基于遥感图像的人造地物目标信息管理系统

将遥感技术与GIS技术相结合,建立一种用于人造地物目标管理的地理信息系统。该系统以遥感图像作为主要数据泊,以变化相对较缓慢的行政区划,水系分布,地形地势等GIS8矢量地图为基础底图,借助现有的GIS工具软件和关系型数据库管理系统,来统一管理地物目标的空间数据和属性数据。重点就地物目标拓扑构造和GIS矢量地图与遥感图像互操作问题进行了讨论。     

基于稀疏Transformer的雷达点云三维目标检测

随着计算机视觉技术的发展,基于点云的三维目标检测算法被广泛应用于自动驾驶、机器人控制等领域。针对点云稀疏条件下基于点云三维目标检测算法鲁棒性较差、检测精度低的问题,提出基于稀疏Transformer的三维目标检测算法。在注意力矩阵生成阶段,通过稀疏Transformer模块显式选择Top-t个权重元素,以保留有利于特征提取的权重元素,在降低环境噪点对鲁棒性影响的同时加快Transformer模块的运行速度。在回归阶段,将基于空间特征粗回归模块生成的边界框作为检测头模块的初始锚框,用于后续边界框的精细回归操作。设计基于体素的三维目标检测算法的损失函数,以精确地衡量类别损失、位置回归损失和方向损失。在KITTI数据集上的实验结果表明,相比PointPillars算法,该算法的平均精度均值提高3.46%,能有效提高点云三维目标的检测精度且具有较优的鲁棒性。相比原始Transformer模块,所提稀疏Transformer模块在点云图像上的平均运行速度加快了约0.54 frame/s。     

基于多特征融合的声纳图像人造目标检测算法

声纳图像中人造目标的自动检测是当前水下探测领域需要重点解决的问题之一.传统的基于目标回波信号强度的检测方法在海底存在岩石等类似于水雷等人造目标的情况下,常会导致较高的虚警率.由于人造目标和自然背景之间的纹理特性的不同,自然背景一般具有较复杂的纹理,而人造目标形状规则、表面光滑、纹理简单.为此,对基于扩展分形特征的声纳图像人造目标检测算法进行研究,同时利用灰度统计信息进行信息融合,给出了多特征融合的检测算法.仿真实验表明该方法在声呐图像人造目标检测中具有较好的检测性能.     

基于分形特征的人造目标探测方法研究

自然背景和人造目标对于某些分形特征存在着一定的本质差别，因此充分利用这些差别，能够为目标探测提供一套全新的方法。从仿真实验的处理结果来看，这种方法对于自然背景嵌入少量人造目标这类简单情况的检测效果较好，且具有较强的抗噪声干扰能力；对于其他复杂情况，本分别采用阈值分割组合法和Ｋ均值聚类法进行尝试，得到了一类初步结果。     

水下人造目标线特征快速检测算法

为了从水下复杂场景中快速检测人造目标,提出了一种在图像小波变换低频子带上进行直线实时检测的算法。首先,利用小波变换确定显著线特征检测的合适尺度;然后在确定的低频子带小图像上进行边缘检测,利用梯度直方图和迭代法相结合自适应确定边缘检测的分割阈值,得到显著特征的边缘点;再利用改进的Hough变换检测人造目标的直线特征;最后在原始图像上标记出直线检测的结果。实验结果表明:提出的算法可以准确检测出水下复杂背景中人造目标的直线特征,并且具有良好的实时性,满足水下人造目标视频检测的应用要求。     

一种基于双目视觉传感器的遮挡目标期望抓取点识别与定位方法

在不确定性较高的室内复杂场景中,机器人常需识别遮挡物体并对其抓取.遮挡问题会导致抓取点预估位置脱离目标,产生位置漂移.针对该问题,本文提出一种基于双目视觉的遮挡目标抓取点识别与定位策略.采用基于期望位置模型的方法估计,以特征检测进行遮挡目标识别,并进行轮廓还原;根据期望抓取点模型,采集目标的期望抓取位置,构建位置模型库.将待检测目标与模型库匹配,提取双目视野中未遮挡区域的期望抓取点.实验表明本方法在复杂环境下具有较高的鲁棒性,抗干扰能力强,对遮挡目标具有较高的定位精度.     

图像分割中字符号码类目标的快速定位方法

针对字符号码类目标,提出一种无需全图阈值分割和先验特征匹配计算的方法。先利用方向梯度块精确定位目标,再对目标区域作局部阈值分割,从而快速地得到高质量的目标信息。     

基于分形理论的声纳图像人造目标检测算法

声纳图像中人造目标的自动检测是当前水下探测领域需要重点解决的问题之一。传统的基于目标回波信号强度的检测方法在海底存在岩石等类似于水雷等人造目标的情况下,常会导致较高的虚警率。由于人造目标和自然背景之间的纹理特性的不同,自然背景一般具有较复杂的纹理,而人造目标形状规则、表面光滑、纹理简单。利用分形模型中分形维数特征、截距特征、分形拟合误差特征以及多尺度分形特征进行声纳图像人造目标检测,仿真实验表明基于分形的检测算法可较好地实现人造目标和自然背景的分离,从而为成像声纳水下探测技术的进一步发展奠定了基础。     

融合图像特征的单阶段点云目标检测

使用图像信息补充三维点云的几何和纹理信息,可以对三维物体进行有效地检测与分类。为了能够更好地将图像特征融入点云,设计了一个端到端的深度神经网络,提出了一个新颖的融合模块PI-Fusion(point cloud and image fusion),使用图像特征以逐点融合的方式来增强点云的语义信息。另外,在点云下采样的过程中,使用距离最远点采样和特征最远点采样的融合采样方式,以在小目标上采样到更多的点。经过融合图像和点云特征的三次下采样之后,通过一个候选点生成层将点移动到目标物体的中心。最后,通过一个单阶段目标检测头,得出分类置信度和回归框。在公开数据集KITTI的实验表明,与3DSSD相比,此方法在简单、中等、困难难度的检测上分别提升了3.37、1.92、1.58个百分点。     

基于极少信息的任意照片目标点定位算法

为了达到通过任意摄像头拍摄照片就可对目标点进行定位的目的,针对如何用最少信息得到空间中目标点坐标问题,基于摄像机的成像模型、空间中固定点之间的几何约束,以及坐标系变换的基本原理,推导出一种类似于P4P的无标定照片的目标点定位方法。该方法可由观测到的两幅图像中已知世界坐标系中位置坐标的任意四点在图像中的位置,通过计算得到图像中目标点的三维坐标。此方法需要的已知信息极少,对于拍摄图像以及拍摄所用相机没有要求,并通过实验验证可行,精度相比传统标定方法没有明显损失,且较其他自标定定位方法更高,实用性较强。     

可见光图像人造目标检测技术综述

对可见光自然图像人造目标检测技术研究进行综述,在人造目标检测技术的问题描述基础上,基于人造目标与自然背景存在的特性差异,将现有技术按照基于几何特征、分形特征、概率模型、水平集、聚类等类别进行了讨论,并借鉴ATR（自动目标识别）技术评价标准分析了各个算法的优缺点。最后探讨了人造目标检测技术存在的问题和进一步的研究方向。     

R-VPCG: RGB image feature fusion-based virtual point cloud generation for 3D car detection

Although 3D object detection methods based on feature fusion have made great progress, the methods still have the problem of low precision due to sparse point clouds. In this paper, we propose a new feature fusion-based method, which can generate virtual point cloud and improve the precision of car detection. Considering that RGB images have rich semantic information, this method firstly segments the cars from the image, and then projected the raw point clouds onto the segmented car image to segment point clouds of the cars. Furthermore, the segmented point clouds are input to the virtual point cloud generation module. The module regresses the direction of car, then combines the foreground points to generate virtual point clouds and superimposed with the raw point cloud. Eventually, the processed point cloud is converted to voxel representation, which is then fed into 3D sparse convolutional network to extract features, and finally a region proposal network is used to detect cars in a bird’s-eye view. Experimental results on KITTI dataset show that our method is effective, and the precision have significant advantages compared to other similar feature fusion-based methods.     

基于MR-AAM双重拟合的人脸特征点定位方法

传统的主动表观模型(AAM)反向组合算法仅进行了单次拟合过程,当初始位置与目标对象偏移过大时,往往会陷入局部最小,难以收敛到正确位置。针对此问题,提出了一种基于多分辨率AAM(MR-AAM)的双重拟合方法,首先在低分辨率模型下进行第一次拟合以确定面部初始位置,然后在高分辨率模型下进行二次拟合。由于能够快速获得较准确的初始位置,进而取得较好的人脸特征标定结果。实验结果表明,所提方法与传统方法相比,在能保证实时的情况下,提高了拟合精度。     

点云配准在大型曲面工件定位中的应用

针对工业生产中大尺寸薄壁工件的高精度加工需求,本文利用点云配准技术解决弱刚度及缺少定位信息等实际问题,对工件位姿进行迭代调整。最近点迭代(ICP)算法对于平坦曲面和有限点数据的精度不高,本文结合ICP算法和曲面点参数反求方法,减小了在边缘和角点的匹配误差,提高了整体匹配效果。仿真结果表明,该方法能够在保证整体性能的前提下得到较优的局部匹配精度,为解决大型曲面工件的主动寻位和自动调位问题提供了一个有效途径。     

基于姿态阈值滤波的单目视觉农业机械定位方法

精确定位是农业机械实现自动导航的重要前提,提出了一种基于单目摄像机的导航定位算法。算法通过对捕获的每帧图像进行特征点检测与跟踪,基于3D-2D特征点配对方法,还原了车辆行驶过程中的姿态信息。同时,假设车辆前方小区域近似平坦,摄像机离地高度近似固定不变,算法实时求解车辆位移的绝对尺度因子,配合姿态阈值滤波器,对所求姿态信息进行在线修正。实验选择在三种不同的场景进行,以RTK-GPS定位数据作为对比,三种场景的平均相对位置偏差分别为5.459 9%、8.373 1%、6.443 94%,三种不同场景的航向角变化平均值分别为7.717 7°、5.738 9°、3.438 3°。结果表明算法可实现农业机械的自动定位,在短距离范围内具有一定的可靠性。     

对象定位处理中分类信息融合技术研究

为提高图像中对象定位技术的处理效果, 对对象定位技术和分类技术的融合进行了研究。针对大规模、多对象类别的图像对象定位问题, 提出了先进行快速分类, 再精确定位的处理方案。通过MIMLSVM+多类别分类算法预判出包含对象的图像, 利用ESS方法在上述图像中定位对象; 针对高精度对象定位需求, 提出了融入全局分类信息的最优框打分机制, 将MIMLSVM+算法对于图像的分类信息融入ESS方法中最优框的打分信息中。在PASCAL 2006数据集上相应的实验结果表明, 前者在缩短处理时间的同时取得了不错的定位平均精度, 而后者对最优框得分的改进也在多个类别上带来了定位效果的提高。实验结果表明, 分类信息融入对象定位处理中能提升处理效果。     

基于局部特征和稀疏表示的图像目标检测算法

传统的基于局部特征的图像目标检测算法具有对遮挡和旋转敏感、检测精度不高以及运算速度慢的特点,为了改进该算法的性能,提出了一种将图像局部特征应用于稀疏表示理论的图像目标检测算法。该算法利用随机树的方式有监督地学习样本图像的局部特征形成字典,通过学习好的字典和测试图像的子块来预测图像中目标的中心位置,以此寻求待检测图像稀疏的表示,从而实现对图像中感兴趣目标的检测。实验结果表明,该算法对目标的遮挡、旋转和复杂背景有很好的鲁棒性,而且检测精度和运算速度相对于同类经典算法均有提高。     

利用梯度信息快速提取直线边缘特征

立足于视觉检测系统的实时性需要,提出一种利用梯度信息的快速直线边缘提取方法。该方法首先利用梯度信息和两点确定一条直线进行线段基元的快速定位和扫描;然后对扫描得到的线段基元进行基于几何距离最小化的最佳直线拟合;最后使用端点投影距离的方法对线段基元进行共线性检测,连接共线的线段基元并对连接结果重新进行最佳直线拟合,得到最终的直线边缘特征。实验结果表明:该方法进行直线边缘特征提取的速度比目前文献中最快的Hough变换改进算法提高了1倍左右,适应能力强,可以满足视觉检测系统对直线边缘特征提取的实时性和精度要求。     

基于彩色图像边缘差分的运动目标检测算法

针对目前常用的运动目标提取易受到噪声影响、易出现阴影和误检漏检等情况,提出了一种基于Sobel算子的彩色边缘图像检测和帧差分相结合的检测方法。首先用Sobel算子提取视频流中连续4帧图像的彩色边缘图像,然后将边缘图像进行隔帧差分相与,提取出较精确的运动目标边缘轮廓。提取的轮廓经过一系列的形态学操作填充,可得到完整的运动目标。实验结果表明,该方法对运动目标边缘轮廓提取准确,抗噪能力强,且鲁棒性好。     

基于图像与点云的三维障碍物检测

为提高平截头点云网络在三维障碍物检测中的精度,基于平截头点云网络的结构提出一种扩张平截头点云的检测方法。采用图像和点云数据,使用二维目标检测网络Yolov3,检测障碍物的二维包围框;扩张包围框的大小,在点云数据中提取出障碍物对应的点云;通过改进的Pointnet网络对该点云计算,得到障碍物的三维信息。在原模型基础上,加入扩张包围框,提高点云数据提取的完整性。通过KITTI数据集的验证和测试,实验结果表明,通过扩张二维包围框可以有效提高检测网络的性能。