基于点云多帧融合的相邻障碍物聚类分割方法

相邻障碍物的分割是无人驾驶领域的技术难点,低线激光雷达点云稀疏,无法聚类远距离物体,但激光雷达线束越多越昂贵。为了实现低成本聚类分割相邻障碍物,实验场景选取常用交通场景对象相邻的人/人、人/车,提出了一种基于多帧融合的相邻障碍物分割方法。基于惯性测量单元、激光雷达融合多帧点云,解决了低线激光雷达因分辨率低而无法聚类远距离相邻行人的问题。提出改进的欧式聚类,加入自适应阈值和向量角度约束两个新的分割标准,提高相邻障碍物的分割效果。实验结果表明,该方法具有成本低、聚类精准等特点,与单帧传统欧式聚类算法相比,该方法针对相邻障碍物分割的准确度提升约30.7%,对低线激光雷达在障碍物聚类以及后续的检测具有一定参考意义。     

基于参数化盲反卷积的三维非扫描激光雷达距离估计

三维(3D)非扫描激光雷达具有多表面目标距离分辨能力,可以用于对隐藏和伪装目标的识别。为了快速、准确地估计3D非扫描激光雷达多表面目标距离信息,提出了基于期望值最大化(EM)的单像素多表面目标的距离估计算法,通过对系统点扩展函数的参数化,该算法可以同时估计出成像系统点扩展函数和目标的距离信息。仿真实验结果表明,相比于传统的混合高斯匹配算法和维纳空间滤波算法,该算法在系统点扩展函数未知的条件下,可以将目标的距离估计精度分别提升大约70%和40%。     

基于点云数据的三维目标检测技术研究进展

近年来,随着深度传感器和三维激光扫描设备的普及,点云数据引起了广泛关注。相对于二维图像,点云数据不仅包含场景的深度信息,还不受光照等环境因素的影响,能够更精确地实现目标识别和三维定位。因此,基于点云的三维目标检测技术已经成为智能空间感知和场景理解的关键技术。本文首先介绍了点云数据的特点,并探讨了不同类型的点云特征提取方法;其次,详细阐述了基于体素、点、图以及体素与点混合的点云目标检测方法的原理和发展历程;然后,介绍了常见的室内外点云目标检测数据集和评价指标,并对各类点云目标检测方法在KITTI和Waymo数据集上的性能进行了详细的比较和分析;最后,对点云目标检测技术的研究进展进行了总结和展望。     

应用于地面战场目标的点云检测算法研究

地面战场上目标检测是精准跟踪以及准确打击的前提,在现代无人化陆战中起着至关重要的作用。传统的图像检测方法受到光照,天气等条件制约,利用激光雷达技术进行3D目标检测能够显著改善车体的感知能力。针对应用于陆战无人车的检测任务,提出了一种基于卷积神经网络的3D点云检测算法,通过优化VoxelNet的体素化和特征融合模块设计了一组端对端的高效网络,并改进了一种基于距离的非极大值抑制策略。实验表明原始VoxelNet在自建数据集上车辆目标AP值为78.53%,而改进后的网络性能达84.11%,对未来军事领域的三维目标检测任务具有参考价值。     

单光子探测三维点云与可见光图像融合处理算法研究

为了提升光电系统对于目标的探测识别能力,实现单光子探测三维点云数据和二维可见光图像的融合处理,提出了单光子探测成像系统的融合处理算法,采用直接线性变换方法并利用同名特征点的选取和间接平差算法解决了融合处理过程中的参数标定问题。通过实验数据进行融合处理算法验证,实现了分辨率1024×768像素单光子探测三维点云和二维可见光图像的像素级融合处理。实验结果表明,提出的融合处理算法能够有效实现三维、二维图像的融合。     

浅海被动水下偏振成像探测方法

针对传统被动水下偏振成像方法忽略水体对光的吸收效应,成像结果中存在严重的色彩失真,且并未深入发掘利用背景散射光中包含的场景信息的问题.提出浅海被动水下偏振成像探测方法,该方法从水体中背景散射光的传输特性出发,分析场景深度信息与散射光的物理关系,建立基于深度信息的水下Lambertian反射模型,实现无色彩畸变的水下目标场景清晰成像探测.实验结果表明,该方法能够提供接近水下目标真实色彩、符合人眼视觉特性的清晰探测结果,提高水下成像探测能力.     

基于光子计数激光雷达的自适应门控抑噪及三维重建算法

光子计数激光雷达技术具有极高的探测灵敏度与时间分辨率,是极端条件下高精度目标信息获取的重要手段.由于该技术通过探测单光子级的回波能量实现对目标信息的三维重建,因此极易受噪声干扰,导致成像质量严重降低.基于高速电子门控的距离选通技术虽然可以有效抑制噪声,但存在参数设计依靠经验、目标检测区间窄等问题.本文提出一种在宽目标检测区间条件下的目标信息提取及三维重建方法,首先通过对三维回波信息的获取机理及其概率模型进行分析,获取目标信息分布范围并通过算法门控提取有效信息;再采用高效的图像重建算法进一步提升三维重建的质量,从而具有比基于纯硬件的去噪方法更强的抑噪能力.实验结果显示,在平均像素光子数仅为3.020,且信号噪声比仅为0.106的极端条件下,本文提出的目标信息提取方法可将信号噪声比提升19.330倍;再配合高效的图像重建算法,距离图像的重建信噪比相比于传统的互相关算法提升了33.520 d B,大幅提升了强噪声环境下高精度目标信息获取的能力.     

激光雷达辅助驾驶道路参数计算方法研究

针对特定场景辅助驾驶的需求,构建道路场景车载激光雷达三维扫描系统,并设计基于三维激光点云的道路参数提取与计算方法,包括路面宽度、横杆或桥梁或隧道限高、拐弯半径等等,为辅助判断道路的可通过性提供决策依据。测试和对比实验表明,所设计算法效果稳定、精度良好,在效率和自动化程度上有一定优势,可为辅助驾驶提供非常有益的决策参数。     

基于自适应阈值的阵列激光三维点云配准

阵列激光三维成像作为一种新型的非合作目标三维图像获取技术,高效的回波信号处理和三维重构方法是提高其探测能力和成像精度的前提,其中配准过程是阵列激光三维成像点云数据处理中必不可少的步骤.本文根据阵列激光三维成像系统的成像特点,对迭代最近点(ICP)配准算法中阈值设定依据进行分析,结合阵列激光三维成像系统中的重要参数测距精度和成像横向分辨率,对配准迭代过程中对应点距离阈值和迭代停止阈值进行有针对的设置,提出了基于自适应阈值的ICP点云配准方法.对阵列激光成像点云和扫描激光深度成像数据的实验表明该算法有效可行,能够提高配准精度和配准速度,同时由于该算法充分考虑了成像系统本身,在实际应用中对系统的合理设计具有一定的指导意义.     

场景耦合的空对地多任务遥感影像智能检测算法

在空对地遥感检测中,目标所占视场比例小、视角单一、易受背景干扰且视场高度变化大,这给传统深度学习检测算法带来了挑战。针对该问题,提出一种场景耦合的多任务目标检测算法。首先,设计了一种新的场景耦合目标检测网络结构,将场景分类特征图和目标检测特征图在同一尺度上进行镜像融合,丰富了网络特征描述的细粒度;其次,设计了差异化激活模块,实现特征通道的重要性筛选;然后,推导了多任务耦合的网络优化函数,实现了目标检测损失和场景分类损失的同步优化;最后,建立了空对地目标检测多任务数据集,对所提方法的有效性进行验证。实验证明,本文算法有效提升了空对地小目标检测的精度和稳健性,同时能够自适应不同高度的识别检测多任务需求,为空基无人平台对地智能检测提供了新的思路和方法。     

邻井距离随钻电磁探测系统的设计与实现

虚拟二维激光雷达是激光雷达扩展应用的组成部分,可以结合3D场景点云特征进行二维激光雷达扫描障碍物模拟。提出根据光线传导特征建立积分方程得到了在多障碍物场景下的激光雷达图生成的解析解,利用AutoCAD与Visual C#联合编程的方法进行了虚拟激光雷达的实现。最后,实验结果与真实二维激光雷达比对,虚拟激光雷达能从3D场景中准确提取物体的位置和距离信息。     

虚拟二维激光雷达成像积分算法

虚拟二维激光雷达是激光雷达扩展应用的组成部分,可以结合3D场景点云特征进行二维激光雷达扫描障碍物模拟;提出根据光线传导特征建立积分方程得到了在多障碍物场景下的激光雷达图生成的解析解,利用AutoCAD与Visual C#联合编程的方法进行了虚拟激光雷达的实现;最后,实验结果与真实二维激光雷达比对,虚拟激光雷达能从3D场景中准确提取物体的位置和距离信息。     

基于认知模型的遥感图像有效飞机检测系统

针对传统飞机目标检测算法和现有机器学习检测算法存在的问题,提出了遥感影像中的一种有效飞机检测概念;在认知模型下使用基于深度学习的全卷积检测和分割网络,设计了一种有效飞机目标检测系统并对其进行了仿真;构建了一种检测认知模型,并设计了各模块的功能。实验结果证明了该系统的有效性,该系统为开展目标智能检测提供了一种全新的思路和方法。     

深度学习下的计算成像:现状、挑战与未来

近年来,光学成像技术已经由传统的强度、彩色成像发展进入计算光学成像时代。计算光学成像基于几何光学、波动光学等理论对场景目标经光学系统成像再到探测器采样这一完整图像生成过程建立精确的正向数学模型,再求解该正向成像模型所对应的"逆问题",以计算重构的方式来获得场景目标的高质量图像或者传统技术无法直接获得的相位、光谱、偏振、光场、相干度、折射率、三维形貌等高维度物理信息。然而,计算成像系统的实际成像性能也同样极大程度地受限于"正向数学模型的准确性"以及"逆向重构算法的可靠性",实际成像物理过程的不可预见性与高维病态逆问题求解的复杂性已成为这一领域进一步发展的瓶颈问题。近年来,人工智能与深度学习技术的飞跃式发展为计算光学成像技术开启了一扇全新的大门。不同于传统计算成像方法所依赖的物理驱动,深度学习下的计算成像是一类由数据驱动的方法,它不但解决了许多过去计算成像领域难以解决的难题,还在信息获取能力、成像的功能、核心性能指标(如成像空间分辨率、时间分辨率、灵敏度等)上都获得了显著提升。基于此,首先概括性介绍深度学习技术在计算光学成像领域的研究进展与最新成果,然后分析了当前深度学习技术在计算光学成像领域面临的主要问题与挑战,最后展望了该领域未来的发展方向与可能的研究方向。     

基于多视角融合的夜间无人车三维目标检测

为了提高无人车在夜间情况下对周围环境的物体识别能力,提出一种基于多视角通道融合网络的无人车夜间三维目标检测方法。引入多传感器融合的思想,在红外图像的基础上加入激光雷达点云进行目标检测。通过对激光雷达点云进行编码变换成鸟瞰图形式和前视图形式,与红外图像组成多视角通道,各通道信息之间融合互补,从而提高夜间无人车对周围物体的识别能力。该网络将红外图像与激光雷达点云作为网络的输入,网络通过特征提取层、候选区域层和通道融合层准确地回归检测出目标的位置以及所属的类别。实验结果表明,该方法能够提高无人车在夜间的物体识别能力,在实验室的测试数据中准确率达到90%,速度0.43 s/帧,达到了实际应用要求。     

基于前景移除的合成孔径成像算法

在传统合成孔径物面重聚焦成像过程中,前景射线会严重影响目标的重建质量,针对这一问题提出一种基于前景标记的重聚焦成像算法。首先根据EPI的边缘特征估计场景深度范围,根据指定待重建物面的参数提取前景边缘特征并进行扩散,从而确定前景遮挡对应的射线;对其进行标记筛除后,利用光场重建算法对特定物面进行重建,从而实现被遮挡目标的高质量重建。利用Stanford大学和Disney实验室提供的数据集进行仿真,实验结果表明该算法可有效去除场景中的遮挡物信息,提高重聚焦图像的质量。     

基于红外与激光雷达融合的鸟瞰图空间三维目标检测算法

结合MEMS激光雷达和红外相机的优势,设计了一种简单轻量、易于扩展、易于部署的可分离融合感知系统实现三维目标检测任务,将激光雷达和红外相机分别设置成独立的分支,两者不仅能独立工作也能融合工作,提升了模型的部署能力。模型使用鸟瞰图空间作为两种不同模态的统一表示,相机分支和雷达分支分别将二维空间和三维空间统一到鸟瞰图空间下,融合分支使用门控注意力融合机制将来自不同分支的特征进行融合。通过实际场景测试验证了算法的有效性。     

基于改进SSD的交通大场景多目标检测

现有目标检测算法在复杂大场景下多目标检测的精度和实时性难以平衡,为此,受深度神经网络卷积核形态启发,模仿了人眼视觉机理,改进了基于深度学习的目标检测框架,即单向多框检测器(SSD),提出了多目标检测框架——自适应感知SSD,将其专用于复杂大交通场景多目标检测。设计了由多形态、彩色Gabor构成的特征卷积核库,训练筛选最优特征提取卷积核组替换原有网络的低级卷积核组,从而提高检测精度;将单图像检测框架与卷积长短期记忆网络结合,通过瓶颈-长短期记忆层提炼传播帧间的特征映射,实现网络帧级信息的时序关联,降低计算成本,从而实现对视频中受强干扰影响目标的追踪识别;同时加入自适应阈值策略,降低漏警率和虚警率。实验结果表明,相比于其他基于深度学习的目标检测框架,各类目标识别的平均准确率提高了9%～16%,平均准确率均值提高了14%～21%,多目标检测率提高了21%～36%,检测帧率达到32frame·s-1,实现了算法精度与实时性的平衡,取得较好的检测识别效果。     

全波形激光雷达回波信号建模仿真与分析

全波形回波信号建模仿真与分析是全波形激光雷达探测技术的一项重要研究内容。针对激光束在目标场景中投影点的获取问题,提出了一种基于激光束空间边界的光线求交快速算法,运算效率高,稳定性好。基于激光雷达信号的时空分布特性,推算出目标场景对信号的响应函数,建立二者的作用过程模型。并针对全回波检测技术中的距离选通探测模式,对目标回波信号与距离选通门限的位置关系进行了分类建模和分析。在研究以上三项关键技术的基础上,构建了全波形激光雷达回波信号仿真系统,仿真实现和分析了不同距离选通门限条件下的全波形回波信号特性,并生成了复杂场景下隐蔽目标的全波形激光雷达数据。     

基于分块平滑投影二次重构算法的单像素成像系统

单像素成像系统是通过无空间分辨能力的单像元探测器来获取目标二维分布信息的计算光学成像技术,与传统直接成像技术相比具有高能量收集效率、高灵敏度等一系列优点,在高能物理诊断技术领域有着广阔的应用前景。针对实际单像素压缩感知成像系统在复杂诊断环境中存在的重建噪声较大的问题,提出并实现了基于分块平滑投影Landweber二次重构算法的单像素成像系统。根据算法观测矩阵分布特性以及数字微镜硬件输入要求实现了实际投影观测矩阵的变换,利用二次重构算法实现了单像素诊断的仿真分析与实验测试。仿真结果表明,在采样率为20%～30%的条件下,重建图像峰值信噪比大于20 dB,结构相似性高于0.8。进一步搭建单像素成像平台完成实验研究及验证,实验结果表明,利用二次重构算法模型对目标场景进行恢复的效果优于其余两种传统算法。二次重构单像素成像系统在采样率仅为20%的条件下能够重建出清晰的原始图像,具有较好的噪声抑制特性。