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。

多源异构感知数据融合方法及其在目标定位跟踪中的应用

物联网的全面感知产生了海量的感知数据,并且感知数据呈现为显著的多源异构性.因此,如何实现海量多源异构感知数据的智能处理是一个具有挑战性的课题.数据融合是处理多模态数据并挖掘提取有价值信息的有效手段,但针对多源异构数据,特别是非结构化的视频多媒体信息,如何实现高效的融合计算还面临许多问题需要解决.本文针对物联网多源异构感知信息的处理问题,提出多层次的多源异构数据融合方法,并以基于无线信号、视频和深度感知数据的目标定位跟踪应用为切入点,重点研究多源异构数据的处理、特征表示和数据融合方法.根据不同类型数据的特性采用不同的数据融合方法,通过挖掘无线信号、视频和深度等多源异构数据内在的关联性,实现多源异构数据有价值信息的有效利用.实际复杂场景的实验表明,本文提出的基于多源异构数据融合的目标跟踪和定位方法,能够解决传统依赖单源同质数据的目标跟踪方法所面临的光照变化和遮挡交错等难点问题,并且可以获得较为准确的运动目标三维位置,具有良好的跟踪定位效果.