基于形状上下文特征和ICP的高精度轮廓视觉检测算法

为了解决任意形状工件轮廓尺寸的高精度检测问题,提出了一种基于形状上下文特征和迭代最近点的轮廓视觉检测算法.首先,在图像中采用基于局部面积的边缘提取算法提取工件的亚像素边缘,并过滤掉噪声和补齐轮廓;然后,基于从粗到精的匹配策略,先使用形状上下文特征进行粗匹配,再使用迭代最近点算法进行精匹配;最后,提出邻域法来计算出轮廓偏差.标定板实验和工件实验结果表明,该算法的检测精度达到0.5个像素,可以满足实际应用的需要;同时,该算法应用在工业检测上可大大提升误差检测的应用范围和工业生产效率.

基于BRISK特征点改进的跟踪学习检测方法

为提高长时目标跟踪的鲁棒性和准确性,提出一种改进的跟踪学习检测(TLD)方法。利用少量具有尺度不变特性的BRISK特征点和均匀分布点组成跟踪点集合代替TLD中的均匀分布跟踪点。这样不仅可以减少跟踪部分的计算量,而且可以提高跟踪的鲁棒性。当跟踪器利用前后项误差检测到遮挡时,通过使用目标的空间上下文信息扩大跟踪范围再次跟踪,进而解决遮挡的问题。实验结果表明,改进的TLD方法在多个测试序列上都有较好的跟踪性能,与传统的TLD相比,鲁棒性更好,准确率更高。

结合上下文信息和注意力的点云目标检测方法

针对基于体素的点云目标检测存在上下文信息利用不足和特征提取能力不足的问题,提出一种基于体素的3D目标检测模型(AA-PointPillars),通过引入三重注意力机制获得更鲁棒的体素特征,同时建立不同体素之间的依赖关系。在主干网络中,通过引入卷积注意力模块CBAM从通道维度和空间维度两方面增强对检测有帮助的特征,抑制背景噪声,得到更精确的检测结果。在KITTI数据集上的实验结果表明,与基准模型相比,算法的均值平均精度mAP在BEV(Bird′s Eye View)检测和3D检测上分别提升了1.15%和2.28%,证明了方法的有效性。

一种基于注意力机制和上下文感知的三维目标检测网络

随着自动驾驶的发展,行车安全成为关键性问题。由于点云场景杂乱、背景环境干扰大以及场景采集范围扩增,点云愈加稀疏,使得检测算法鲁棒性变弱。为缓解以上问题,文中提出了一种基于注意力机制和上下文感知的三维目标检测算法。在点云处理阶段,增加点云双向注意力机制生成点权重矩阵,显示标注重要点数据,抑制背景噪声干扰。在伪图特征提取模块中,添加FPN(Feature Pyramid Network)模块重复利用多尺度特征,引入上下文感知模块(Context Awareness Module,CAM)捕捉多比例的上下文语义,并基于源特征设计注意力导向模块(Attention Guide Module,AGM)生成空间位置清晰的导向权图,缓解冗余特征导致的空间模糊问题。文中网络基于KITTI数据集进行测试,结果表明在困难指标下,和基线网络相比,所提方法中行人、汽车和骑行者平均精度(Average Precision,AP)分别提升了0.59%、0.87%和1.42%;和新基线网络相比,在3种难度级别下,所提方法中行人的平均精度分别提升了3.04%、3.53%和3.23%,结果证明改进网络可有效提升三维目标检测性能。

利用软交换呼叫模型实现Meet-me会议业务

Meet-me会议业务是软交换下一种较常见的、实用的业务形式。给出了一个典型的软交换体系结构,并对软交换呼叫模型及相关理论进行了分析,重点分析了呼叫控制功能模型、业务交换功能模型、基本呼叫状态模型、连接视图状态、半侧呼叫、检出点、呼叫段关联、呼叫段、Leg,并结合上述理论和概念,描述了1个内嵌的Meet_me业务逻辑的设计实现思路。

基于扫描上下文优化的紧耦合激光SLAM方法

高精度地图与定位是无人车实现自主导航作业的重要前提,针对现有松耦合融合方法对观测信息利用不充分,以及传统闭环检测方法匹配精度低等问题,提出一种基于扫描上下文优化的紧耦合激光SLAM方法—–optimized SC-LIO-SAM.首先, IMU通过预积分对点云进行去偏校正,同时为激光里程计提供初始位姿估计;激光里程计通过滑动窗口的方法将当前帧的特征点云与局部地图匹配,随后基于扫描上下文的方法对特征点云进行编码生成点云描述符,实现高效的闭环检测;基于LIO-SAM的框架,将IMU预积分因子、激光里程计因子、GPS因子以及闭环因子插入全局因子图中,通过基于贝叶斯树的增量平滑优化算法对全局点云优化更新.为了验证所提方法的有效性,采用KITTI数据集评估optimised SC-LIO-SAM的性能,并与LOAM、LEGO-LOAM以及LIO-SAM对比,结果表明, optimised SC-LIO-SAM相比于LOAM、LEGO-LOAM以及LIO-SAM等算法,定位精度显著提升.最后将算法应用在开源数据集中,验证了optimised SC-LIO-SAM能够构建全局一致的地图.