基于深度学习的3D激光测量图像反光区域分离方法

提出了基于深度学习的3D激光测量图像中反光区域准确且稳定的分离方法。基于深度学习模型U-net网络实现了对3D激光测量图像中反光区域和激光线区域的语义分割;图像语义分割实现了对测量图像中不同区域的高精度分离。反光区域分离后的图像能够减少反光对中心线提取的干扰,研究结果表明,基于深度学习的激光测量图像区域分割可以更加精确地实现激光条纹的提取,同时保证提取结果的稳定性。单幅激光测量图像的区域分割时间仅为2.3ms,激光条纹中心提取精度均值为0.176pixel,标准差为0.119pixel,有效地保障了激光测量图像中激光条纹中心线的提取精度和鲁棒性。

基于偏振信息的车窗透反混叠图像解耦研究

随着智慧城市、智慧交通和天网工程的不断发展,复杂城市环境下的车窗透反混叠图像解耦技术成为当前研究的热点,在卡口登记、安全驾驶、逃犯追踪和军事反恐等领域需求迫切。为克服传统成像技术依赖光强信息、易受环境干扰等劣势,基于偏振成像技术建立玻璃透反光传输模型,提出车窗透射信息光和反射干扰光的解耦分离方法,面向室内模拟场景和户外真实场景开展实验研究。结果表明:室内场景下轿车模型和客车模型消反图像的信息熵较原始强度图像分别提升14.3%和9.8%;室外场景真实车辆消反图像因消除包含大量环境信息的反射光成分而使信息熵较原始强度图像下降2.7%;这几类场景消反图像的区域对比度相较原始强度图像分别提升40.1%、117.5%、237.8%。此外,研究图像消反质量与模型几何因素的相关关系,所得结论能对相机摆放高度和车辆停止线划线位置起到指导作用。