基于Frobenius范数奇异值分解的快速ICP算法

迭代最近点法(ICP)及其变体是三维点云刚性配准的典型方法,但此类通过迭代计算逐点距离矩阵实现点云配准的方式,严重制约了点云的配准效率。本文提出一种快速ICP算法,利用Frobenius范数表示待配准的两幅点云之间的误差函数,获得误差值最小点位置,并对此位置进行奇异值分解,从而得到旋转矩阵和平移向量,极大压缩了迭代次数和配准时间。在Standford数据集和3DMatch数据集上进行试验,与传统ICP算法及其变体、3种基于学习的点云配准算法进行对比,本文方法配准效率最优;在达到相近的配准精确度时,提出的快速ICP方法的迭代次数仅为传统ICP算法的0.2倍,在Standford数据集上配准所需时间为传统ICP算法的1/4,在3D Match数据集上配准所需时间为传统ICP算法的1/8倍。本文提出的快速ICP算法在数据量大的点云场景下,具有更高的效率。

三维点云深度模型压缩算法

随着计算机三维视觉的广泛应用,近几年基于深度学习的点云处理算法得到了大量研究,而耗时耗存储的缺陷较大程度限制了其在移动端的部署应用。基于改进损失函数的总体思路,提出了一种新的点云深度模型压缩框架,将知识蒸馏方法引入二值量化模型中,同时考虑点云聚合操作的特殊性引入了辅助损失项,改进的损失函数共包括预测损失项、蒸馏损失项和辅助损失项三部分。实验结果表明,和已有算法相比,所提算法可以获取更高的精度,同时对当前点云主流深度网络模型也具有良好的扩展性。

基于注意力机制的语义增强损失函数与全景分割

全景分割是计算机视觉中重要的研究方向。考虑到不同应用场景对语义分割精度的要求不同,本文提出一种基于注意力机制的语义增强损失函数和全景分割方法。首先将语义类别按照重要程度分组,加入注意力机制来对不同语义信息进行区分,并通过对损失权重的设计有效抑制了分类失衡问题;其次设计一种全景分割网络,利用MaskR CNN网络作为实例分割子分支并加入FPN结构作为语义分割基准,提高了所需物体种类的分割精度;最后通过设计重叠结果剔除规则避免了网络结构中的实例和语义分割分支输出的重叠问题。通过对COCO数据集的对比实验表明,本文提出的语义增强损失函数有效提高了优先级较高语义类别的分割效果,为不同应用场景的全景分割提供了更加高质量的语义信息。

激光雷达应用技术研究进展

随着激光成像雷达技术的快速发展,激光雷达三维点云数据在多个领域展现出良好的应用前景。本文首先概述了激光雷达的基本原理和性能优势,进而重点阐述了激光雷达在调查监测、建模测绘、探测测量、医疗、军事等各方面的实际应用。

基于视觉显著性的层次形状分解方法

形状分解是形状理解与分析的重要基础.在充分理解人类视觉特性的基础上,联合形状骨架与轮廓特征构建了一种视觉显著性度量即视觉显著度,并提出一种基于视觉显著度的层次形状分解方法.首先采用基于距离变换的骨架生成方法获取目标骨架,之后利用骨架分叉点生成所有候选分割线,最后通过分叉点对应的内切圆半径以及轮廓段的视觉显著度对分割线进行优选获得最优解.实验结果表明,该方法对噪声、形变具有较好的鲁棒性,分解结果符合人类视觉习惯;此外,通过调整显著性阈值可获得不同尺度下的细节分解结果,具有更好的灵活性.

一种基于光学测量的航天器结构分析方法

对空间目标进行形态结构分析,对于航天器空间操作和空间攻防等空间任务具有重要意义。探索了一种空间目标结构分析方法。首先利用最小曲率准则和最短分割线准则,并结合目标骨架,构建了一种新的形状分解的方法;在此基础上,将小波矩特征引入到卫星部件形状分析中,并利用粗糙集约简算法选择有效的小波矩特征;最后利用支持向量机构造了多尺度形状识别器,结合目标先验信息实现对空间目标结构的分析。仿真实验结果表明了所提方法的有效性。

脉冲调制激光雷达水下成像系统

针对水下目标探测应用场景,给出了相应的532 nm波长激光雷达系统参数,结合条纹管激光雷达和载波调制激光雷达的优点,设计研制了一套水下三维成像增程激光雷达原理样机。相对于常见的微波调制激光产生高频脉冲的方案,该原理样机采取调Q技术压缩激光脉冲,再结合F-P腔的特性产生高频激光脉冲,具有峰值功率高和输出能量高的优点。实验结果表明,该原理样机在清水环境中成像距离优于20 m,能够捕捉到13 m处直径9 mm的目标细节;在浊水环境中的信号处理增程能力达到81.4%,相对距离分辨误差为0.01 m。所获得的实验结果为进一步提升水下激光雷达的成像距离和分辨率进而发展水下成像装备奠定了基础。

基于半球形邻域的激光雷达点云局部特征提取

为提升激光雷达点云目标识别的效率和减少计算开销,本文通过采用改进的邻域确定方法和LRF估计方法,提出了一种新的特征描述子:半球单值形状上下文特征描述子(Hemispheric Unique Shape Context,HUSC)。首先计算关键点处的互相关矩阵,并根据邻域点附近的点密度进行加权,以此估计关键点的法向量和切平面,并建立局部参考坐标系;然后以该切平面为底面构建半球形邻域,并将其按照方位角、极角和径向划分为多个栅格;最后统计各栅格中的点数,得到关键点的局部特征描述子。HUSC特征描述子在保证描述子准确率的同时,通过减少冗余栅格数量提高目标识别的效率。在Bologna、3DMatch数据集上进行的实验表明,基于半球形邻域的HUSC特征描述子与基于球形邻域的USC描述子对噪声鲁棒、对分辨率变化稳健性相当,但HUSC特征描述子占用内存更小,运算速度更快。

基于RDSNet的毫米波雷达人体跌倒检测方法

随着人口老龄化的到来,跌倒检测逐渐成为研究热点。针对基于毫米波雷达的人体跌倒检测应用,该文提出了一种融合卷积神经网络和长短时记忆网络的距离多普勒热图序列检测网络(RDSNet)模型。首先通过卷积神经网络对距离多普勒热图进行特征提取得到特征向量,然后将动态序列对应的特征向量序列依次输入长短时记忆网络,进而学习得到热图序列的时间相关性信息,最后通过分类器网络得到检测结果。利用毫米波雷达采集了不同对象的多种人体动作,构建了距离多普勒热图数据集。对比试验表明,所提出的RDSNet网络模型检测准确率可达到96.67%,计算时延小于50 ms,而且具有良好的泛化能力,可为跌倒检测和人体姿态识别提供新的技术思路。

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络(Multi-scale Residual CNN with Attention, MR-CNN-A)进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明:对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。

副载波调制脉冲激光雷达水下传输特性研究

在激光雷达的水下应用中,由于水体对光的吸收和散射作用使得激光在水下的传输复杂多变,尤其是后向散射所造成的噪声会降低目标对比度甚至淹没目标回波,导致水下激光回波检测面临挑战。副载波调制技术可以有效地改善激光雷达系统水下探测性能,提高目标回波信号的信噪比。基于Monte Carlo方法提出了改进的副载波调制脉冲激光雷达水下传输模型,研究了海水衰减系数和通频带等因素对于系统性能的影响。仿真结果表明:相比于传统激光雷达,水体环境参数、滤波过程中的通频带选择对于系统水下探测性能影响较大;副载波调制技术可以提高目标回波信噪比和测量精度,有效改善系统性能。

基于通道注意力机制的单目深度估计

现有单目深度估计(Monocular depth estimation)算法存在细节估计不准确、同一平面距离估计错误的问题。深度信息是通过图像像素的三通道信息估计出来的,目前已有的算法中很少考虑特征图通道之间的相互关系对深度信息的影响。因此本文提出了一种SE-DenseDepth网络,在网络的编码器中嵌入通道注意力机制,依据不同通道对深度信息的贡献度差异,对通道进行编码,提高编码器对图像特征的表征能力。为了获得图像精细的深度信息,网络建立编码器到解码器的跳连接,引入了更多的低层信息。本文在通用室内数据集NYU-Depth V2上训练,并在真实数据上测试。实验结果表明,本文提出的方法在深度突然变化的细节区域表现更好,在远距离大平面的情况下不会出现深度的断层,与其他主流算法相比可以获得较好的深度估计性能。

用于被动声纳微弱目标检测的宽带最大信噪比方法

本文尝试利用匹配场处理中的能量匹配思想,对阵列波束形成进行优化,用于解决水下目标被动声纳微弱信号检测问题。首先,本文对比了基于线性非相干、MVDR非相干、线性相干和MVDR相干四种匹配场处理器的检测方法的性能,之后分析推导了线性非相干处理器的输出信噪比和输出功率,得出了在声源频谱起伏增大时线性非相干处理器的检测能力会下降的结论。为了得到更高的输出信噪比,本文提出了最大信噪比处理器,在理想情况下可以在处理带宽上达到最高的输出信噪比。最大信噪比处理器没有通过归一化消除声源的影响,而是利用声源频谱的估计值和拷贝场直接对接收数据进行匹配。本文证明了最大信噪比处理器的检测能力优于线性非相干处理器,并且通过仿真实验进一步验证了这个结论。

高等院校在开展海洋技术在线职业教育中面临的挑战

移动互联网主导的新时代,在线课程已经成为最受欢迎的教育模式,也是职场人士提升自己综合素质和改善职业技能的有效手段。响应我国职业化教育的号召,海洋技术相关的高等院校也积极探索推进海洋技术职业教育与在线授课模式的结合。该文主要从教学团队能力水平和教学效果评价方法两个方面,研究高校在开展海洋技术在线职业教育中面临的挑战,致力于提高现有高校教育人员应对在线教育的挑战,改善自身教学方法,探索适合在线教育的评价考核方法,建设卓有成效的在线职业教育团队。

天基空间目标成像仿真系统设计与实现

设计了一个基于可见光成像并针对空间点目标的天基空间目标成像仿真系统。分析了天基空间目标探测成像的过程,据此将成像仿真过程分为轨道仿真、恒星背景成像仿真、目标成像仿真及电荷耦合器件(CCD)传感器系统仿真四个部分。在空间目标仿真部分将卫星主体简化为长方体、圆柱体及球体三种结构,借鉴雷达截面积提出了目标的光学截面积,利用目标光学截面积可以简单快速地得到目标在成像平面上的亮度大小。该系统实现了基于可见光成像的远距离天基空间点目标成像仿真,可以获取任意观测时段、任意轨道下不同主体结构的空间目标观测仿真图像。

基于分层墨卡托投影的激光雷达点云数据局部特征描述

为了高效提取激光雷达点云数据的局部几何结构特征,实现三维(3D)目标的配准、检测和识别,提出了一种基于分层墨卡托投影(HMec)的局部点云特征描述子。首先,采用传统方法进行特征提取;然后,利用具有保角特性的墨卡托投影,将3D点云数据的局部邻域点分层投影到多个墨卡托平面上;最后,分别统计各墨卡托平面的分布直方图,得到特征点的局部特征描述子。HMec特征描述子能很好地保留点云的局部几何结构特征,从而提高特征描述子的辨别力。在Bologna和3DMatch数据集上的测试结果表明,相比其他9种局部特征描述子,HMec特征描述子的辨别力更强、噪声鲁棒性更好。

高分辨率三维成像激光雷达的应用

激光雷达可以准确、快速获取目标的三维(3D)空间信息,是一种常用的高分辨率成像技术。结合高频脉冲激光器、条纹相机以及信号处理技术,设计了一套激光雷达3D成像系统。其中,脉冲激光具有高峰值功率的特点,可以有效探测远距离目标物。相比高频微波调制的激光脉冲,结合脉冲压缩和法布里-珀罗腔振荡可以获得高能量的激光脉冲。条纹相机是一种具有快速微弱光探测能力的高速相机,可对远距离目标进行探测。采用均值滤波和邻域均值滤波方式抑制条纹相机的背景噪声,采用带通滤波和匹配滤波抑制低频噪声、提高信噪比,根据噪声的强度分布,用阈值滤波滤除剩余噪声,最终获得高精度的3D目标图像。在空气、烟雾中的3D目标成像实验结果表明,本系统具有较高的距离分辨率和目标细节捕捉能力。

嵌入Transformer结构的多尺度点云补全

目的当前点云补全的深度学习算法多采用自编码器结构,然而编码器端常用的多层感知器(multilayer perceptron,MLP)网络往往只聚焦于点云整体形状,很难对物体的细节特征进行有效提取,使点云残缺结构的补全效果不佳。因此需要一种准确的点云局部特征提取算法,用于点云补全任务。方法为解决该问题,本文提出了嵌入注意力模块的多尺度点云补全算法。网络整体采用编码器—解码器结构,通过编码器端的特征嵌入层和Transformer层提取并融合3种不同分辨率的残缺点云特征信息,将其输入到全连接网络的解码器中,输出逐级补全的缺失点云。最后在解码器端添加注意力鉴别器,借鉴生成对抗网络(generative adversarial networks,GAN)的思想,优化网络补全性能。结果采用倒角距离(Chamfer distance,CD)作为评价标准,本文算法在2个数据集上与相关的4种方法进行了实验比较,在Shape Net数据集上,相比于性能第2的PF-Net(point fractal network)模型,本文算法的类别平均CD值降低了3.73%;在ModelNet10数据集上,相比于PF-Net模型,本文算法的类别平均CD值降低了12.75%。不同算法的可视化补全效果图,验证了本文算法具有更精准的细节结构补全能力和面对类别中特殊样本的强泛化能力。结论本文所提出的基于Transformer结构的多尺度点云补全算法,更好地提取了残缺点云的局部特征信息,使得点云补全的结果更加准确。

融合附加神经网络的激光雷达点云单目标跟踪

已有激光雷达点云单目标跟踪工作对分布稀疏、小规模点云目标的跟踪性能不佳。针对该问题,提出了一种融合附加神经网络的点云单目标跟踪算法。所提算法在网络训练时,利用附加网络执行前景点云分割和中心坐标偏移回归的附加任务,引导骨干网络学习稀疏、小规模目标点云的高鉴别力特征,供后续网络在逐帧点云中完成对目标的定位和与背景的区分;网络推断时,则绕过附加网络,直接由骨干网络提取目标点云特征,在保证跟踪任务准确性的同时满足任务实时性的要求。在KITTI数据集上的测试结果表明:相较于已有工作,所提算法在相同参数设定下平均跟踪成功率提高了0.89个百分点,平均跟踪准确率提高了2.51个百分点;并且通过对参数设定的进一步研究与调整,最终所提算法平均跟踪成功率提高了4.54个百分点,平均跟踪准确率提高了7.83个百分点,且对分布稀疏、点数较少的点云目标有明显的性能提升。

一种优化的可拓展激光雷达点云可学习二值量化网络

为解决激光雷达点云深度学习网络模型在移动端嵌入式设备部署存在的耗时耗存储问题,提出了一种激光雷达点云可学习二值量化网络模型。该模型基于特征的知识蒸馏,将全精度网络各层统计特征知识转移到二值量化网络,较大幅度地提升了量化精度;提出基于遗传算法的二值量化尺度因子恢复可学习优化算法,通过逐层搜索初始最优尺度恢复因子,并通过网络自学习大幅减少网络参数量;提出一种统计自适应池化损失最小化算法,包括量化网络自调节和全精度网络转移调节两种方式,以解决量化网络中池化信息损失较大的问题。实验结果表明,所提算法在获取高精度的同时实现了较大压缩比和加速比,可将PointNet大小压缩为原来的1/23、加速35倍以上,对其他点云主流深度网络具有良好的扩展性。