基于空间配准模型的Mask R-CNN位姿估计网络

大多数传感器都无法达到零误差的程度,当多个传感器通过坐标变换将测量数据变换到三维空间坐标中心时,由于传感器设备与待测物体之间的距离方位的误差和不同坐标系之间转换精度等众多因素,导致传感器系统出现相对的系统误差。本文采用最小二乘法、广义最小二乘法,通过建立传感器空间配准模型估计误差参数以补偿到传感器系统,以便减少因为设备观测数据导致的误差影响。该研究利用深度学习Mask RCNN框架对目标物体进行识别和分割,获取目标物体的大小和轮廓特征,并结合VGG-16算法得到更加精确的位姿信息。

TOF相机深度数据测量中的空间配准方法研究

针对TOF深度相机获取的原始深度数据存在多种误差,导致成像出现畸变的问题。提出建立改进小波序贯极限学习机(CFWNN-OSELM)空间配准模型的方法,对TOF相机深度数据测量过程中非系统性和系统性误差的叠加导致的深度数据偏移进行统一校正。并与基于ELM算法和BP算法分别建立的空间配准模型以及基于小孔成像原理校正的结果进行比较。经实验分析,采用CFWNN-OSELM所建立的空间配准模型大幅减小了TOF相机测量深度数据的误差,泛化能力强,能够实现在线增量式快速学习。为TOF相机测量深度数据的校正方法提供了一种新的思路方法。

TOF相机的深度数据测量误差校正方法研究

针对TOF相机获取的原始深度数据存在多种误差,导致成像出现畸变和偏差的问题,建立极限学习机(ELM)空间配准模型,对TOF相机深度数据测量过程中非系统性和系统性误差的叠加导致的深度数据偏移进行统一校正,并与基于BP算法建立的空间配准模型以及基于小孔成像原理校正的结果进行对比。实验结果表明,采用ELM算法所建立的ELM空间配准模型大幅减小了TOF相机测量深度数据的误差。在综合实时性、精确性和泛化能力方面,ELM算法比其他两种方法的数据校正效果更优,能更好地复原真实场景中的深度数据,为TOF相机测量的深度数据的校正提供了一种新的思路和方法。