基于注意力机制的三维点云目标识别

针对现有基于深度学习方法的三维点云目标识别算法存在多层感知法缺少点间的特征交互、对点云间欧式距离的依赖、未考虑特征通道层面关联性问题,提出一种基于注意力机制的三维点云(PAttenCls)目标识别算法。采用基于点的空间注意力机制,挖掘各点之间的注意力值,实现自适应的云邻域选择;同时采用基于点的通道注意力机制,给特征通道自适应分配权重,实现特征增强。此外,在网络中添加了一个几何均匀化模块,以应对不同局部区域几何结构的不同特征模式。所提算法在ModelNet40数据集上的识别准确率为93.2%,在ScanObjectNN数据集最难子集上的识别准确率为80.9%,并在实测数据上验证了算法的有效性。实验证明了本文所提算法可以更好地提取点云的特征信息,使点云识别结果更加精准。     

基于三维彩色点云的物体识别算法

随着新一代深度传感器的出现,使用三维(3-D)数据成为物体识别研究的热点,而且提出了很多点云特征描述子.针对传统的采用点云形状特征描述子在目标描述方面的不足,提出了一种基于三维彩色点云的物体识别算法.首先提取点云数据的视点特征直方图(VFH)和颜色直方图(CH),然后对提取的形状特征和颜色特征分别通过支持向量机(SVM)进行预分类,最后将上述2个识别结果进行决策级融合.提出的算法在Washington RGB-D数据集进行训练和测试.结果表明,该方法与传统的采用点云形状特征描述子相比,其物体的正确识别率有了显著的提高.     

逆向工程中对离散点云的特征识别算法探究

基于逆向设计中点云处理的表面识别问题,本文提出了一种基于小波变换的离散点云数据的特征识别算法。首先将离散点云表示成小波变换可以处理计算的形式,然后在此基础上提出了具体的二维和三维离散点云的小波分解算法,最后引入实例,对二维离散点云的小波分解算法进行验证分析。实验结果表明本文提出的算法达到了对点云数据的特征分解的目的。将离散点云数据按特征分解从而提取出不同的特征成分,可以根据后期点云预处理的不同要求,将小波变换后的数据进行进一步的处理。     

逆向工程中对离散点云的特征识别算法探究

基于逆向设计中点云处理的表面识别问题,本文提出了一种基于小波变换的离散点云数据的特征识别算法。首先将离散点云表示成小波变换可以处理计算的形式,然后在此基础上提出了具体的二维和三维离散点云的小波分解算法,最后引入实例,对二维离散点云的小波分解算法进行验证分析。实验结果表明本文提出的算法达到了对点云数据的特征分解的目的。将离散点云数据按特征分解从而提取出不同的特征成分,可以根据后期点云预处理的不同要求,将小波变换后的数据进行进一步的处理。     

基于深度学习理论下电子海图与雷达图像船舶感知信息融合

基于深度学习理论,对电子海图与雷达图像船舶感知信息融合进行了研究,通过三维点云数据特征将满足要求的点云筛选出,并将点云数据在二维平面投影进行聚类.支持向量机(SVM)分类器和视觉显著性两种方法结合跟踪船只,采集正负样本并进行正负样本的方向梯度直方图特征提取,完成SVM分类器训练;通过训练好的SVM分类器识别视频图像的目...     

基于红外特征的三维目标识别算法研究

基于三维特征的目标识别存在相似点云域容易误判、总数据运算量大等问题,而造成目标检出率低和误判率高。为了提高目标识别准确度与速度,提出了基于红外特征的三维目标识别算法。系统同时获取目标区域的二维红外图像与三维点云数据,利用目标红外特性的显著特征获得目标的投影范围,并计算系统与目标的位姿关系。根据红外特征映射关系计算点云数据中目标的限定范围,由此大幅缩减需要匹配计算的点云总量。在相同背景条件下对同一目标车辆进行测试,记录分析了3种不同测试角度条件下的识别数据。结果显示,传统点云识别算法的目标检出率均值为93.4%,误判率均值为19.5%,收敛耗时4.77 s。本算法的目标检出率均值为98.7%,误判率均值为1.5%,收敛耗时1.23 s。由此可见,基于红外特征的目标识别算法的检出率和误判率都更有优势,且处理速度更快。     

基于三维视觉的室内设计虚拟现实方法研究

针对传统基于辐射度算法的室内场景三维虚拟现实方法存在耗时高、建模效果差的弊端,研究基于三维视觉的室内设计虚拟现实方法,采用主动式、全方位立体视觉传感器采集室内场景的三维点云数据,基于点云数据进行室内场景内的物体几何关系以及摆放位置分布,完成室内三维场景的自主合成,对物体摆放位置分布实施训练,通过三维场景点云数据集获取相同类型支撑物中物体产生的位置,对数据实施归一化操作,采用高斯混合模型拟合这些数据,训练出三维室内场景中物件在支撑面中的位置分布模型。采用基于深度信息场景重构方法实现室内三维场景的虚拟实现。实验结果说明,所提方法重构的室内场景直观、视觉效果好,并且具有较高的重构效率和精度。     

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。     

基于体素化网格下采样的点云简化算法研究

针对三维点云数据冗余量大、重建时间长、效率低等问题,提出一种基于体素化网格下采样的点云简化算法。该算法首先求出点云数据集的最小三维长方体包围盒,把点云数据划分进三维体素栅格中去;其次计算点云的k邻域,进行曲面法向量估计;然后,在三维体素栅格中选择满足要求的数据点,实现点云下采样;最后,调用Power Crust对下采样点云数据进行曲面重建,在三维可视化类库Visualization Toolkit(VTK)进行显示。实验结果表明,该算法能够加快三维点云数据的重建速度,较好地保持了点云特征,提高曲面重建的效率和鲁棒性,适合实时处理。     

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。     

基于空间图卷积的三维点云语义分割

随着科技智能化建设需求的提高，语义分割技术受到图形、图像领域内学者的广泛关注，其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此，提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征，并使用残差网增强特征的传递，对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题，同时，点云深度学习网络中，残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验，实验结果表明，PCGCN在ShapeNet数据集的准确率达到85.1%，在S3DIS数据集的准确率达到81.3%。     

基于瞬时特征谱的联合特征调制识别算法

传统调制识别算法的识别效果受信号的信噪比、成型脉冲形状、采样率等参数影响,适用范围有限。为了提高对具有不同参数的信号的识别正确率,通过对数字调制信号的瞬时特征进行多阶变换,基于变换后的功率变化和分布信息,提出了一种基于瞬时特征谱的联合特征调制识别算法。该算法以集成学习器XGBoost对数据进行训练,能够适应不同条件下的信号数据,使其识别正确率得到明显提高。仿真结果显示了该方法的有效性。     

双目线结构光三维煤矸识别技术

为了解决煤矿生产环境下附着的煤粉对煤矸识别正确率的影响,引入三维数据用于煤矸识别.通过模拟生产环境,搭建了双目线结构光煤矸三维成像系统,采集煤矸的三维信息;构建煤矸三维数据集,完成神经网络参数的训练和识别测试.测试结果显示对于经过清洗的煤矸三维数据,神经网络识别正确率为96.7％,对于未经清洗的煤矸三维数据,识别正确率...     

基于WHI及ICP的点云配准算法

针对两步点云配准中精度差、计算效率低、易受噪声干扰的问题,提出一种基于WHI特征描述符结合改进的ICP点云配准算法。首先,对大数据量的点云通过ISS算法提取特征点集作为配准点云;然后,计算特征点云的WHI特征描述符,利用随机采样一致性算法完成粗配准;最后,基于安德森加速迭代ICP算法对粗配准点云进行精确配准。通过多组点云数据集对所提算法进行验证,实验表明,该算法配准精度高、速度快,在含有噪声数据集的优势更明显。在不同的点云模型下,所提算法的配准效率提高2倍以上,在噪声环境下具有一定的鲁棒性。     

基于K最近邻局部点关系图卷积的点云分类

为进一步提高大规模多种类三维点云分类的准确率,提出一种局部区域建立K近邻点关系的卷积神经网络,其关键是从点与点的关系中进行学习。在采样组采样后,对点云模型进行建图,从点与点之间的关系以及中心点的特征进行更深一步的关系学习,从而进行点云的分类工作。由于是从局部的特征整合到整体,使得该方法对形状感知敏感并具有鲁棒性。最终的试验结果表明,该算法在公开数据集ModelNet40上的准确率达到92.5%。与现有的三维点云分类算法相比,其能够更有效地整合局部特征和全局特征,从而能进一步提高三维点云模型分类的准确性。     

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Mask-RCNN海上升压站数字式仪表读数的自动识别算法

海上升压站采用挂轨机器人开展巡检作业,利用机器视觉手段自动识别数字式仪表读数,替代人工记录.提出了一种基于Mask-RCNN深度学习方法的数字仪表读数自动识别算法.将不同类型的数字仪表原始图像制作成数据集,利用深度学习算法进行训练,根据损失函数变化曲线对算法进行参数优化得到训练后的模型,再进行数字仪表图像的识别分析.采用灰度世界算法和霍夫变换等算法进行图像预处理,可有效改善数字识别的准确度.最后,实验对比了YOLOv3和Mask-RCNN深度学习算法的识别性能,结果表明前者具有较高的检测速度,后者具有更高的准确率.后者的识别率为99.52％,满足海上升压站远程监控对数字仪表读数正确率高的要求.     

基于深度卷积神经网络的飞机识别研究

为快速准确识别机场遥感图像飞机目标,提出了一种深度卷积神经网络与边缘轮廓特征提取技术结合的识别算法。利用深度卷积神经网络对机场遥感图像中飞机目标进行深度特征提取,针对飞机停机位置存在阴影的问题,结合优化后的Canny算子得到目标轮廓,经由支持向量机给飞机分类。算法主要有两个阶段。第一阶段为训练阶段,主要对深度卷积神经网络进行训练,将获得的特征归一化;利用Canny算子得到边缘特征,通过主成分分析法得到飞机主轴,求解主轴两侧边缘点欧氏距离作为特征向量;接着完成支持向量机分类器训练。第二阶段为测试阶段,主要对算法进行验证并测试准确性。实验结果证明,算法识别的正确率高达94.39%,能够较好地识别飞机目标。     

基于Mask-RCNN海上升压站数字式仪表读数的自动识别算法

海上升压站采用挂轨机器人开展巡检作业,利用机器视觉手段自动识别数字式仪表读数,替代人工记录.提出了一种基于Mask-RCNN深度学习方法的数字仪表读数自动识别算法.将不同类型的数字仪表原始图像制作成数据集,利用深度学习算法进行训练,根据损失函数变化曲线对算法进行参数优化得到训练后的模型,再进行数字仪表图像的识别分析.采用灰度世界算法和霍夫变换等算法进行图像预处理,可有效改善数字识别的准确度.最后,实验对比了YOLOv3和Mask-RCNN深度学习算法的识别性能,结果表明前者具有较高的检测速度,后者具有更高的准确率.后者的识别率为99.52％,满足海上升压站远程监控对数字仪表读数正确率高的要求.     

基于置信度的飞行时间点云去噪方法

飞行时间（Time-of-Flight,ToF）三维成像方法由于多路径干扰和混合像素等问题降低了目标物体深度测量的精度。传统的方法通过优化重构异常点云数据或滤除噪声点云数据来提高目标的准确性,但是这些方法复杂度高且容易导致过度平滑。三维点云图像中的有效点云与噪声点云之间的关系很难用数学模型来表示。针对上述问题,本文提出了一种基于置信度的飞行时间点云去噪方法。首先,分析多帧点云数据的概率相关性,以点云数据的置信度作为判别有效点云与噪声点云的依据;其次,利用多帧点云之间的矢量对偶性,提出了一种快速提取不同置信度点云的算法,其时间复杂度为O(L);最后使用该算法提取多帧三维图像中置信度高的点云数据获得目标物体的真实测量数据,并重点对4组不同场景的点云数据进行对比实验。实验结果表明,该算法能够在有效滤除噪声的同时,显著提高目标物体的距离测量精度,增强目标物体的特征,因此具有广泛的应用价值。