基于局部小波矩的易混淆三维目标识别

使用多视点特性视图方法进行易混淆三维目标识别时,由于目标具有相似的轮廓,必须辅以局部特征提取以提高识别率。传统的小波矩仅具有径向区间上的局部性,不具有角度区间上的局部性,因此提取的特征不能较好地分辨易混淆目标。利用信息采样方法,首先获得目标视图的先验信息,将目标视图分为若干个区域,由贝叶斯后验估计,分别计算基于这些区域的后验信息,然后比较其与先验信息的差异,即可获得视图中最具有分辨力的局部区域,计算这个区域上的小波矩,即可获得具有一定角度区间上的局部小波矩。研究表明,与传统的局部特征提取方法相比,这种新算法提取的局部特征具有更好的局部性,可以有效地应用于易混淆三维目标识别。

基于不变矩和SVM分类的三维目标识别方法

在计算机视觉问题的研究中,针对三维目标识别,可综合应用图像的不变矩特征和支持向量机分类方法,为快速目标识别,减少计算量,提出了一种红外图像中多视点目标的识别方法。首先获取各类三维目标的若干二维视图,将视图放在一起进行标准化处理并提取它们的不变特征矩。然后对每组视图的Zernike矩进行聚类;将聚类中心对应的Zernike矩作为此类飞机的特征矩,就完成了三维目特性视图的选取。识别过程中,针对实际要识别的目标,提取它的特征矩并应用支持向量机的方法进行多目标分类。测试结果表明,提出的方法较好地实现了红外图像中多角度目标的识别准确性,与传统的三维目标识别算法相比,计算量较小,是一种有效的自动目标识别算法。

基于快速骨架提取的三维目标识别(英文)

针对三维目标识别问题,提出了一种基于快速骨架提取的方法。根据骨架所反映的目标拓扑结构,建立了不同目标局部结构之间的对应关系;而在对应的局部曲线段上,采用基于曲线配准的方法进行匹配;以各个局部匹配的成本之和评估不同目标的相似性.这种方法在目标出现一定程度的视觉变形时仍具有较好的识别效果,同时避免了基于曲线方法的匹配目标的局部,而忽略局部之间相互的空间组织的缺点所造成的误匹配.算例结果表明这种算法对于三维目标有较好的识别效果.

基于强分类器的神经网络三维目标识别

在使用神经网络识别三维目标时,样本之间可能存在较大差异,会给准确识别带来困难;针对这一问题,提出了一种基于强分类器的三维目标识别方法;该方法首先对预处理后的图像求不变矩,并将这些不变矩作为训练和识别的样本;然后选择任意一种神经网络作为弱分类器进行训练,将首次训练的样本权值设为平均值,之后根据每次训练情况调整下层弱分类器样本的权值,之后将每次训练得到的分类器融合起来,作为最终的决策分类器;实验结果表明,在隐含层20个神经元的3层BP网络中,该方法的识别正确率比单个神经网络的平均识别正确率高2.42%。

基于航迹插值和模型匹配的三维目标识别

提出一种先估计姿态后识别目标的新方法,克服了传统三维目标识别算法的多义性问题。首先根据航迹三次样条插值函数估算目标姿态,避免了复杂的图像处理过程,计算速度快;然后在虚拟环境中将候选目标调整到该姿态并生成相应的二维模型;最后根据不变矩特征的欧氏距离识别出目标。实验表明,该方法具有较好的准确性和实时性,对于提高三维目标识别的效率具有理论意义。

基于混合特征提取的易混淆三维目标识别研究

针对易混淆三维目标识别这一问题,通过提取混合特征完成识别;首先获取各类三维目标的若干二维视图,将这些视图放在一起提取它们的大体轮廓特征并进行分类,使得具有相似外形的目标分为一类;然后采用基于统计学的标志矩提取方法提取每类中能分辨各种目标的局部特征,这样特征库就建立了;识别过程中,针对实际要识别的目标,提取它的混合特征并与库中数据进行匹配,确定其类型;算例研究表明,基于混合特征提取的识别系统结构简单、高效。

基于点云数据的三维目标识别和模型分割方法

三维模型的深度特征表示是三维目标识别和三维模型语义分割的关键和前提,在机器人、自动驾驶、虚拟现实、遥感测绘等领域有着广泛的应用前景。然而传统的卷积神经网络需要以规则化的数据作为输入,对于点云数据需要转换为视图或体素网格来处理,过程复杂且损失了三维模型的几何结构信息。借助已有的可以直接处理点云数据的深度网络,针对产生的特征缺少局部拓扑信息问题进行改进,提出一种利用双对称函数和空间转换网络获得更鲁棒、鉴别力更强的特征。实验表明,通过端到端的方式很好地解决缺少局部信息问题,在三维目标识别、三维场景语义分割任务上取得了更好的实验效果,并且相比于PointNet++在相同精度的情况下训练时间减少了20%。

三维目标识别原理及关键技术

:叙述了三维目标识别与灰度图象的联系和区别 ,分析了三维目标的位置和姿态对深度数据的影响 ,并对三维目标识别问题进行了数学描述 .

基于网格统计模型的三维目标识别

提出一种基于网格的统计模型的三维目标识别算法。首先将网格结构引入多视点图像,并针对网格位置,利用三维目标多视点间的关联性,再根据目标的局部不变特征建立统计模型;其次对图像数据库COIL中三维目标的自由度进行扩充;最后在此基础上,对算法的识别性能进行测试。实验结果表明,该算法不仅能有效识别三维目标的类别,而且能够对目标的姿态做出可靠的判断,具有较强的鲁棒性。

应用于汽车主动安全的三维目标识别算法研究

针对车载条件下获取的深度图像场景复杂,部分深度信息缺失的问题,本文引入了鲁棒的方位直方图特征和高效的三维霍夫投票算法,可以在场景复杂,部分深度信息缺失的条件下实现三维目标识别,为车载条件下的三维目标识别提供了解决方案。

基于曲率关键点的点对特征三维目标识别

精准的三维(three-dimensional, 3D)目标识别对于机器人自主抓取至关重要,针对目前基于原始点对特征(point-pair feature, PPF)的三维目标识别算法中存在识别速度慢、严重遮挡场景下识别率低的问题,提出了一种基于曲率关键点的点对特征三维目标识别算法。该算法根据点云法向量邻域夹角均值,快速估算点云曲率,以此提取关键点,通过对关键点计算点对特征,剔除了模型点对特征哈希表中存在的大量冗余点对。使用结合位姿聚类和假设检验的位姿优化算法,首先通过位姿聚类对候选假设位姿进行优化,其次位姿聚类后采用ICP (iterative closest point)算法对候选位姿进行细化,最后利用基于重合度计算匹配分数的假设检验算法滤除错误假设并得出最佳假设位姿。实验结果表明,在公开数据集上,所提方法能够获得95.2%的平均识别率,减少模型点对特征哈希表构建时间并且提高在严重遮挡场景下的识别率。

基于自旋图的三维自动目标识别

将三维表面匹配领域的自旋图(spin-images)方法运用于扫描激光雷达自动目标识别中,基于自旋图特征,提出了平均最大相似性度量、候选对应关系数目、几何一致性筛选后对应关系数目、分组筛选后最大组的对应关系数目这4个识别指标,并将其组合构成组合识别准则,从而进行三维目标识别。同时针对实际应用需求,进一步研究了点云空间分辨率、激光雷达测距误差以及遮挡对目标识别率的影响,为激光雷达三维目标识别系统的设计提供了参考。

三维运动目标的多尺度智能递推识别新方法

在实际成像条件下,运动中的三维目标,其投影形状(Silhouette)是变化的,因而其可识别性也处于变动中．为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念．讨论了建立多尺度三维目标特性视图特征模型的必要性,以及将目标运动特性一般约束用于目标序列图像识别的合理性．据此,提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR)．构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元．在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量．在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的．与文献中的基于单尺度特性视图的三维目标识别方法相比,本文的方法训练过程简单,只需较少的目标特性视图模型样本,不仅能处理单帧图像,更能有效处理序列图像．对几类飞机目标的大规模模拟实验结果证实了本文方法的合理性和有效性．

三维视觉下的目标识别与位姿估计方法

为了提高遮挡环境下三维目标点云的识别率,提出将聚类视点特征直方图(clustering viewpoint feature histogram,CVFH)算法与方向特征直方图(signature of histograms of orienTations,SHOT)算法相结合的特征融合识别(CV-SHOT)算法。利用CVFH特征对分割的场景点云进行快速粗识别,提取相似目标点云SHOT特征并获得模型-场景对应点集,通过引入3D霍夫投票机制对场景目标进行精确识别并获得点云目标初始位姿。基于迭代最近点(iterative close point,ICP)算法实现目标精确定位以及位姿估计并搭建实验环境,测试单物体场景以及多物体部分遮挡场景。结果表明:CV-SHOT算法识别率达到90%以上,与传统的点云识别算法相比,识别率明显提高、鲁棒性更强,可对室内复杂场景目标进行有效识别与位姿估计。

动态特征空间和三维运动目标的智能递推识别方法

在实际成像条件下,运动中的三维目标,其投影形状(silhouette)是变化的,因而其可识别性也处于变动中.为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念.提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR).构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元.在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量.在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的.

基于傅氏描绘子的三维目标飞机识别算法

本文介绍了一种改进的傅氏描绘子的方法，它可提取出目标在任意仿射变换下都不改变的特征，该方法基于边缘的描述，将其进行傅氏变换后计算不变量，同时我们构造Hopfield网络使其具有平移不变的特性。对六种不同的飞机进行特征提取并结合Hopfield网络作为分类器，可以实现对三维目标的有效识别，实验证明，该算法对三维目标识别是很有效的。

基于增强型点对特征的三维目标识别方法

针对基于原始点对特征的三维目标识别算法中存在的内存浪费、效率不高的问题,提出了一种基于增强型点对特征的三维目标识别算法。通过在原始点对特征的第4个分量上乘以一个符号函数,得到了一种区分性更强的点对特征,消除了原始点对特征存在的二义性。考虑到待识别目标三维模型存在的自遮挡,利用点对之间的视点可见性约束,剔除了目标三维模型哈希表中存在的大量冗余点对,节省了内存开销并提高了三维目标识别算法的识别准确率和效率。在开放数据集和实际采集的数据集上的实验结果表明,与基于原始点对特征的算法相比,所提三维目标识别算法在识别准确率和效率上都有一定程度的提升。

遥感图像三维目标多视点建模识别方法

研究利用遥感灰度图像识别三维目标时的问题 ,提出一种基于多视点模型的匹配识别方法 .使用 3D广义锥模型投影得到二维视面模型 ,用于描述不同视点下的目标视面 ,并用几何结构特征来检索模型库 .匹配过程层次地使用全局的与局部的、统计的与结构的目标识别特征 ,分为检索和精确匹配两个步骤完成 .通过实验验证了该方法的有效性 .

三维目标重建及视觉识别技术研究现状分析

目前,二维图像的机器视觉得到了大力发展。随着技术的发展和应用领域的深入,如今三维机器视觉技术开始得到越来越多的重视。与二维视觉相比,三维机器视觉技术能获得目标完整的空间三维坐标信息,而且不受视点的影响。因此,三维视觉能对场景目标作出更为精确的识别、定位和测量。文章综述了目前有关三维机器视觉中三维坐标重建、三维目标的识别这两个方面的研究情况。

基于方面图技术的三维运动目标识别

三维目标在不同的视点下呈现不同的姿态 ,所得的二维视图也不尽相同 ,因此三维目标识别是一个较为复杂的问题 .为此提出了通过图象序列和图象序列之间的转移关系 ,根据胜者为王的原则来识别三维目标的方法 .该方法采用极指数栅格技术和傅立叶变换相结合得到目标的轮廓不变量 ;用神经网络结合方面图技术 ,通过识别运动目标图象序列来识别三维运动目标 ,实现了一个目标识别系统 .实验结果证明 。