目前,将分割网络与SLAM(Simultaneous Localization and Mapping)结合已成为解决视觉SLAM不能应用于动态环境的主流方案之一,但是SLAM系统受到分割网络处理速度的限制,无法保证实时运行.为此,文中提出基于延迟语义的RGB-D SLAM算法.首先...目前,将分割网络与SLAM(Simultaneous Localization and Mapping)结合已成为解决视觉SLAM不能应用于动态环境的主流方案之一,但是SLAM系统受到分割网络处理速度的限制,无法保证实时运行.为此,文中提出基于延迟语义的RGB-D SLAM算法.首先,并行运行跟踪线程与分割线程,为了得到最新的延迟语义信息,采取跨帧分割的策略处理图像,跟踪线程根据延迟语义信息实时生成当前帧的语义信息.然后,结合成功跟踪计数(STC)与极线约束,筛选当前帧动态点的集合,并确定环境中先验动态物体的真实运动状态.若确定该物体在移动,继续将物体区域细分为矩形网格,以网格为最小单位剔除动态特征点.最后,利用静态特征点追踪相机位姿并构建环境地图.在TUM RGB-D动态场景数据集及真实场景上的实验表明文中算法在大部分数据集上表现较优,由此验证算法的有效性.展开更多
获取周围环境中的语义信息是语义同时定位与建图(Simultaneous Localization and Mapping,SLAM)的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度.因此,文中提出联合深度图聚类与...获取周围环境中的语义信息是语义同时定位与建图(Simultaneous Localization and Mapping,SLAM)的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度.因此,文中提出联合深度图聚类与目标检测的像素级分割算法,在保证实时性的前提下,提高当前语义SLAM系统的定位精度.首先,采用均值滤波算法对深度图的无效点进行修复,使深度信息更真实可靠.然后,分别对RGB图像和对应的深度图像进行目标检测和K-means聚类处理,结合两者结果,得出像素级的物体分割结果.最后,利用上述结果剔除周围环境中的动态点,建立完整、不含动态物体的语义地图.在TUM数据集和真实家居场景中分别进行深度图修复、像素级分割、估计相机轨迹与真实相机轨迹对比实验,结果表明,文中算法具有较好的实时性与鲁棒性.展开更多
在步态识别中,最关键的是获取步态特征之后如何选择最佳投影方向,且计算复杂度较小.因此,根据对现有算法的分析,提出一种基于轮廓特征的的广义步态识别算法.在传统的线性判别分析方法基础上,通过重新定义样本类间离散矩阵寻找最佳投影方...在步态识别中,最关键的是获取步态特征之后如何选择最佳投影方向,且计算复杂度较小.因此,根据对现有算法的分析,提出一种基于轮廓特征的的广义步态识别算法.在传统的线性判别分析方法基础上,通过重新定义样本类间离散矩阵寻找最佳投影方向,使不同的目标映射到同一低维空间中,在保留同类结构信息的同时最大化不同类的间距.首先对每个序列进行运动轮廓提取,根据轮廓解卷绕方法将二维轮廓形状转换为一维距离信号,并通过广义线性判别分析方法(Generalized Linear Discriminative Analysis,GLDA)得到最佳投影空间,最终利用支持向量机(Support Vector M achine,SVM)完成分类识别.实验结果表明,该算法简单有效,具有更高的识别率,并且计算代价及处理速度明显优于其他现有算法.展开更多
文摘获取周围环境中的语义信息是语义同时定位与建图(Simultaneous Localization and Mapping,SLAM)的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度.因此,文中提出联合深度图聚类与目标检测的像素级分割算法,在保证实时性的前提下,提高当前语义SLAM系统的定位精度.首先,采用均值滤波算法对深度图的无效点进行修复,使深度信息更真实可靠.然后,分别对RGB图像和对应的深度图像进行目标检测和K-means聚类处理,结合两者结果,得出像素级的物体分割结果.最后,利用上述结果剔除周围环境中的动态点,建立完整、不含动态物体的语义地图.在TUM数据集和真实家居场景中分别进行深度图修复、像素级分割、估计相机轨迹与真实相机轨迹对比实验,结果表明,文中算法具有较好的实时性与鲁棒性.
文摘在步态识别中,最关键的是获取步态特征之后如何选择最佳投影方向,且计算复杂度较小.因此,根据对现有算法的分析,提出一种基于轮廓特征的的广义步态识别算法.在传统的线性判别分析方法基础上,通过重新定义样本类间离散矩阵寻找最佳投影方向,使不同的目标映射到同一低维空间中,在保留同类结构信息的同时最大化不同类的间距.首先对每个序列进行运动轮廓提取,根据轮廓解卷绕方法将二维轮廓形状转换为一维距离信号,并通过广义线性判别分析方法(Generalized Linear Discriminative Analysis,GLDA)得到最佳投影空间,最终利用支持向量机(Support Vector M achine,SVM)完成分类识别.实验结果表明,该算法简单有效,具有更高的识别率,并且计算代价及处理速度明显优于其他现有算法.