共查询到10条相似文献,搜索用时 218 毫秒
1.
分析了应用于三维曲面重构中的神经网络和自适应模糊神经网络两种算法,并结合具体的应用例子对两种算法在物体三维模型重建及曲面再现中的优劣进行了比较.试验结果表明,在相同的网络模型训练时间及模型充分收敛的前提下,自适应模糊神经网(ANFIS)算法比神经网络(ANN)算法具有更快的收敛速度和更高的重构精度,而且ANFIS更适合对表面复杂的三维物体进行模型重构和曲面再现. 相似文献
2.
3.
4.
提出一种基于脉冲耦合神经网络(PCNN)的点云曲面去噪算法.该算法主要分为两步:噪声点定位和噪声点滤波.首先针对点云曲面构建一个PCNN神经网络,各个神经元的外部刺激值由邻近点的几何位置差异和法向差异构成,利用神经元输出的自适应点火捕获特性,实现了噪声点的定位;而后针对点云曲面中的噪声点,基于网格光顺中双边滤波的思想,实现噪声点的滤波,对于非噪声点,则保持原有的几何位置不变.实验结果表明,由于区分了噪声点和非噪声点,该算法较传统的点云曲面去噪算法能更加有效的去除噪声的同时并保持模型的几何特征. 相似文献
5.
针对传统的曲面重构算法效率低下和繁琐的问题,提出一种基于线结构光测量获得三维点云数据和NURBS算法曲面重构方法。利用线结构光的非接触性、高效率和高精度的特点获取三维模型的三维数据并且能够避免视觉测量中的配准问题,然后利用高斯滤波、非均匀网络压缩原理、八叉树算法对三维对云数据进行去噪、压缩、数据索引后,有效提高了数据的重构效率,最后采用NURBS算法对曲面进行重构。以普通硬盘为例,运用所提方法进行曲面重构,实验表明曲面重构方法比传统曲面重构方法速度更快,误差小于0.05 mm,具有很好的精确性和高效性,为以后的曲面重构研究领域的提供了重要的研究方法。 相似文献
6.
7.
在常规的车辆目标检测中,YOLO,SSD,RCNN等深度模型都获得了较好的检测效果,但是在无人驾驶系统中,车辆的速度、方向、相对距离等因素对于系统来说十分重要,所以采用二维车辆检测对于驾驶场景的理解还远远不够。激光点云数据蕴含着丰富的三维环境信息,融合点云数据和深度网络的三维车辆检测已成为未来的发展方向。文章给出了一种基于点云网络与卷积神经网络的三维车辆检测方法,首先,使用CRC和输入尺寸有关的SDP技术来提高车辆检测的准确性;其次,采用点云网络结构(Pointnet)来处理点云数据,实现三维目标检测,研究表明设计网络结构在检测精度上有着较大的优势。 相似文献
8.
为了提高现有的三维坐标定位技术的测量精度、稳定性和测量效率,提出了基于深度学习的点衍射干涉三维坐标定位方法。该方法设计了一个深度神经网络用于点衍射干涉场的坐标重构,将相位差矩阵作为输入,构建训练数据集,将点衍射源坐标作为输出,训练神经网络模型。利用训练有素的神经网络对测量到的相位分布进行初步处理,将相位信息转换为点衍射源坐标,根据得到的点衍射源坐标进一步修改粒子群算法的初始粒子,进而重构出高精度的三维坐标值。该神经网络为建立干涉场相位分布与点衍射源坐标之间的非线性关系提供了一种可行的方法,显著提高了三维坐标定位的精度、稳定性和测量效率。为验证所提方法的可行性,进行了数值仿真和实验验证,采用不同的方法进行反复对比与分析。结果表明:所提方法的单次测量时间均在0.05 s左右,其实验精度能够达到亚微米量级,重复性实验的均值和RMS值分别为0.05μm和0.05μm,充分证明了该方法的可行性,并证明了其良好的测量精度和可重复性,为三维坐标定位提供了一种有效可行的方法。 相似文献
9.
针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致;其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据;最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测. 相似文献