面向室内场景三维重建的分区联合双边滤波方法

基于RGB-D传感器的三维重建在高精度制图中应用广泛,然而深度相机采集的图像存在深度值缺失和噪声等问题,影响了三维点云建图的准确度。针对此问题,提出分区联合双边滤波算法。该算法依据深度图像和灰度图像的左右差异分析像素置信度,并对深度图像中缺失像素做插值处理,实现了对图像基于置信度的分区联合双边滤波。采用Middbur标准数据库和Fast Sensor Motion Dataset数据集进行定性分析和定量对比,证明分区联合双边滤波算法有效平滑了噪声。将该算法应用于三维重建,实验结果表明该算法有效修复了深度图像,提高了三维点云建图和位姿估计的精度。

双目视觉与惯导融合的移动机器人定位方法

为了提高移动机器人的定位精度,提出一种双目视觉与惯导融合的视觉SLAM算法。在视觉SLAM前端部分,为了保持直接法计算速度快及特征法精度高的特点,提出一种融合直接法和特征法的半直接法双目视觉里程计。在后端优化阶段,将视觉数据与IMU数据相互融合,在滑动窗口中以非线性优化的方式构建误差函数,优化位姿计算精度。在EuRoc数据集中对本文提出的算法进行试验验证。结果表明,与开源的视觉惯导融合的SLAM系统OKVIS、ROVIO和VINS-Mono相比,本文系统在Machine Hall与Vicon Room两个场景中的定位精度均得到了明显的提升,同时可以保持较高的运行效率。

基于深度学习的语义SLAM关键帧图像处理

同时定位和地图构建(SLAM)凭借其高能效和低功耗等特点在诸多领域应用前景广阔。然而,在传统的SLAM系统中仍存在一些问题:传统的视觉里程计中关键帧并不包含语义信息,移动机器人获取的图像信息较为单一,且在实际场景中关键帧总包含大量误匹配点和动态点。针对以上问题,本文提出一种语义SLAM思路。首先,为了能够匹配到正确且对应的特征点,摒弃动态点和误匹配点的干扰,提出了一种基于Lucas-Kanade光流法的相邻帧特征状态判别法,将这项功能作为新的线程加入ORB-SLAM3的视觉里程计部分,完成对部分传统SLAM框架的优化和改进工作。其次,针对传统SLAM系统前端视觉里程计获取的图像帧不包含任何语义信息的问题,使用基于YOLOV4的目标检测算法和融合全连接条件随机场CRF的Mask R-CNN语义分割算法对ORB-SLAM3中的关键帧图像进行处理,有效提高了机器人等智能设备对室内环境的感知能力。

浅谈生物教学识图能力的培养

识图能力的提升能够激发学生学习生物学的兴趣,在生物教学过程中,教师要善于利用多媒体课件来优化教学资源,从看图说话、生物绘图入手,激发学生的学习积极性和收集处理信息的潜力,从而培养学生的识图能力,构建生动的情境课堂,提高课堂教学效率。