基于稠密光流算法的运动目标检测的Python实现

在运动目标识别算法中,帧间差分法、背景差分法容易出现“重影”“空洞”及“拖尾”现象从而导致识别准确率低。将稠密光流法应用于运动目标检测,基于PyCharm开发环境建立了一个运动目标检测系统,研究采用Gunner Farneback稠密光流法(DOF)计算各像素点位移矢量的光流矩阵,将光流信息转化到HSV空间,并利用Sobel算子进行边缘检测以提高检测效果。实验结果表明,在运动目标与背景对比度低的场景中及速率不同的多运动目标场景中,所提算法皆能实现准确识别与追踪,而且避免了“重影”“空洞”及“拖尾”问题,具有很好的抗干扰能力和识别精确性。

PCU-Net:基于改进PCN的点云补全均匀算法

激光雷达采集的点云数据往往是稀疏且无序的。对于需要通过处理三维点云的研究来说,直接处理激光雷达采集的数据容易产生差错,需要对采集的点云进行预处理。现有算法致力于恢复点云的拓扑结构,忽略了稀疏的点云容易丢失特征信息。针对上述问题,提出了一个神经网络,可以将原来残缺、稀疏的点云生成为完整、密集、均匀的点云,称为点云补全均匀化网络(Points Completion Uniform Net,PCU-Net)。该网络基于点云补全网络(Point Completion Network,PCN)引入了一种能够快速提取全局特征的轻量化结构,并在解码器中补全和稠密化点云。还提出了一种精炼器模块,从输入中保留原始细节,通过最远点采样(Farthest Point Sampling,FPS)和点特征残差网络均匀化点云。在开源数据集Visionair上通过实验对比,该算法在点云补全上较目前主流补全算法有所提升,并在点云均匀化和稠密化上取得良好的效果。

基于稀疏重建和激光实境复制的电力工程建模方法

由于机载激光雷达生成的原始点云数据存在质量较差且离散点多的问题,故难以直接应用于模型重建与电力工程的管理中。因此,文中基于稀疏-稠密算法和点云数据提出了一种电力工程模型重建算法。利用无人机机载激光雷达来获取多帧输电线路点云数据,并使用索引树近邻搜索法对原始点云数据进行坐标转换及离散数据过滤,进而得到重建的点云数据。通过稀疏重建算法对重建后数据中的框架特征加以提取,同时引入稠密算法进行框架填充,完成输电线路内容的重建。经实验测试表明,所提算法的点云提取误差仅为8.42 cm,在对比算法中性能最优。且重建后的模型可应用于电力工程验收、巡检等实际场景中,具有良好的工程意义。

基于多视角图像的作物果实三维表型重建

针对基于激光扫描设备获取点云存在操作复杂、成本高、难以被普及等问题,本文研究了基于普通图像的复杂背景中作物果实三维表型重建.我们建立了集SFM算法、PMVS算法以及半自动化去噪方法的优势为一体的三维重建架构.以一组多视角目标作物果实二维图片为输入源,首先基于SIFT算子的比例和旋转不变性参数,提取多幅二维图像特征信息.其次,结合FLANN算法实现不同角度的数据匹配,并提出了基于二维图像关键点和相机参数等信息的稀疏点云快速生成方法.然后,基于PMVS初始特征匹配的种子面片提取、扩散获取密集面片,进一步利用可见性约束过滤不正确匹配导致的错误面片,以实现复杂果实点云模型生成.最后,我们提出了交互式选择和滤波器相结合的、半自动化的果实表型离群点去除方法,解决了作物果实模型的准确重建问题.结果表明,本文的方法能有效解决复杂实验环境中果实表型数据的低成本、准确、方便快捷获取问题.

基于改进CNN框架的人体动作识别

针对视频中人体复杂的动作识别问题,提出融合改进的时间和空间网络的人体动作识别算法(spatio-temporal STCNN)。在特征提取阶段,空间网络采用改进的卷积神经网络(CNN)框架,将空间仿射变换网络(STN)与CNN框架进行融合,时间网络结合改进的多帧稠密光流算法,采用与空间网络相同的CNN结构;在分类识别阶段,采用加权求和的方式对时空特征进行融合,通过softmax分类器进行分类识别;在标准的人体动作数据集HMDB51和UCF101上进行实验,实验结果表明,该算法相比其它人体动作识别算法能达到更好的识别效果。

基于改进代价计算和路径优化策略的匹配算法

为提升半全局匹配(SGM)算法效率,提出一种基于改进匹配代价计算和路径优化策略的立体匹配算法。代价计算阶段,通过对角线取点方式对局部二值模式(LBP)算子进行优化,降低时间复杂度和数据规模;代价聚合阶段,根据聚合逻辑选择5个方向进行扫描线优化,结合灰度相似性约束和距离约束条件,对聚合路径进行自适应权重赋值;再通过赢者通吃(WTA)策略计算初始视差值,通过左右一致性检测和二次多项式插值算法对视差图作进一步优化。最后算法在Middlebury 2.0和3.0数据平台上进行匹配效率验证,实验结果表明,所提算法相比SGM算法在不损失匹配准确度的情况下,代价计算阶段用时减少63.1%,代价聚合阶段用时减少39.3%,算法整体效率提升54.2%,达到效率提升的目的。