多物体遮挡下基于深度学习的目标跟踪仿真

由于当前已有方法未能对目标图像进行去噪处理,导致目标跟踪精度和目标跟踪成功率下降。提出一种多物体遮挡下基于深度学习的目标跟踪方法。采用主成分分析法和局部像素分组方法对目标图像进行去噪处理。对目标图像关键点进行定位,并在目标的分块区域进行特征提取,对提取的目标特征采用卷积神经网络进行分类,获取优化的目标特征提取结果。在此基础上,将粒子滤波和检测器结合,根据提取到的目标样本特征,在多物体遮挡条件下采用SVM分类器进行目标检测,最终实现目标跟踪。仿真结果表明,所提方法可以有效提升目标跟踪精度以及目标跟踪成功率。

多层特征融合与混合注意力的物体位姿估计

在工业机器人抓取过程中,针对物体无纹理、存在遮挡、场景杂乱的情况下的6D位姿精确估计问题,提出一种多层特征融合与混合空间通道注意力的物体6D位姿估计算法。设计了一种垂直连接的双向特征融合金字塔网络,实现多层特征融合,提升对目标关键点的检测性能。嵌入混合空间通道注意力机制,聚焦空间和通道两个维度上的特征信息,增强模型的局部表征能力。在LineMod数据集及Occlusion LineMod遮挡数据集上的实验结果表明所提出算法的优越性及有效性,且能够有效处理背景杂乱及遮挡问题。

基于广义Hough变换的部分遮挡物体识别

描述了一种基于广义Ｈｏｕｇｈ变换的部分遮挡物体识别方法．该方法分建模及识别两个过程，在识别过程中，景物图象经特征抽取、组合特征匹配、变换矩阵计算，进而根据广义Ｈｏｕｇｈ变换在参数空间求出与景物对应的模型类及相应的变换矩阵．由于用了广义Ｈｏｕｇｈ变换，物体识别过程中不必求出物体的全部特征，因而能较好地识别部分遮挡的物体，且该方法对噪声不敏感．为了说明该方法。

遮挡物体的图像恢复方法研究与仿真

针对传统的图像恢复方法,只能对背景简单且没有遮挡物的目标图像进行恢复,对识别目标背景复杂且存在物体遮挡的图像不能准确进行恢复,导致恢复性能差的问题。提出基于阻尼最小二乘法的遮挡物体的图像恢复方法。对原始遮挡物图像存在的大量噪声,采用回溯双边滤波法对原始图像进行去噪处理,依据阈值法将预处理后的图像划分成特定数量的具有一定意义的小区域,并寻找其中的兴趣目标区域,根据阻尼最小二乘法理论,对被遮挡物体的轮廓进行复原,实现遮挡物体的图像恢复。仿真结果表明,采用改进的算法相比传统的方法,均方误差和平均绝对误差均有所降低,峰值信噪比得到提高,具有较强的抗噪能力,能够满足实际的应用需求。

动态遮挡场景下基于改进Transformer实例分割的VSLAM算法

针对传统SLAM(Simultaneous Localization And Mapping)算法在动态遮挡场景下难以标记被遮挡物体,无法准确判断潜在物体运动状态以及剔除动态物体后特征点数量较少等问题,提出一种动态遮挡场景下基于改进Transformer实例分割的VSLAM算法(Improved Transformer instance segmentation under Dynamic occlusion VSLAM algorithm, ITD-SLAM).本算法通过设计一种多注意力模块,引导模型关注被遮挡区域,同时改进相对位置编码优化被遮挡物体边界语义性,精确标记出潜在动态物体.为减少动态物体对SLAM系统定位精度的影响,通过相机位姿估计、物体运动估计与物体运动判断三个步骤估计潜在动态物体运动状态,并剔除其中的动态物体.根据网格流运动模型补全剔除区域的静态背景,并利用信息熵与交叉熵筛选修复区域特征点,补充高质量特征点用于相机位姿估计.在公开数据集TUM和真实场景中进行验证,结果表明本文算法均方根误差与DynaSLAM相比减少22.94%,表现出了较好的构图能力.

融合注意力特征的遮挡物体6D姿态估计

在机械臂视觉抓取过程中,现有的算法在复杂背景、光照不足、遮挡等条件下,难以对目标物体进行实时、准确、鲁棒的姿态估计。针对以上问题,提出一种基于关键点方法的融合注意力特征的物体6D姿态网络。首先,在跳跃连接(Skip Connection)阶段引入能够聚焦通道空间信息的卷积注意力模块(CBAM),使编码阶段的浅层特征与解码阶段的深层特征进行有效融合,增强特征图的空间域信息和精确位置通道信息;其次,采用归一化损失函数以弱监督的方式回归每个关键点的注意力图,将注意力图作为对应像素位置上关键点偏移量的权重分数;最后,累加求和得到关键点坐标。实验结果证明,所提网络在LINEMOD数据集和Occlusion LINEMOD数据集上ADD(-S)指标分别达到了91.3%和46.3%。与基于关键点的逐像素投票网络(PVNet)相比ADD(-S)指标分别提升了5.0个百分点和5.5个百分点,验证了所提网络在遮挡场景下有更好的鲁棒性。

针对遮挡物体的轮廓细化实例分割

目的 遮挡物体实例分割效果的好坏与物体轮廓的预测结果息息相关,但目前算法预测的物体轮廓并不够细化,使得分割掩膜粗糙,物体边界分割效果不佳。为此,以BCNet(bilayer convolutional network)网络为基础,提出一种针对遮挡物体的轮廓细化实例分割算法,预测的物体轮廓更加精细,分割掩膜更加完整。方法 1)提出一种均衡池化注意力模块来提取特征,在传统一维平均池化的基础上,增加一维最大池化操作以突出细节特征,并将最大池化和平均池化结果进行加权融合来提取特征,使提取的特征能更好地兼顾物体的整体和边缘细节;2)将BCNet掩膜头中轮廓预测与掩膜预测分成两个支路来进行,从特征金字塔最高分辨率特征中提取感兴趣区域(region of interest, RoI)特征用于轮廓预测,并提出一种自适应特征融合模块,将轮廓预测支路中的特征与掩膜预测支路的特征进行融合,在轮廓预测支路中,融合掩膜预测支路的特征可以更好地判定轮廓所属物体类别,在掩膜预测支路,融合轮廓预测支路的特征能够更好地辅助掩膜定位。结果 在COCO 2017(common objects in context 2017)数据集上,本文相较于目前同类网络中性能最优的BCNet网络,在骨干网络为ResNet-50/101(deep residual network)时平均精度(average precision,AP)分别提高了1.7%和2.1%。结合可视化结果,本文分割算法对遮挡物体的轮廓分割更加精细,能有效分割出更加完整、精细的掩码。结论 提出的针对遮挡物体的轮廓细化实例分割算法,明显提升了遮挡物体实例分割的效果。

融合全景分割的单目深度估计网络

针对遮挡和杂乱光线导致的不同区域深度边缘模糊、边界伪影等问题,提出一种结合多任务轻量型卷积神经网络的单目深度图像估计方法。利用全景分割网络来辅助单幅图片的深度估计,选择MobileNetv2作为特征提取网络,解码器端融合以上两类任务进行相似性辅助决策。提出一种多任务融合模块,包括多尺度映射单元和多任务融合单元两部分,利用深度空洞卷积扩大不同感受野,融合多任务来优化深度图像的估计。此外编解码器结构之间添加跳跃连接实现不同层次的知识传递。在NYUdepth-v2数据集上的对比实验结果表明,该方法深度图估计结果更加清晰,并能有效去除深度图中的边界模糊,同时该网络在参数数量上相较大多数估计方法大幅度减少,准确率明显提升。

基于阻尼最小二乘法的被遮物体图像恢复算法

传统意义上的图像恢复算法,只能对背景简单且无遮挡的目标物体进行修补,对于待识别目标背景复杂且存在遮挡的图像无法准确进行恢复。本文提出了一种基于阻尼最小二乘法的图像恢复方法。对原始遮挡物图像存在的大量噪声,采用Lucy-Richardson算法与小波变换相结合对原始图像进行去噪,基于阈值法将图像划分成特定数量的具有一定意义的小区域,并寻找兴趣目标区域。根据阻尼最小二乘法理论,对被遮挡物体的轮廓进行复原,实现遮挡物体的图像恢复。仿真结果表明,采用改进的算法相比传统的方法,具有较强的抗噪能力,图像恢复效果明显,能够满足实际的应用需求。

一个高效的动态场景算法

为了实现动态场景下的局部光源照明,本文提出一种叫做软阴影的技术。这种技术的主要思想是预先计算每一个场景实体的阴影区域,描述实体在某点处的阴影效果。光源的阴影域称为源辐射度域,它记录了一个光源采用立方体采样向外发射的辐射图。本文提供的技术与其它软阴影生成技术有一个根本的区别:预先计算与场景结构完全独立开来。本文所提供的技术可以使实时的动态场景中产生低频的阴影效果,也能产生全频阴影。

利用鬼成像技术恢复被遮挡物体信息

很多时候人们希望能够获取一些被完全遮挡的待测物体的空间信息,但传统的成像方式不能很好地恢复被遮挡的待测物体的空间信息。鬼成像技术作为一种新型的计算成像技术,可用于恢复被遮挡物体的信息。基于前人的理论研究,设计实验方案并进行了实验研究,并对实验结果进行分析,从实验上验证了利用鬼成像技术恢复被遮挡物体信息的可行性,证实了待测物体与遮挡物体之间的距离是影响恢复被遮挡物体信息的重要因素。

婴儿对于被遮挡物体的推理能力研究

对被遮挡物体的推理能力是指物体在被遮挡时,对物体的运动以及空间信息做出的描述及推理。关于婴儿对于被遮挡物体的推理能力的研究大多采用期望违背范式,存在研究范式单一的问题。婴儿对于被遮挡物体的推理能力受到多种因素的影响,对于其机制的探讨,有待未来研究的进一步分析。