基于关键点选择和采样一致性的石料点云配准

针对石料点云噪声点多、密集度高、表面结构复杂的特性和传统迭代最近点算法配准时间长、鲁棒性差的问题,提出一种基于关键点选择和采样一致性的石料点云配准方法。首先对石料点云数据进行去噪和下采样等预处理;其次利用点云法向量邻域夹角选择关键点,构建快速点特征直方图,进行初始配准;最后根据K维树结构和点到面最小距离查找对应点对,通过随机采样一致性算法消除错误对应点对,完成点云数据最终配准。以石料点云为对象进行对比试验,结果表明,该方法比SAC-IA+NDT算法速度加快21.12%,比GICP算法精度提高47.1%,能够实现石料点云快速而准确的配准,为石料点云配准提供了新方案。

基于双目视觉的三维车辆检测算法

立体区域卷积神经网络(Stereo R-CNN)算法具有准确、高效的特点,在一定场景下的检测性能较好,但对于远景目标的检测仍有一定的提升空间。为了提升双目视觉算法的车辆检测精度,提出一种改进的Stereo R-CNN算法。该算法将确定性网络(DetNet)作为骨干网络,以增强网络对远景目标的检测;针对左右目视图的潜在关键点,建立了左右视图关键点一致性损失函数,以提高选取潜在关键点的位置精度,进而提高车辆的检测准确性。在KITTI数据集上的实验结果表明,本算法的性能优于Stereo R-CNN,在二维、三维检测任务上的平均精度提升了1%~3%。