基于多任务模型的深度预测算法研究

图像的深度值预测是计算机视觉和机器人领域中的一个热门的研究课题.深度图的构建是三维重建的重要前提,传统方法主要依靠确定固定点深度进行人工标注或是根据相机的位置变化来进行双目定位预测深度,但这类方法一方面费时费力,另一方面也受到相机位置、定位方式、分布概率性等因素的限制,准确率很难得到保证,从而导致预测的深度图难以完成后...     

基于模板替换的室内场景建模方法研究

当前,室内场景建模相关研究已经取得很多进展,特别是基于多视角融合的建模 框架与基于单视角的建模框架的提出,增强了机器人的环境感知能力。但仍然存在以下不足： ①基于多视角融合的建模方式预处理时间长,建模完成后需线下优化过程,不能满足特定条件 下的建模需求;②基于单视角的建模算法输出一般为体素,建模质量较低,信息缺失严重,对 于场景细节无法精确刻画,难以满足机器人交互的要求。特提出一种基于模板替换的室内场景 建模方法研究。首先,预处理由设备采集到的三维点云场景,分割出存在点云缺失的单个对象, 并利用虚拟扫描技术采样对象表面点并计算法向量与曲率。采用八叉树网格结构,将点云的法 向量与曲率信息分别存入网格中,再利用卷积神经网络(CNN)提取高维特征向量,将其与数据 库中三维对象特征进行欧氏距离比较,得到检索序列。从序列中挑选出最相似的对象,利用迭 代就近点(ICP)配准方法,与扫描场景进行配准,完成场景优化。对提出的网络模型在 2 个基准 数据集上进行测试并表现出良好的性能。