基于F-PointNet的3D点云数据目标检测

针对目前3D点云目标检测模型检测精度不高的问题,研究使用直接处理点云数据的F-PointNet模型检测汽车、行人和骑车人,并对模型进行微调,进一步提升模型的目标检测精度。试验中使用不同的参数初始化、$ell $₂正则化和修改卷积核数的方法对模型进行测试。试验结果表明, Xavier参数初始化方法收敛速度比截断正态分布方法快0.09 s,同时汽车和骑车人检测精度分别高出大约3%和2%;增加$ell $₂正则化,行人检测精度和骑车人检测精度可提高大约2%和1%;对T-Net(Transfrmer Networks)第一层卷积层的卷积核数减少为128后,汽车和骑车人检测精度分别提高了大约1%和2%,表明本模型能有效地提升目标检测精度。     

基于F-PointNet的3D点云数据目标检测

针对目前3D点云目标检测模型检测精度不高的问题,研究使用直接处理点云数据的F-PointNet模型检测汽车、行人和骑车人,并对模型进行微调,进一步提升模型的目标检测精度。试验中使用不同的参数初始化、$\ell $₂正则化和修改卷积核数的方法对模型进行测试。试验结果表明, Xavier参数初始化方法收敛速度比截断正态分布方法快0.09 s,同时汽车和骑车人检测精度分别高出大约3%和2%;增加$\ell $₂正则化,行人检测精度和骑车人检测精度可提高大约2%和1%;对T-Net(Transfrmer Networks)第一层卷积层的卷积核数减少为128后,汽车和骑车人检测精度分别提高了大约1%和2%,表明本模型能有效地提升目标检测精度。     

基于残差网络与特征融合的改进YOLO目标检测算法研究

以深度学习为基础的YOLO目标检测技术因检测速度快,而广泛应用于实时目标检测领域中,但其检测准确率不高,尤其是对小物体的检测能力较差。针对上述问题,本文提出一种改进模型——R-YOLO。该模型将残差单元引入YOLO目标检测,既可以通过增加网络的深度,提高网络的准确性,又可以利用残差网络的快捷连接方式,以保证检测的实时性。同时结合CBNet结构,增强语义信息,进一步提高R-YOLO的准确性。最后在改进的YOLO模型中通过特征金字塔融合,结合不同阶段卷积层输出的特征信息,使得融合后的特征图同时具有深层次的语义信息和浅层次的位置信息,以提高对小物体的检测准确性。在Pascal数据集上的实验显示R-YOLO在准确率上较YOLO提高了7.6个百分点,对小物体的检测结果更准确。结果表明,残差单元和特征金字塔融合的引入有效改进了YOLO网络模型的检测性能。     

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。     

基于KFCM的三维点云精简算法

毫米波雷达、TOF相机等扫描设备捕获的点云包含大量的冗余信息与噪声点,降低了点云配准的精度与处理效率．针对上述问题,提出基于KFCM的三维点云精简方法,将原始扫描点云以核函数映射至特征空间,同时更新聚类中心及隶属度矩阵,利用加权误差平方和建立目标函数且以其收敛为算法终止标准,最终将聚类中心作为精简结果输出．实验结果表明,可在良好保持点云基本特征的前提下降低源点云分辨率以达到精简效果,且可通过调节参数控制输出点云的疏密程度,在与配准任务的适应性实验中可满足ICP等配准算法的需求．     

运动点目标的检测识别方法

主要研究点目标检测技术，提出了点目标检测技术的难点。简介４种点目标检测的方法，最后主要叙述采用ＴＤＬＭＳ自适应滤波法来检测识别红外图像的运动点目标。     

基于真实三维人体点云的特征参数提取

针对真实三维人体点云数据,提出一种快速提取人体特征参数的方法。首先对点云数据进行预处理,并将人体中心点转化为坐标原点,然后利用人体几何形状以及特征参数的定义,通过分层探索法来定位人体特征点,最后利用人体特征点得到相应的特征截面信息,使用边缘识别法提取特征轮廓边界点,对于不同人体体型,基于人体几何形状分析法自动识别正常和肥胖人体体型,有效地计算不同体型的真实特征参数信息。数值实验说明了该方法的有效性。     

基于竞争注意力融合的深度三维点云分类网络

为了提高三维点云深度网络分类模型对全局特征的提取与表达能力,增强模型对噪声干扰的鲁棒性,提出可迁移应用于不同分类网络的竞争性注意力融合模块,学习多层级特征的全局表征和中间特征内在相似度,对中间特征通道权值重分配. 在基准网络Pointnet++和PointASNL中嵌入所提模块并进行实验,结果显示：所提模块具有独立性和可迁移性,聚焦更利于三维点云形状分类的核心骨干特征. 与基准网络相比,所提模块在保持分类精度稳定不下降的情况下,模型对点云扰动噪声、离群点噪声和随机噪声的抗干扰能力增强,在随机噪声数分别为0、10、50、100、200的情况下,准确度分别达到93.2%、92.9%、85.7%、78.2%、63.5%. 与传统滤波方法相比,端到端的学习减少预处理步骤和人工干预过程,同时具有更优的抗噪性能.     

基于点云数据的预制叠合板尺寸质量智能检测方法

为保证预制叠合板在施工现场能顺利安装,在出厂前通常需要对其进行尺寸质量检测,现有预制叠合板的尺寸质量检测方法难以全面准确地测量叠合板的实际三维尺寸。提出一种基于预制叠合板点云数据的多尺寸质量智能检测方法。对采集的点云数据进行预处理后,利用机器学习算法完成预制叠合板点云的自动定位与分割;依据不同的检测任务,将目标点云沿不同方向降维,映射为二维灰度图像;利用图像特征检测算法,分别实现叠合板底板的长宽、预留胡子筋的出筋长度与间距及桁架钢筋高度的自动检测;在验证试验中,对3块预制叠合板的点云数据进行尺寸质量检测。结果表明,提出的智能检测方法能全面准确地完成预制叠合板出厂尺寸质量检测,能进一步提高预制叠合板非接触质量检测结果的科学性与精准性。     

地面三维激光扫描点云的多站数据无缝拼接

针对如何将多站分块扫描的点云无缝地拼接为一个整体以完整地表达扫描对象几何形态的问题,基于测量平差理论,提出了一种简单易行的多站扫描数据无缝拼接方法.首先根据与相邻前一扫描站相重叠的扫描区域内的同名标志点按附有限制条件的间接平差模型求取坐标转换参数,再对序列坐标转换参数按闭合条件进行加权误差分配,得到各站扫描点云的最终坐标转换模型,并依此坐标转换模型对各站扫描点云进行坐标变换,将它们统一到项目坐标系下,最终得到多站扫描点云的无缝拼接结果.对多站扫描的建筑物点云数据进行整体拼接实验,证明了本方法的可行性和有效性.     

基于卷积神经网络的仓储物体检测算法研究

针对仓储环境中物体检测公开数据集匮乏的问题,通过摄像机采集真实仓储环境中包含货物、托盘和叉车的大量图像进行标注,创建了一个仓储物体数据集. 同时针对传统物体检测算法在仓储环境中检测准确率较低的问题,将基于卷积神经网络的DSOD应用于仓储环境中,通过在自己创建的仓储物体数据集上从零开始训练DSOD模型,实现了仓储物体的准确性检测. 该算法的mAP达到了93.81%,比Faster R-CNN、SSD分别提高了0.04%、1.44%; 并且模型大小仅有51.3 MB,比Faster R-CNN、SSD分别减小了184.5 MB、43.4 MB. 实验结果表明,该算法获得了较为满意的仓储物体检测效果,其在仓储物体检测领域具有一定的实用价值.     

基于点云的膝关节胫骨三维CT与MRI图像配准

同时利用CT和MRI图像对膝关节及胫骨疾病进行诊断和治疗,是目前临床上的常规方法。精确配准膝关节胫骨部分三维CT和MRI图像可以更有效地利用这两种图像中的组织信息。目前,基于图像特征或者图像灰度值的方法可以实现图像间的配准,但是都存在一些配准精度低或者时间复杂度高的缺陷。针对膝关节胫骨组织的刚性特征,采用一种基于骨组织表面重建的点云配准方法。首先对数据集进行骨表面重建,通过重建后的结果提取点云数据,对点云数据进行下采样并利用重心进行初始变换,最后利用ICP算法对点云数据进行配准。对该方法进行配准结果分析及配准精度实验,表明这种方法简单可靠并且配准精度较高。     

一种基于ResNet网络特征的视觉目标跟踪算法

针对复杂场景下目标容易丢失的问题,提出了一种基于深度残差网络（ResNet）特征的尺度自适应视觉目标跟踪算法.首先,通过ResNet提取图像感兴趣区域的多层深度特征,考虑到修正线性单元（ReLU）激活函数对目标特征的抑制作用,在ReLU函数之前选取用于提取目标特征的卷积层;然后,在提取的多层特征上分别构建基于核相关滤波的位置滤波器,并对得到的多个响应图进行加权融合,选取响应值最大的点即为目标中心位置.目标位置确定后,对目标进行多个尺度采样,分别提取不同尺度图像的方向梯度直方图（fHOG）特征,在此基础上构建尺度相关滤波器,从而实现对目标尺度的准确估计.在视频集OTB100中与其他6种相关算法进行了比较,实验结果表明,所提算法取得了较高的跟踪成功率和精确度,能够较好地适应目标的尺度变化、背景干扰等复杂场景.     

双Kinect联合扫描点云配准方法

大型场景或者大尺寸物体的三维重建无法由单台设备完成,而由多台设备采集得到的点云位置偏移较大,一般的点云配准方法无法达到三维重建所需的精度。该文提出了一种基于Kinect标定的点云配准方法。首先通过棋盘格标定算法对两台Kinect进行标定,然后利用标定得到的相机内外参数计算不同视角下点云数据间的运动参数,接着根据得到的运动参数,对原始采集的点云数据进行初始配准。在此基础上,采用改进的迭代最近点算法,对初始配准后的点云数据进行精确配准。实验结果表明,与直接采用改进的ICP算法相比,该方法配准结果无明显的错位现象,且计算速度提高了15%左右。     

基于姿态表示的航空影像旋转目标检测网络

由于航空影像复杂多变的视角, 目标呈现出拥挤、聚集及旋转等特点, 传统目标检测中的水平边框难以契合地表示目标的几何轮廓及位置信息。本文提出了单阶段基于姿态表示的旋转目标检测网络。该网络将不同旋转角目标表示成不同姿态, 通过检测目标的中心位置及回归4个顶点相对坐标来实现旋转目标的检测。同时使用了自适应特征金字塔网络, 利用可学习权重自动从多尺度特征中选择更具判别性的特征。针对航空影像高分辨率的特点, 提出选择性采样策略以提高网络训练效率和缓解网络正负样本不平衡问题。本方法在DOTA遥感数据集旋转目标检测任务上的平均精度(mean Average Precision, mAP)达到74.9%, 超过了现有单阶段甚至部分双阶段的方法。定性与定量的对比实验表明, 基于姿态表示的旋转目标检测网络具有设计简单、检测性能更高的优势。