视觉深度估计与点云建图研究进展

即时定位导航(SLAM)是无人驾驶和机器人实现自主移动的关键技术.目前广泛应用于SLAM技术中的激光雷达传感器存在成本高昂、激光点云空间分辨率低及难以获得精确的语义信息等一系列问题.视觉传感器可以有效避免上述问题,但是在深度预测和建图等方面需要更复杂的算法.近年来,随着处理器算力的提升、数据集的丰富和新机器视觉算法的出...     

基于TOF与立体匹配相融合的高分辨率深度获取

深度获取在机器人导航、语义感知、操控和远程监控等领域有较高的应用价值。目前已有的深度获取方法包括深度相机(如TOF)和立体匹配算法。然而,深度相机有两个主要问题:易受噪声干扰和所得深度图分辨率较低。立体匹配能够获得高分辨率的深度图,但在弱纹理或重复纹理区域无法提取准确的深度信息。而深度相机却可以在这些区域提供深度信息。基于以上TOF深度相机和立体匹配之间的互补特性,提出了一种将TOF深度相机所得深度图与立体匹配所得深度图相融合的方法获取高分辨率深度图,实现优势互补。文中提出一种新的基于TOF与立体匹配相融合的高分辨率深度图获取方法,通过在弱纹理或重复纹理区域使用TOF深度获取方法和在复杂纹理区域使用立体匹配算法进行深度获取,最终获取高分辨率深度图。实验结果表明,本文的融合算法比单独使用两种方法能产生更好的视差图,而且较其他融合算法在准确度和速度上有所提高。     

深度成像理论与实现

传统成像获取信息不足,成像质量有一定局限性。为此,提出了一种深度成像模型。模型包含深度矩阵、分解函数、散焦算子、自适应正则项等部分。深度矩阵的获取有双目立体视觉、结构光或飞行时间法等实现方法;分解函数用于将图像按深度值的不同分割为若干子图像;散焦算子可以通过深度散焦法来计算;自适应正则项的引入能减少图像的阶梯效应,增强图像的光滑性。通过局部标准差和局部平均梯度这两个评价指标检验深度成像模型的效果。实验结果表明,深度成像模型效果显著。     

基于深度前馈网络的深度学习模型在XOR函数中的应用

文章首先介绍了前馈网络的基本原理。然后通过一个XOR小例子讨论部署一个前馈网络所需的每个设计决策。最后去面对那些只出现在前馈网络中的设计决策。     

基于视频加深度格式的立体视频技术分析

对现有视频加深度格式的立体视频进行了概括分析,简要介绍视频加深度的技术要点,即深度图像的获取、深度图像的压缩编码,以及图像的合成和质量的评价。同时提出了目前该格式存在的一些技术问题。该项技术尽管使现有深度提取技术有了很大进步,但建立精确的深度图仍然比较昂贵和困难。因此,如何获取高精度的深度图是该格式未来发展的关键,针对深度图像的压缩编码方案也需要进一步研究。     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息.然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准.最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割.实验结果表明,此方案可以比较完整的提取出人体区域.     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息。然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准。最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割。实验结果表明,此方案可以比较完整的提取出人体区域。     

基于深度融合的深度图像修复算法

提出了一种基于深度融合的深度图像修 复算法。对于单幅深度图像,首先利用形态学操作进行空洞区域优化,消除深度图像中的间 隙和随机噪声;然后针对迭 代滤波过程,提出一种新的深度融合策略计算深度值,并通过对空洞区域的分析,判断深度 图像中空洞区 域类型,自适应选择结构元进行迭代操作;最后利用局部深度值重建方法对受损的边缘处深 度值进行修复。 实验结果表明,本文算法在较好的修复深度图像中存在空洞和间隙的同时,能够保持原始深 度图深度值分 布规律,克服修复过程中存在的深度值失真,边缘模糊等不足。基于标准数据集Middlebury 的对比试验结果表明,本文算法与其它算法相比,获得了良好的效果。     

P2P流量监控技术分析

分析了P2P应用对互联网的影响，着重介绍了目前常用的P2P流量监控技术的基本原理以及存在的优缺点。     

舜宇智能光学带来了用于深度检测的芯片解决方案

舜宇作为全球领先的摄像头模组提供商已经广为人知,而在今年CES上,舜宇的子公司舜宇智能光学为我们带来了用于深度检测的芯片解决方案。深度检测自从苹果在iPhone X开始使用之后,已经得到了业界的广泛肯定。     

深度学习硬件方案综述

深度学习技术促进了人工智能的迅速发展,被广泛应用于各个领域.但深度神经网络模型规模庞大、结构复杂,对其进行优化需要耗费巨大的计算资源.随着计算机硬件的快速发展,各种加速器的处理能力显著增强,为深度学习提供了硬件基础.本文首先介绍深度学习背景及其对硬件的需求;然后对当前主要的硬件加速器进行对比分析;最后进行总结展望.     

环Z4上线性循环码的深度谱

Etzion定义并研究了域Fq上线性码的深度谱，该文研究了环Z4上线性码与线性循环码的深度谱，证明了4^k12^k2型线性码的深度谱至少含有k1＋k2个非零值，并给出了一类4^k型线性循环码的深度谱为{n，n-1，…，n-k＋1}。     

基于DRF-MAP模型的单目图像深度估计的改进算法

图像深度信息获取是机器视觉领域的活跃研究课题之一.将图像深度估计问题归结为模式识别问题,以单目图像深度为模式类,在多尺度下从图像块中提取绝对和相对深度特征,并选择表征上下文关系的DRF(Discriminative Random Field)方法来表述某图像块的深度和其邻域深度之间的关系,从而构建起基于DRF-MAP(Maximum a posteriori)的单目图像深度估计模型.通过实验,得到了一类单目图像对应的深度图像,从而证明了单目图像深度估计模型对应的改进算法的有效性.     

面向媒体融合的深度学习训练数据集研究

深度模型结构复杂,对其进行优化需要庞大的数据量和计算资源,训练数据库的规模和质量直接影响模型的效果.本文介绍了进行深度学习研究时常用的图像、logo、视频和音频等4类数据库,分别从数据库图像数目、类别、大小、训练/测试集划分和视觉任务等方面进行了阐述,并进行了总结.     

环Z_4上线性循环码的深度谱

Etzion定义并研究了域Fq上线性码的深度谱,该文研究了环Z4上线性码与线性循环码的深度谱,证明了4k12k2型线性码的深度谱至少含有k1 k2个非零值,并给出了一类4k型线性循环码的深度谱为{n,n-1,…,n-k 1}。     

基于DBF的汉语方言自动辨识

在汉语方言辨识中,传统的声学特征是语音信号的谱特征的参数化表示,常常包含说话人、信道、背景噪声等冗余信息,针对上述问题将深度神经网络(Deep Neural Network,DNN)引入特征提取之中,提出了与音素层面相关的深度瓶颈特征(Deep Bottleneck Feature,DBF),尝试从特征层面抑制方言冗余信息的影响.最后在实验部分对瓶颈层的位置,节点数目进行了讨论,结果显示,深度瓶颈特征相对于传统声学特征能够取得更高的识别率.     

基于局部注意力和位姿迭代优化的自监督单目深度估计算法

自监督单目深度估计在自动驾驶、智能制造等领域有着广泛的应用。然而由于自监督训练存在大量训练噪声,其估计精度受到了极大限制。针对自监督单目深度估计算法中深度估计精度有限的问题,本文提出了一种基于局部注意力机制和迭代调优的自监督单目深度估计框架。首先,对于深度估计网络,基于局部像素间深度值的高度相关性,本文设计了一种局部注意力机制来融合高分辨率特征图的局部特征,提升深度估计的准确性;其次,对于位姿估计网络,本文设计了一种迭代调优的位姿估计结构,利用残差优化的方式降低位姿估计难度,提升位姿估计的准确性进而提升深度估计网络的性能。实验表明,本文提出的改进自监督单目深度估计算法有效提升了深度估计的精度。      

基于一幅散焦图像的深度估计新算法

基于Pentland提出的散焦法（DFD）,考虑到物体表面点的连续性和物体边缘在散焦图像中的模糊性,提出了一种利用局部直线求取物体深度的算法。该算法只需1幅图像就能进行深度估计,因此能有效避免图像间的孤配问题与遮挡问题,计算量小、效率高、计算没有用到微分信息,对噪声不敏感,采用深度修正法进一步提高了其测量精度。实验结果表明,该方法稳定可靠,深度测量误差被控制在2％的范围内。     

一种改进的BP神经网络在手写体识别上的应用

传统的浅层学习神经网络虽然结构简单,算法速度快,但错误率较高,且容易陷入局部最小。文中采用深度结构的深度置信网,优化基于传统BP神经网的初始值,以获得较好的检测结果,并利用Dropout技术改进BP网络隐层单元,获得较快的运算速度。实验证明,经过DBN和Dropout改善后的网络错误率有明显降低,并且算法实时性得到了一定改善。