复杂场景下多模态点云数据配准技术

针对复杂环境下多模态点云数据获取难,以及对点云数据配准、三维模型构建精度的要求越来越高的情况。本文以南通大剧院实景三维建模为例,当初始点云和校准点云两组多模态融合点云位置差较大时,采用ICP算法进行点云配准易导致局部最优问题,利用所提出的基于控制点辅助约束的最近点迭代(CPA-ICP)算法通过对点云数据进行配准,并与其他3种点云配准算法的试验进行对比,可知该方法的配准精度和配准效率较高,对复杂场景下的多模态点云数据融合有较好的参考意义。

一种面向复杂场景的人脸识别与目标跟踪算法设计

为解决在复杂场景下传统算法对人脸的识别和跟踪精度低的问题,文中提出一种面向复杂场景的人脸识别与目标跟踪算法FaceNet。该算法由人脸识别与人脸跟踪两部分组成。在人脸识别方面,基于YOLOv8提出一种改进的人脸识别算法FaceD-YOLOv8,提高了识别准确率。再以DeepSort为基础,提出一种改进人脸跟踪算法FaceT-DeepSort,实现对人脸目标连续准确的跟踪。在公开数据集上进行的对比实验结果表明,与主流的传统方法相比,所提FaceD-YOLOv8算法人脸识别的mAP值提高3.5%,FaceT-DeepSort算法的人脸目标跟踪精度(TP)值提高9.1%。证明所提方法具有良好的综合性能,能够满足工程应用的需要。

基于GLMB滤波的复杂场景下红外弱小目标自适应跟踪算法

针对红外弱小目标在复杂场景下受到漏检和杂波影响,导致跟踪不连续甚至失效的问题,本文提出一种红外弱小目标自适应跟踪算法。在预处理阶段,为了减少不必要的计算,首先定义一种衡量图像复杂度的算法。然后该算法通过计算红外图像多个特征得到场景复杂度来确认场景类型,再根据场景类型选取对应的检测算法提取目标候选位置、灰度以及局部直方图等特征建立对应的量测模型与似然函数。在目标跟踪阶段,为了自适应地匹配广义标签多伯努利(Generalized Labeled Multi-Bernoulli,GLMB)滤波器的滤波参数,在GLMB的基础上提出一种适应视频图像的新生算法进行航迹起始;针对红外图像序列目标检测概率未知的情况,将未知检测概率的基数化概率假设密度(Cardinality Probability Hypothesis Density,CPHD)滤波器集成到GLMB中实时估计目标检测概率以提升跟踪精度。仿真结果表明,所提出算法能有效地排除量测漏检和虚警的干扰,跟踪不同红外复杂场景下的弱小目标。

复杂场景下一种改进的单目标跟踪算法研究

针对部分复杂场景下目标跟踪存在跟踪框漂移问题,基于孪生候选区域生成网络(SiamRPN),融合通道注意力模块和选择核心模块(SK Module),提出一种单目标跟踪算法CAKSiamRPN。特征提取部分引入高效通道注意模块(ECAM)和基于标准化的通道注意力模块(NCAM),在不降低通道维度的情况下,摒弃相似信息,突出显著特征,关注并提取特定信息;在候选区域生成网络(RPN)嵌入SK Module,增强全局信息嵌入,减少填充操作的影响。将改进算法与SiamRPN及其它经典单目标跟踪算法在OTB100和UAV123数据集上进行实验对比。实验结果表明:跟踪精度和成功率明显提高,能更好地适应复杂场景,具有更强的鲁棒性。

复杂场景下基于无人平台的视觉/惯性/超宽带数据集

基于多源传感器融合的导航和SLAM技术是当前发展的主流方向,其在复杂场景下的研究和应用日益受到广泛关注。然而,面向复杂场景下的多源传感器数据集相对较少,特别是包含超宽带(UWB)传感器的数据集更是稀缺。为了方便用户在复杂场景下进行多源传感器融合算法的测试验证,深入挖掘多源传感器融合和SLAM技术的不足、潜在发展方向,本文首先依托无人车和无人机平台,在动态场景、非视距场景、大尺度场景等7种复杂场景下实现了视觉/惯性/超宽带的数据集采集;然后,通过高精度的光学运动捕捉系统为数据集提供实时的六自由度真实位置和姿态;最后,利用当前先进的VINS-MONO、VINS-FUSION、VIR-SLAM和ORB-SLAM34种开源算法,对所有场景序列进行了试验验证和分析。试验结果表明,所有场景序列的数据均有效可用。

高动态复杂场景下航空自组网路由协议研究

随着航空运输规模的迅速增长,以民航飞机为主的航空自组网通信已经具备通信组网覆盖的基础。能否找到一种有效手段将高动态不确定复杂场景下航空器节点重要数据传输并安全备份,是提高空天地一体化系统可靠性和管理能力的重要措施。然而,航空自组网所具备的网络拓扑结构高动态变化、网络跨度大和网络链路不稳定等特点,给航空自组网网络协议设计,尤其是路由协议设计带来了严峻考验。为了便于未来在航空自组网路由协议设计方面开展深入研究,对航空自组网路由协议设计相关要求进行了全面的分析并对现有的路由协议进行了全面的调研。首先根据航空自组网的特点分析了航空自组网路由协议设计所需要考虑的因素、面临的挑战以及设计原则;然后,根据现有路由协议设计特点,对国内外已有航空自组网路由协议进行了分类综述与分析;最后,探讨了未来航空自组网路由协议设计的研究重点,为推动我国下一代空天地一体化网络研究提供了参考。

基于反障碍距离加权的复杂场景电磁频谱地图构建方法

针对复杂场景中存在电磁波不可穿透的障碍物导致电磁频谱地图(REMs)构建性能不佳、反距离加权(IDW)算法受限于插值邻域的人工选择等问题,该文提出一种基于Voronoi图的反障碍距离加权(VIODW)的复杂场景电磁频谱地图构建算法。该算法通过创建包含障碍物的Voronoi图,为每一个待插值点自适应选定插值邻域用于电磁频谱数据构建,并利用任意角度路径寻优(ANYA)算法计算得到待插值点与插值邻域内每个监测站点之间的障碍距离,最后以障碍距离的反幂次作为权重加权获得待插值点处的电磁频谱数据,实现高精度的复杂场景电磁频谱地图构建。理论分析和仿真结果表明,该方法具有良好的构建精度,能够准确拟合出电磁波在复杂场景中的功率分布情况,为复杂场景下电磁频谱地图高精度构建提供了一种有效方法。

基于孪生网络的铁路复杂场景目标跟踪算法

在铁路交通场景应用环境下,目标跟踪易受背景杂乱、目标剧烈运动和尺度变换等因素影响,容易出现目标跟踪精度不够导致目标丢失的问题。因此,提出了一种基于孪生网络的铁路复杂场景目标跟踪算法。在特征提取阶段,采用一种对ResNet网络改进的CIResNet-22作为特征提取主干网络,将传统互相关替换为逐像素互相关;加入一种基于标准化的注意力机制,网络能够注重可靠特征的同时,弱化不可靠特征;根据平均峰值相关能量所反映的结果来判断跟踪结果是否可靠,并使用一种改进的UpdateNet子网络预测最佳模板作为参考模板。实验结果表明,在VOT2018和VOT2016以及OTB100这几个标准数据集上能够获得较好的跟踪效果。同时在自制的视频序列中进行跟踪序列测试,效果良好。

基于改进CLAHE算法的复杂场景下熔池轮廓分割

针对包含钨极、送丝杆、金属氧化物等多要素的复杂场景下熔池图像对比度较低、干扰区域过多,致使熔池轮廓难以分割的问题,本文将CLAHE(限制对比度自适应直方图均衡化)算法应用到熔池图像处理领域。首先对图像去噪,然后采用一种基于改进CLAHE算法的熔池图像分割算法对图像进行增强处理,然后利用Otsu算法对增强后的图像进行分割。该改进CLAHE算法方法结合了CLAHE算法和伽马校正,克服了原始图像对比度低,干扰区域多的缺陷。随机选取了3幅复杂场景下的熔池图像进行了处理,并与其他算法进行对比。结果表明,本文所提算法在增强效果和分割效果上均有明显提升,不仅改善了熔池边缘对比度,还抑制了干扰区域,提高了熔池轮廓分割的准确性和完整性,有助于自动焊精确识别熔池边缘,防止出现咬边,确保焊接质量。

基于图像处理的复杂场景火焰识别与火灾判定方法

为了提高复杂场景及不同火灾场景火焰识别的准确性,提出一种基于图像处理的复杂场景火焰识别与火灾判定方法。结合应用高斯低通滤波、基于HSI的分块同态滤波增强与基于Lab的K-means彩色图像分割算法实现火焰识别,并通过计算评估火焰的面积变化率和质心分散来判定是否发生火灾。结果表明,高斯低通滤波避免了“振铃”现象的产生,且峰值信噪比(PSNR)较巴特沃兹和理想低通滤波方法更高;基于HSI的分块同态滤波增强算法抑制了背景光亮度的影响,并与对比度受限的自适应直方图均衡化(CLAHE)和色彩恢复的多尺度视网膜(MSRCR)算法比较,达到了更高的对比度;基于Lab的K-means分割算法降低了光线及设备对分割结果的影响,与Otsu和区域生长方法相比,能够更准确提取不同场景火灾图像的火焰。通过对30张不同场景的火灾图像进行火焰识别测试,其平均识别准确率达96.66%,处理1张图像用时0.96 s。最后,以某餐厅和室内蔓延火灾火焰及蜡烛稳定燃烧火焰为例,判定当火焰面积变化率不低于0.22且质心分散不低于17.02时发生火灾,应及时触发火灾报警器,降低火灾事故的损失。

卷积神经网络下的复杂场景人群计数算法研究

针对复杂场景,提出了一种基于注意力机制的多尺度融合算法,用于解决复杂场景中的人群计数问题。算法利用卷积神经网络(CNN)进行特征提取,引入通道和空间注意力机制以提高背景和人头目标的识别性能,并自适应校正位置信息。通过卷积池化金字塔和多分支特征融合结构,实现了多尺度特征的优化。采用联合损失函数,包括欧式几何距离损失函数和人数损失函数,提高了人群计数的准确性。实验结果表明,在CNN的运行环境下,该算法在平均绝对误差(MAE)和平均方误差(MSE)等评估指标上优于近年来的主流人群计数方法,对partA和partB数据集都取得显著改进。

改进DeepLabV3+的复杂场景倒塌建筑物分割算法

受逆光、热噪声和云雾遮挡因素的影响,现有分割算法在震后倒塌建筑物提取上精度和效率表现不佳。针对上述问题,基于DeepLabV3+提出了应对复杂场景的倒塌建筑物分割算法。首先,选择MobileNetV2骨干网络进行替换,降低网络的计算参数,提高分割速度。然后,在特征融合阶段引入AS模块,选择性增强与倒塌建筑物相关的特征通道权重系数,解决分割精度低的问题。此外,在骨干网络中引入了FPN架构,使得多级特征在解码阶段得到整合,均衡捕捉不同倒塌范围的建筑物信息。实验结果表明,改进后的网络在一定程度上解决了复杂场景下倒塌建筑物分割效率与精度的难题。

复杂场景散射特性的参数化仿真模型

针对复杂场景电磁散射特性的实时仿真需求,提出了一种基于散射中心的散射特性参数化仿真模型。首先基于数字高程数据,利用蒙特卡罗法补充粗糙度信息,构建复杂地形网格模型;再利用双向反射分布函数修正的属性散射中心(bidirectional reflection distribution function modified attribute scattering center,BRDF-ASC)模型建立参数化仿真模型。数值实验结果表明:所提算法仿真的典型山峰和沙丘地形的雷达散射截面积(radar cross section,RCS)与物理光学(physical optics,PO)法仿真的RCS的均值误差低于3.6 dBsm;与大型海港的实测合成孔径雷达(synthetic aperture radar,SAR)图像进行对比,其参数化散射模型仿真SAR图像的变更检出率为0.1097,验证了所提算法的可行性。

复杂场景下推力可调空空导弹弹道优化研究

本文研究了推力可调空空导弹在复杂场景下的攻击能力和潜在优势。论文设想了一种具有推力可灵活调节特征的空空导弹概念,针对此类概念建立了三维轨迹动力学模型,引入轨迹优化方法研究空空导弹的攻击能力。针对目标丢失再捕获和发射后变更目标两种作战场景开展了飞行性能仿真研究,并且与传统固体火箭动力的空空导弹进行了对比。仿真结果表明:在目标丢失再捕获的场景下,当初始弹目距离为70~100 km时,推力可调空空导弹允许的目标最大丢失时长比传统动力空空导弹增加大约20~40 s,允许的目标最晚丢失时间比传统动力空空导弹晚约20 s;在发射后变更目标的场景下,当初始弹目距离为70~100 km、新旧目标横向距离为30 km时,推力可调空空导弹允许的最晚目标变更时间容忍裕度比传统动力空空导弹推迟大约10~70 s。

复杂场景下无人系统运动决策与控制专栏

随着陆海空天领域中无人系统装备的逐步升级,当前无人系统的任务场景已经由简单安全的已知环境向复杂危险的未知特殊环境过渡。在复杂场景中,无人系统的运动决策及控制是确保各类突发状况下无人系统安全自主操控的核心,而现有无人系统自身的操控能力还无法实现此类复杂场景下的完全自主操控,这无疑给无人系统的安全稳定运行带来了极为严峻的挑战。

复杂场景下基于视觉的非完整车位识别的算法改进

为提高复杂场景下非完整车位识别的准确性,提出了一种基于视觉的车位识别改进算法。该识别算法采用了限制对比度自适应直方图均衡化方法,增强了图像细节;通过设置感兴趣区域和全局阈值分割法,区分了车位和背景、减少了车位周围环境噪声对车位识别的影响;利用形态学和连通域分析,排除了车位上的细小噪声和其他剩余噪声;结合Canny边缘检测标记车位线轮廓边缘点,在原图上绘制准确的车位线轮廓。不同复杂环境下开展了非完整车位识别的试验,试验结果表明,所提出的改进算法相对于传统车位识别算法能够更准确地识别非完整车位,且具有较好的适应性和实时性。

复杂场景中行为识别的关键技术及方法分析

近年来,互联网和AI技术推动了计算机视觉技术的快速发展,特别是在行人检测、行为识别和图像分类方面。视频内容研究需求增加,行为识别技术作为机器视觉的关键方向,虽受关注,但分析复杂行为仍是挑战。主流的研究框架包括行为特征提取、人体行为表示和识别算法3个方面,目前简单场景下的人体简单动作的识别已基本得到解决,而复杂场景下的行为识别仍面临很多困难。本文基于复杂场景为背景,分析了行为识别中的关键技术与方法,包括特征提取、行为模型等。

基于Bow-Tie的复杂场景保护层分析方法研究

为解决复杂场景保护层分析中采用最大值法或加和法存在的问题,将Bow-Tie融入LOPA分析中,建立复杂场景的Bow-Tie计算模型。通过采用事故树分析方法,计算Bow-Tie模型中顶上事件发生的概率,确定预防类保护层及减缓类保护层的失效概率,给出了复杂场景事故发生概率合理的计算方法;通过计算Bow-Tie模型中事故树底事件的概率重要度和临界重要度,提出了判断复杂场景保护层重要度的方法。运用上述方法对某LNG储罐超压损坏的复杂场景进行了计算。研究表明,本方法能实现包含多重初始事件的复杂事故场景后果风险更合理的计算及保护层重要度的判定,从而为提高系统安全性及风险决策提供依据。

复杂场景下自适应注意力机制融合实时语义分割

实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息,再经过特征融合网络(FFN)获得准确语义图像。AAFNet采用扩展的深度可分离卷积(DDW)可增大语义特征提取感受野,提出自适应平均池化(Avp)和自适应最大池化(Amp)构成自适应注意力机制融合模块(AAFM),可细化目标边缘分割效果并降低小目标的漏分率。最后在复杂城市街道场景Cityscapes和CamVid数据集上分别进行了语义分割实验,所设计的AAFNet以32帧/s(Cityscapes)和52帧/s(CamVid)的推理速度获得73.0%和69.8%的平均分割精度(mIoU),且与扩展的空间注意力网络(DSANet)、多尺度上下文融合网络(MSCFNet)以及轻量级双边非对称残差网络(LBARNet)相比,AAFNet平均分割精度最高。

复杂场景中机载激光雷达点云数据地面滤波方法研究

为了提高复杂场景点云数据滤波分类效率,提出了一种将多阶段松紧约束结合的地面滤波算法与基于分段能量函数优化相结合的滤波方法。工程实例验证结果表明:该方法能够提升机载激光点云数据处理的自动化和复杂场景适应能力,满足精度和高效处理需求。