基于立体视觉与特征匹配的点云目标识别算法

准确提取三维点云数据中待测目标的点云集合是三维点云目标识别技术的一个关键问题,也是近年来目标识别领域从二维向三维拓展的一个重要挑战,其主要难点在于快速寻找离散点云之间的相关函数关系。结合立体视觉与特征匹配构建了可以表征不同视场条件下的目标点云约束的机制,通过采用立体视觉作为约束条件完成了对原有特征匹配算法的优化。设计了基于立体视觉的估计算法,通过训练学习获得了不同选取比例条件下的识别规则。实验采用ARIES激光雷达采集点云,并通过MATLAB选取三种典型目标状态。当目标区分度高时,优化前后的目标识别率都在98%以上;当目标区分度低时,优化后对目标边界的限定条件可以很好地提高识别概率。采用优化的点云数据位置偏差量可达到0.55 mm,相比未优化的0.74 mm提高了0.19 mm。同时,优化后算法的收敛时间曲线要优于未优化的,3000点以上的收敛时间均值约为8.33 s,优于未优化的12.76 s。综上所述,优化后的算法具有更好的识别效率。     

一种基于飞行时间相机的点云目标提取方法

基于飞行时间(Time of Flight,TOF)原理的深度相机成像方法不同于二维图像来计算三维信息,而是通过光在空气中的飞行时间,来计算出目标的距离,从而直接获取场景目标的三维点云信息。本文通过研究基于飞行时间红外相机的三维重建技术,设计了一种基于飞行时间红外相机的点云目标提取方法。利用飞行时间相机直接获得场景的三维点云数据,提出一种双阈值空间滤波算法,对点云数据进行空间滤波,并对滤波效果进行了对比评价。在双阈值空间滤波算法的基础上提出了一种改进的基于法向量的随机抽样一致性(RANSAC)算法,实现了对三维点云数据的目标提取,为基于飞行时间相机的场景目标三维重建奠定了基础。     

基于激光雷达与红外图像融合的车辆目标识别算法

为了提高车辆目标在不同测试条件下的识别效率,降低系统的漏检率和误检率,提出了一种基于激光雷达与红外图像融合的车辆目标识别算法。该算法利用目标原点矩参量表征目标的红外特征,用匹配相似度表征目标的点云特征,再经过轴系对齐和尺度变换实现图像融合。实验采用激光雷达与红外同轴光路获取的两类数据进行图像融合,再利用目标匹配阈值进行迭代筛选,最终识别车辆目标。对比了1帧、20帧和40帧图像中具有不同属性的车辆目标识别效果,结果显示,本算法输出的目标识别区域正确适当。在1000帧图像的多种测试条件的实验中,本算法的漏检率均小于100,误检率均小于50,明显优于传统的距离向数据分类法和光谱分类法,验证了其具有较好的鲁棒性。     

基于改进RPN的车载导航目标识别技术北大核心CSCD

车载导航是无人驾驶的一项关键技术,而其主要技术难点是动态避障,即实时目标识别与反馈控制。为了能够实时获取车辆周围目标的运动状态,提出了一种基于三维点云数据快速体素化分析的识别算法。该算法以极坐标系替代直角坐标系,直接与车载激光雷达建立映射关系。再通过区域推荐网络技术中对区域框的限定计算完成可表征目标特征的准确定位。实验采用开源数据库KITTI中的点云数据进行验证,对比了动态目标(汽车、摩托车、行人)和静态目标(树木、楼宇)之间的点云特征。识别结果与两种常用的三维目标识别算法进行对比。结果显示本算法的最优平均精度为88.45%,最优平均方向相似度为93.27%,相比常用的SECOND算法对动态目标的识别具有更好的效果。验证了其可行性,其在车载导航目标识别领域具有一定的优势。     

基于曲率关键点的点对特征三维目标识别

精准的三维(three-dimensional,3D) 目标识别对于机器人自主抓取至关重要,针对目前基于原始点对特征(point-pair feature,PPF) 的三维目标识别算法中存在识别速度慢、严重遮挡场景下识别率低的问题,提出了一种基于曲率关键点的点对特征三维目标识别算法。该算法根据点云法向量邻域夹角均值,快速估算点云曲率,以此提取关键点,通过对关键点计算点对特征,剔除了模型点对特征哈希表中存在的大量冗余点对。使用结合位姿聚类和假设检验的位姿优化算法,首先通过位姿聚类对候选假设位姿进行优化,其次位姿聚类后采用ICP (iterative closest point)算法对候选位姿进行细化,最后利用基于重合度计算匹配分数的假设检验算法滤除错误假设并得出最佳假设位姿。实验结果表明,在公开数据集上,所提方法能够获得95.2%的平均识别率,减少模型点对特征哈希表构建时间并且提高在严重遮挡场景下的识别率。     

基于贝叶斯分区数据挖掘的光纤网络异常分析算法

光纤网络通信中异常信息的快速、准确识别是保证通信稳定的关键,随着光纤网络通信数据的激增,也成为了近年来的一个研究热点。文中结合异常信息识别算法的精度与收敛速度之间的制约机理,提出了基于贝叶斯分区数据挖掘的异常信息识别算法。首先,采用贝叶斯定量完成数据样本的特征分类,通过极大化分析修正先验概率;然后,依据异常信息的不同类型设置挖掘特征参数及概率化系数;最后,依据贝叶斯分区分别对样本数据进行具有针对性的数据挖掘。实验以光纤局域网的通信状态数据为样本,将该算法与人工神经网络算法和遗传算法的识别结果进行对比,计算了三种算法的识别正确率、收敛速度以及算法稳定性。该算法的识别正确率均值为93.83%,在数据量增大时未发生明显的降低。收敛速度与遗传算法相近,均值为3.25 s。漏检率和误检率均值分别为0.10%和0.54%。结果表明:该算法识别正确率与收敛速度均得到了提高,稳定性好,并能够在漏检率与误检率之间通过参数控制进行微调,具有较好的应用价值。     

基于改进PointPillars的激光点云三维目标检测

针对复杂场景下三维目标检测算法对小目标物体识别精度不高、容易出现错检漏检问题,提出一种基于改进PointPillars的三维目标检测算法,利用锥形点云获取物体的边界信息,抑制环境噪声造成的干扰;设计一种空间自注意力模块,捕获点云支柱间的全局上下文信息和空间信息,扩大点云特征感知范围,提升小目标物体识别在复杂场景下的鲁棒性;改进主干网络的下采样模块,采用ConvNeXt v2模块增强网络的特征提取能力。在KITTI数据集上的测试结果表明,相比PointPillars原始网络,改进算法在汽车、行人、骑行者类别上的平均检测精度分别提升了3.73%、5.89%、5.7%,证明了所提出方法的有效性。     

基于激光谐波调制的深孔内壁三维面型分析系统

为了快速精确地获取深孔结构内壁三维面型,从而分析深孔加工质量,提出了一种基于激光谐波调制的线型扫描系统,设计了可深入深孔结构的反射式光学系统。研究了通过时间窗滤波的谐波匹配点云优化算法,该算法利用谐波调制相位范围对近轴线扫描区域进行阈值分离,从而完成点云数据的滤波。实验针对三种不同类型的深孔进行了测试,并采用Handyscan三维成像仪进行了点云数据对比。文中对5 cm×5 cm的内壁区域进行了量化分析, 对比了优化前后的三维点云图像。优化前的点云中明显包含很多杂散点,综合平均偏差为0.53 mm,而采用优化后,噪声被有效抑制,综合平均偏差降为0.12 mm。在x轴方向上,系统位置偏差均值为0.240 mm,在y轴方向上,系统位置偏差均值为0.228 mm。由于优化后降低了需要计算的点云总量,故其收敛速度也有一定的改善,在3000点以上趋于稳定,约为优化前用时的65.8%。可见该系统适用于深孔内壁三维面型检测,为深孔测试与数据降噪提供了新的思路。     

基于改进FAST的电力工程图纸识别与校核技术

针对人工评审电力施工图预算工程量过程中存在的耗时费力及准确性较低等问题,设计了一种基于改进FAST算法与VGG网络的工程图纸识别与数据校核模型。该模型针对传统FAST算法误判率高、抗噪声性能差等不足,提出了基于积分核的改进FAST算法,以降低角点检测误判率和检测时间。并采用VGG网络进行输入特征与图纸数据校核之间的关联分析,从而实现了电力工程图纸符号智能识别与电力工程量的智能校核。算例验证结果表明,所提IFAST-VGG算法对图纸识别与工程量校核的平均准确率分别为90.6%和91.6%,均高于其他对比算法,可以应用于实际工程中。     

基于视点特征直方图的激光点云模型的位姿估计

提出一种基于视点特征直方图的点云模型位姿估计 算法。首先在目标物体周围采 集三维点云,拼接后获得物体的完整点云模型;然后对点云模型计算其视点特征直方图, 构建特征数据 库;对待估计点云同样计算其特征直方图,使用KNN算法在数据库中搜索与之最接近的位 姿作为初始位 姿估计值;最后使用迭代最近点(ICP)算法将待估计点云精确配准到模型点云,从而获得坐 标系之间的相 对位姿。实验表明,这种方法对于物体位姿识别有很强的稳健性,能很好实现目标物体的 三维位姿计算。     

远距离监视激光雷达动目标快速检测

激光雷达具有全天候工作、探测精度高、有效探测距离远、易获得三维信息等特点,但工作在远距离模式时,目标点云比较稀疏。当前便携条件下,基于深度学习的算法在激光雷达点云数据直接目标识别时,实时性和成功率尚不能达到远程监视实际工程的要求。针对实际工程中利用激光雷达检测运动目标进而实时引导高分辨率相机的需求,采用基于变化的检测方法,对远距离条件下激光雷达的运动目标检测方法进行了研究,利用点云数据的距离信息,给出三维单高斯模型和三维高斯混合模型检测动目标的过程和方法,提出了利用杂波图恒虚警率检测法处理点云数据的方法。实验表明,与二维图像动目标检测方法相比,三维单高斯模型法会很大程度提高检测准确性,降低虚警率,但仍然存在较高虚警率。为适应复杂三维场景,采用基于三维高斯混合模型的方法进一步降低了虚警率,但也降低了检测速度;而杂波图CFAR的方法具有很高的实时性,同时也具有较好的检测性能。     

基于注意力机制的实时车辆点云检测算法

针对现有激光点云目标检测效果、实时性差的问题,提出了一种基于注意力机制的实时车辆点云检测算法。本文所提出的检测算法将注意力机制算法与YOLOv3相结合,利用注意力机制对点云鸟瞰图的特征进行权重分配,以学习不同通道和空间下特征的相关性,并通过CIOU loss和Focal loss来改进检测器的损失函数。实验结果表明基于注意力机制的车辆点云检测算法检测速度可达30帧/秒,车辆目标的平均检测精度达到了92.5%。并且在实车数据测试中,该算法能快速准确的对一定范围内车辆进行准确识别,并且达到实时检测效果。     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。     

一种基于广义累积和的多波段红外变异点目标检测方法

在红外搜索跟踪应用中,对突然出现和消失的变异点的检测一直是个亟待关注和研究的重要课题。随着多波段红外探测系统的应用,提出一种基于广义累积和的红外目标运动轨迹序列检测新方法,将检测波段从单波段扩展到多波段,从而保证虚警概率不大于某一定值的情况下,使多波段变异点探测概率增大或使所需的信噪比和平均检测时延大大减小。数据仿真表明,这一方法在红外变异点目标序列检测方面具有良好的效果,在虚警概率一定的情况下,信噪比检测门限可降低至传统方法的60%,双波段变异点平均检测时延约减少为传统检测方法的1/2。     

基于增强型轻量级网络的车载热成像目标检测方法

车载热成像系统不依赖光源,对天气状况不敏感,探测距离远,对夜间行车有很大辅助作用,热成像自动目标检测对夜间智能驾驶具有重要意义.车载热成像系统所采集的红外图像相比可见光图像具有分辨率低,远距离小目标细节模糊的特点,且热成像目标检测方法需考虑车辆移动速度所要求的算法实时性以及车载嵌入式平台的计算能力.针对以上问题,本文提...