基于互信息的机载LiDAR点云自动滤波处理特征选择

随着机器学习的发展,在LiDAR滤波处理中找到一个适用于所有地形的高效高精度滤波算法是我们一直追求的目标。现在,越来越多的学者致力于提取多个特征进行滤波计算。在选择的特征中难免出现冗余等现象,影响计算效率和滤波精度。本文基于机载激光雷达特有的高程精度优势,采用高程互信息作为测度去判断所选择特征的优劣。经过实验,验证了本文所用方法能够有效剔除自动滤波选特征中的冗余特征。

基于分组LM算法的全波形LiDAR高斯分解

LM(Levenberg-Marquardt)算法是全波形机载激光雷达(Li DAR)数据高斯分解中求解模型参数的一种方法。针对其结果在一定程度上依赖初值、雅克比矩阵出现非数值导致无结果等问题,本文提出分组LM算法,以广义高斯混合函数为模型,模型参数初始化后,将参数分组并使用LM算法依次对各组参数进行优化,并生成点云。为验证结果的可靠性,以系统点云为参考,与基于改进的EM(Expectation Maximum)算法全波形分解法做对比。结果表明,本方法不仅得到较高质量的点云,而且得到回波位置和宽度等信息。

基于超分辨率重建的小目标智能检测算法

针对小目标占有像素少导致检测精确率低的问题,提出一种基于超分辨率重建的小目标检测算法。首先,通过图像预处理对高分辨率图像分块并筛选出含有目标的子图像;其次,构建超分辨率锐化增强模块,引入锐化图像和锐化损失,以获得边缘更清晰的高分辨率子图像;然后,采用多尺度锐化目标检测模块检测目标,该模块添加边缘锐化模型,在深层特征层中进一步锐化图像边缘,弥补深层卷积对细节的损失;最后,根据子图像编号将小目标检测结果回归到原图像中,完成小目标图像检测。在PASCAL VOC数据集和COCO 2017数据集上的实验结果表明,所提算法的平均精确率(mAP)分别为85.3%和54.0%,对COCO数据集的小目标检测精确率为43.5%,高于次优值9.7个百分点。因此,所提算法可以有效减少小目标漏检的次数,提高检测精确率。

结构语义辅助约束的数字孪生场景虚实配准方法

数字孪生城市通常以实景三维模型为空间数据体,并集成各类传感器的物联感知数据,实现虚实融合目的。作为最常用的传感器类型之一,将城市中的视觉传感器与虚拟的实景三维模型准确地配准是数字孪生城市应用的关键,但是现有方法获取的户外6DOF位姿精度通常不足,致使视觉传感器配准精度不高。本文提出了一种结构语义辅助约束的数字孪生场景虚实配准方法,从图像中提取出包含结构语义信息的铅垂线,并生成虚拟场景的透视图和逆深度图,在逆深度和结构语义的约束下,准确地恢复传感器位姿,实现视觉传感器图像在虚拟场景空间中的融合配准。通过试验证明,该方法可以有效对初始位姿进行优化,进而提高数字孪生城市中视觉传感器的配准精度。

图像地理定位研究进展

图像地理定位是将没有地理位置的图像,通过一系列方法获得对应地理位置,使其与现实地理空间建立关联映射的技术。该技术对进一步挖掘图像信息有着重要的作用,在网络空间测绘、情报获取、用户室外定位、增强现实等方面具有较高的应用价值。尽管计算机视觉领域取得了巨大的进展,但是由于图像地理定位涉及到图像特征提取、大规模数据检索、大规模点云处理、深度学习、地理信息特征提取、几何建模与推理、语义场景理解、基于上下文的推理、多数据融合应用等多个领域,所以对图像的高精度自动地理定位仍是需要进一步解决的难题。本文对图像地理定位研究进展进行了梳理,主要包括图像地理定位方法、图像地理定位数据集、图像地理定位评价方法和图像地理定位总结与展望4个方面。首先按照研究内容相关性将图像地理定位方法分为了图像检索、2D-3D匹配和跨模态检索3类方法,并详细介绍了每一类方法的最新研究进展;其次对图像地理定位研究所用的数据集和评价方法进行了归类与总结;最后分析了图像地理定位的研究现状,并从全球地理定位、自然区域地理定位、多方法融合地理定位、基于POI数据的地理定位和预选位置的精细化定位等方面对图像地理定位的未来研究方向进行了展望。