基于改进RPN的车载导航目标识别技术

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8845,最优平均方向相似度为9327,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。     

基于增强RPN的孪生网络目标跟踪算法

目前孪生网络跟踪器已经具有比较良好的表现,但是对于卷积神经网络所提取的特征仍没有较好地利用其特点,同时孪生网络通过相似性学习进行跟踪的特性使跟踪器的准确性和鲁棒性存在不足。提出了一种金字塔式特征融合的方法,根据骨干网络特征提取层不同深度具有不同侧重的特点提高网络对目标的表征能力,然后使用注意力机制对区域推荐网络（Region Proposal Network,RPN）进行增强,最终实现更精准更鲁棒的跟踪。在OTB100数据集的实验中,新提出的SiamERPN(Siamese Enhanced RPN)算法分别得到了0.668的成功率和0.876的精度,测试结果好于基线算法和其他对比算法。     

基于点目标测量的空间目标特性识别技术

空间目标识别有利于掌握空间目标的运行状态和在轨行为。点目标测量是获取空间目标数据源的主要手段。针对从多种特性参数融合后的点目标测量信息解算空间目标特性难度大的问题,分析了空间目标的基本属性,包括几何特性、材料特性、光度特性等,研究了国外几种基于点目标测量信息的空间目标识别方法的基本原理和实现途径。研究结果表明:通过合理的解算算法设计,可以对点目标测量信息进行深度挖掘,识别出有效信息。     

基于自旋图的三维自动目标识别

将三维表面匹配领域的自旋图(spin-images)方法运用于扫描激光雷达自动目标识别中,基于自旋图特征,提出了平均最大相似性度量、候选对应关系数目、几何一致性筛选后对应关系数目、分组筛选后最大组的对应关系数目这4个识别指标,并将其组合构成组合识别准则,从而进行三维目标识别。同时针对实际应用需求,进一步研究了点云空间分辨率、激光雷达测距误差以及遮挡对目标识别率的影响,为激光雷达三维目标识别系统的设计提供了参考。     

激光扫描点云中运动图像边界信息提取方法北大核心CSCD

使用距离地面较远的机载激光扫描获取运动图像边界信息数据,得到的数据点密度较低,无法精细提取运动图像边界信息,因此设计一种激光扫描点云中运动图像边界信息提取方法。首先获取激光扫描点云运动图像,对其中的三维激光扫描仪、惯性测量单元等装置进行组合并设置相关的参数,并对激光扫描点云得到的数据预处理,使用八叉树建立离散点之间的关系,通过点云体素化完成去噪,最后通过地物聚类完成运动图像特征点云三维信息的提取。实验结果表明,所设计方法提取准确性较高,完整性较好,提取质量效果较佳,均超过了97%,具有较好的提取效果。     

基于先验信息采样一致性的点云柱面分割方法北大核心CSCD

针对点云数据在进行模型分割中存在高比例外点数据的问题,文章提出一种先验信息采样一致性的三维点云柱面分割方法。该方法首先根据三维点云数据的先验信息计算每个数据点的初始内点概率,选择概率最高的两个样本点作为初始样本子集拟合出初始模型;然后利用几何约束对模型进行预检验,并利用界限损失函数对预检验通过的模型进行模型质量判断,更新最优模型;最后通过贝叶斯定理来更新样本点的内点概率,进行下一次迭代,不断地优化内点集,得出最优模型。实验结果表明本方法相比于传统方法在时间效率上有很大提升。     

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Faster R-CNN网络的海面目标检测方法北大核心CSCD

为解决强海杂波条件下虚警率高、杂波多普勒较宽、信杂比低或低速目标落入杂波多普勒通道时海面目标难以检测的难题,提出了基于深度卷积网络(Faster R-CNN)的海面目标检测算法。利用深度卷积神经网络自动提取特征的能力,对输入含有目标的海面回波样本进行一系列非线性操作,逐层提取样本中目标抽象的特征;然后利用提取的特征对未知目标样本进行检测和定位,检测是否含有目标以及目标的位置。最后在实测南非海杂波数据集上进行实验验证,所提方法在虚警率为10~(-3)时,海面目标的检测率高达57.98%,比传统的恒虚警率检测提高约28%,比稀疏可调Q小波变换检测方法提高了21%,验证了该方法的准确性和有效性,为海面目标检测提供了新的技术途径。     

飞机点目标的红外双波段目标识别技术

随着战场环境的日益复杂化,不断发展的隐身与诱饵技术对目标识别技术提出了更高的要求。多通道数据融合技术与红外探测技术在不同方面显示出突出优点,成为目前目标识别领域的主要研究方向。本文综合双通道数据融合技术与红外探测技术,设计了红外双波段目标识别过程,并结合飞机点目标的识别过程进行了说明。