷积神经网络中,提升了语义分割效果。使用KITTI点云数据集进行测试,结果表明:所提三维点云多特征卷积神经网络语义分割方法的效果优于SqueezeSeg V2等没有结合点云特征的语义分割方法;与SqueezeSeg V2网络相比,所提方法对车辆、自行车和行人分割的精确率分别提高了0.3、21.4、14.5个百分点。     

基于最佳分段点估计的流媒体非均匀分段方法

摘要：针对命中率随存储的流媒体片段流行度变化的特征,提出了一种新的基于最佳分段点估计的流媒体非均匀分段方法,根据不同存储大小下的流媒体外部分界流行度对其内部最佳分段点进行估计,进而把每个视频分成高流行度段和低流行度段两个片段。实验结果表明,与均分分段相比,该方法能减少流媒体的片段数,提高缓存命中率。     

基于深度学习的点云分割研究进展分析

深度传感器及激光扫描技术的快速发展使人们可以轻易地采集到大量的点云数据。点云数据可以提供丰富的场景及对象信息,现已成为自动驾驶、虚拟现实、机器人导航等应用的首选研究对象。作为点云处理的有效手段,点云分割技术受到了各界的广泛关注。尤其是在深度学习的推动下,点云分割的精度和鲁棒性有了很大的提升。该文首先介绍了点云分割存在的问题与挑战,接着从间接、直接处理点云的角度对点云分割近年来的工作进行了对比分析,其中,间接的方法有基于多视图、基于体素的方法两类,对于直接的方法,该文将其归纳为5类,分别为基于点处理、基于优化卷积神经网络、基于图卷积、基于时序和基于无监督学习的方法。然后介绍了每个类别中具有代表性的方法的基本思想,并阐述了每个方法的优缺点。此外,该文还介绍了点云分割的常用数据集以及评价指标。最后对点云分类、分割技术的未来进行了展望。