单光子激光雷达的时间相关多深度估计

单光子激光雷达广泛应用于获得三维场景的深度和强度信息。对于多表面目标,如激光经过半透明表面上时,一个像素上探测到的回波信号可能包含多个峰。传统方法在低光子或相对较高的背景噪声水平下无法准确估计多深度图像。因此,提出了一种单光子激光雷达时间相关多深度估计方法。该方法利用信号响应的时间相关性,对点云数据进行多深度快速去噪,能够从背景噪声中识别每个像素上来自多个表面的信号响应。并基于该信号响应集合的泊松分布模型,通过全变分正则化引入像素之间的空间相关性,建立多深度估计成本函数。使用快速收敛的交替方向乘子算法从成本函数中估计深度图像。实验结果表明,所提方法在距离约为1 km处的多深度目标上,相较于常规方法估计深度图像的均方根误差减少了至少27.05%,信号重建误差比提高了至少18.39%,同时数据量减少至原来的4%。证明该方法能够以更小的内存需求和计算复杂度提高单光子激光雷达的多深度图像估计性能。     

远距离监视激光雷达动目标快速检测

激光雷达具有全天候工作、探测精度高、有效探测距离远、易获得三维信息等特点,但工作在远距离模式时,目标点云比较稀疏。当前便携条件下,基于深度学习的算法在激光雷达点云数据直接目标识别时,实时性和成功率尚不能达到远程监视实际工程的要求。针对实际工程中利用激光雷达检测运动目标进而实时引导高分辨率相机的需求,采用基于变化的检测方法,对远距离条件下激光雷达的运动目标检测方法进行了研究,利用点云数据的距离信息,给出三维单高斯模型和三维高斯混合模型检测动目标的过程和方法,提出了利用杂波图恒虚警率检测法处理点云数据的方法。实验表明,与二维图像动目标检测方法相比,三维单高斯模型法会很大程度提高检测准确性,降低虚警率,但仍然存在较高虚警率。为适应复杂三维场景,采用基于三维高斯混合模型的方法进一步降低了虚警率,但也降低了检测速度;而杂波图CFAR的方法具有很高的实时性,同时也具有较好的检测性能。     

复杂场景点云数据的6D位姿估计深度学习网络

针对工业上常见的弱纹理、散乱摆放复杂场景下点云目标机器人抓取问题,该文提出一种6D位姿估计深度学习网络。首先,模拟复杂场景下点云目标多姿态随机摆放的物理环境,生成带真实标签的数据集;进而,设计了6D位姿估计深度学习网络模型,提出多尺度点云分割网络(MPCS-Net),直接在完整几何点云上进行点云实例分割,解决了对RGB信息和点云分割预处理的依赖问题。然后,提出多层特征姿态估计网(MFPE-Net),有效地解决了对称物体的位姿估计问题。最后,实验结果和分析证实了,相比于传统的点云配准方法和现有的切分点云的深度学习位姿估计方法,所提方法取得了更高的准确率和更稳定性能,并且在估计对称物体位姿时有较强的鲁棒性。     

基于置信度的飞行时间点云去噪方法

飞行时间（Time-of-Flight,ToF）三维成像方法由于多路径干扰和混合像素等问题降低了目标物体深度测量的精度。传统的方法通过优化重构异常点云数据或滤除噪声点云数据来提高目标的准确性,但是这些方法复杂度高且容易导致过度平滑。三维点云图像中的有效点云与噪声点云之间的关系很难用数学模型来表示。针对上述问题,本文提出了一种基于置信度的飞行时间点云去噪方法。首先,分析多帧点云数据的概率相关性,以点云数据的置信度作为判别有效点云与噪声点云的依据;其次,利用多帧点云之间的矢量对偶性,提出了一种快速提取不同置信度点云的算法,其时间复杂度为O(L);最后使用该算法提取多帧三维图像中置信度高的点云数据获得目标物体的真实测量数据,并重点对4组不同场景的点云数据进行对比实验。实验结果表明,该算法能够在有效滤除噪声的同时,显著提高目标物体的距离测量精度,增强目标物体的特征,因此具有广泛的应用价值。     

基于平面拟合及残差预测的点云压缩方法

激光雷达点云数据三维表征能力出色，但其庞大的数据量给其存储及传输带来了挑战。基于平面拟合的点云压缩将三维点云转换为二维距离图，并使用空间平面拟合坐标点，在一定误差和精度的条件下能够有效降低单帧点云的空间冗余。针对该方法在复杂场景和高拟合精度情况下非拟合点过多导致压缩性能降低的问题，提出了使用残差预测处理未拟合点数据，进一步提升了压缩率。详细介绍了平面拟合残差预测的工作原理及压缩处理框架，使用对称最近邻均方差和位姿估计，从数据误差和应用精度两个方面评估比较不同压缩算法的性能，验证了残差预测对压缩性能提升的有效性。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果，设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络，剔除三维激光雷达主动成像过程中的杂波干扰，得到无杂波干扰的目标三维图像；设计生成模型与对抗模型的损失函数，利用端到端深度神经网络的点云编码层，在无杂波干扰的目标三维图像内，提取目标三维图像特征，并输入目标检测层内；通过目标检测层输出目标检测候选框，利用非极大值结合混合置信度，确定最终目标检测框，完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰，得到无杂波干扰的目标三维图像；该方法可有效完成三维激光雷达主动成像目标检测，且在不同目标运动模糊长度像素时，该方法目标检测的交并比均高于阈值，说明该方法的目标检测精度较高。     

基于雷达传感器和改进深度学习的无人机目标检测方法

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法：在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的RetinaNet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。     

基于共面约束的多线激光雷达相对位置关系检校

多线激光雷达具有成本低、体积小、能直接获取场景地物表面的三维点云数据等优点，已被广泛应用在无人驾驶、移动测量、机器人等领域。为减少遮挡，提高点云密度，两个或多个激光雷达常被集成在一起，互为补充。不同激光雷达的安装位置和姿态不同，要融合激光雷达的点云数据，关键在于对激光雷达之间相对位置关系的检校。为检校激光雷达之间的相互位置关系，提出了基于共面约束的检校算法。算法要求不同的激光雷达同时扫到相同的平面，利用平面在不同坐标系下的对应关系求解激光雷达之间的相互位置关系，并结合Levenberg-Marquardt （L-M）优化算法，提高检校精度。该算法操作简单、通用性强、检校精度高。     

基于深度学习网络的三维激光雷达弱小目标分割研究

为了提升三维激光雷达弱小目标分割的抗干扰性与实时性，有效提取三维激光雷达图像有用信息，设计了基于深度学习网络的三维激光雷达弱小目标分割方法。采集目标三维激光雷达图像，应用小波方法去除三维激光雷达图像噪声；从去噪后的图像中提取三维激光雷达图像多尺度特征，并将特征输入到深度学习网络中训练，建立三维激光雷达弱小目标分割模型，实现弱小目标分割。测试结果表明：该方法能够高精度分割三维激光雷达目标，且分割速度较快，具有较高的实际应用价值。     

基于激光雷达与相机融合的交通锥桶检测

针对广泛应用在自动驾驶场景中的交通锥桶，对于单一传感器在自动驾驶目标检测中的局限性问题，提出一种基于激光雷达与相机融合的实时、鲁棒的交通检测锥桶方法。该方法利用交通锥桶的独特几何结构，通过激光雷达与相机检测交通锥桶的三维位置和颜色信息，将激光雷达三维点云投影到二维图像平面，对结果进行后融合。实验表明，该方法能够稳定、准确地检测出交通锥桶，在不同环境光照条件和复杂环境下检测准确率均在96%以上。     

基于虚拟现实技术的3D动画场景平面设计

针对当前方法难以获取3D动画场景完整正确的信息,存在计算复杂、三维动画场景连续性较差的问题,提出基于虚拟现实技术的3D动画场景平面设计方法。该方法先在空间中建立代表动画场景深度信息的网格节点,将摄像机坐标系与世界坐标系的坐标进行变换,得到关于动画场景图像候选网格节点的深度坐标值;利用动画场景的深度图像进行预处理以平滑噪声,获取动画场景图像的三维点云;根据动画场景图像特征点与三维点云之间的关系得到动画场景图像的三维特征点,利用ICP法完成动画场景图像点云的精确配准,由此建立3D动画场景模型。实验结果表明,所提方法能够有效提升3D动画场景的重建精度,且具有较强的实时性及稳定性。     

基于机载激光雷达数据的复杂建筑物三维自动重建方法

为了解决复杂建筑物三维模型重建存在的边缘像素清晰度低和重建效率低的不足，提出基于机载激光雷达数据的复杂建筑物三维自动重建方法。首先通过机载激光雷达快速采集复杂建筑的三维点云数据，并剔出异常点云数据；其次采用SIFT算法提取点云数据特征点，通过梯度特征提取匹配特征点，根据特征点进行平移与旋转，完成复杂建筑点云数据配准；然后对建筑边缘三维阈值提取，获得高精度重建阈值；最后通过三维轮廓交边拼接优化，复杂建筑物三维自动重建。通过对比测试证明了本方法重建建筑物三维模型的边缘像素的灰度值为25～215,灰度值跨度较大，边缘像素清晰度较高，三维模型的重组时间为60 min～145 min,耗时较少，重建效率较高，说明了本方法对复杂建筑物三维自动重建的应用效果较好。     

基于点云实例分割的鲁棒多目标位姿估计

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题，提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先，基于密度聚类对场景点云进行分割得到点云簇，并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取；然后利用随机森林算法对聚合后的点云簇的局部特征进行分类，完成点云实例分割；之后对于场景中每一个分割后的实例，采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配，得到实例分割后的点在对应类别模型上的匹配点，利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿；最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明，相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计，所提算法能够有效提升局部特征匹配阶段的内点概率，从而提升复杂场景下位姿估计的鲁棒性和准确率，尤其适用于场景中具有多个实例的位姿估计应用。     

基于无监督学习的ToF点云目标提取方法

飞行时间(Time of Flight,ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会受到背景界面多次反射产生的多路径干扰,因此在复杂环境中目标物体深度测量数据会受到侧面和背景界面的多次反射的回波信号影响,降低边缘处深度测量的精度水平,因此需要对原始点云数据进行目标提取和多路径去除的预处理。本文针对该问题提出一种多界面场景中基于点云矢量的目标提取方法,能够实现复杂多目标的快速提取和多路径强干扰的去除。首先基于kmeans提出一种FVPkmeans算法,完成目标点云数据的全局全矢量提取处理。再基于K NN提出一种迭代滤波算法,实现局部多路径干扰数据的滤除。通过与其它方法的比较研究,该方法能够有效去除TOF点云目标数据的多路径干扰,目标提取性能提高了40,实验表明本文提出的全局点云数据全矢量目标提取和多路径干扰去除算法能够实现对目标点云数据的无监督学习智能提取与滤波要求。     

三维扫描激光雷达系统设计及实时成像技术

三维扫描激光雷达能够主动获取目标的三维信息,其高速数据采集与传输是三维实时成像的技术瓶颈之一。自主设计一款地基三维扫描激光雷达系统,利用数据采集与控制系统实现点云三维成像。激光雷达系统硬件设计包括发射与接收单元、测距单元和扫描单元,用于获取目标的三维点云数据。激光雷达系统软件设计包括上位机程序、下位机程序和USB固件程序设计,实现点云数据从下位机到上位机的采集、传输和存储,及上位机数据解析和实时成像。通过多个场景实验,结果显示三维扫描激光雷达系统具有厘米级别的测距误差,可以实现三维实时成像。     

基于投影分布熵的多视点三维点云场景拼接方法

多视点三维点云场景拼接是解决激光三维主动成像目标自遮挡或被遮挡情况下目标数据不完全问题的一种有效方法,它将直接影响到后续的目标检测与识别处理。通过点云投影分布熵对场景独立坐标系进行估计,由此计算待拼接场景之间的空间变换参数,最后通过退火最近点迭代(ICP)方法,实现多视点场景的精确拼接。仿真实验结果表明,此方法是一种有效可行的方法。     

基于投影降维的激光雷达快速目标识别

激光雷达可以获得目标的三维形状信息,是复杂地面背景下车辆识别的有效手段。提出了一种基于投影降维的快速激光雷达目标识别方法,对检测后提取的疑似目标三维点云数据进行投影降维,得到数字表面模型(DSM)数据,根据轮廓相似性度量值以及尺寸相似度量值构成的组合识别准则进行目标识别。采用8组地面装甲目标的仿真点云数据进行实验,实验表明算法的目标型号识别率高于90%,实时性远优于传统算法。针对实际应用需求,进一步研究了点云空间分辨率,激光雷达成像系统误差对目标识别的影响。     

星载微脉冲光子计数激光雷达的探测性能仿真分析

星载微脉冲光子计数激光雷达能够实现对地面目标的高重频、多波束探测,有效提高了激光雷达在轨测量的采样密度和覆盖宽度,满足全球高效高精度测绘的需求。依据微脉冲光子计数激光雷达的工作原理,建立了基于多像元光电倍增管（PMT）的星载微脉冲光子计数激光雷达的探测仿真分析模型,并对典型探测过程进行了仿真分析。结果表明,多像元PMT像元数的增加能够明显降低激光雷达的首光子效应,提高测距精度;激光雷达的测距标准差随地形坡度增大而明显增大;对于复杂地形,增加像元数和回波光子数,光子计数点云能够更准确描述地形轮廓的分布特征。同时,机载飞行试验验证了在复杂地形条件下,多像元PMT能够显著增加有效回波光子计数点,准确有效地反映了被测地形的轮廓特征,实现复杂地形下的高精度光子计数测距,验证了仿真分析结果的正确性。     

一种基于飞行时间相机的点云目标提取方法

基于飞行时间(Time of Flight,TOF)原理的深度相机成像方法不同于二维图像来计算三维信息,而是通过光在空气中的飞行时间,来计算出目标的距离,从而直接获取场景目标的三维点云信息。本文通过研究基于飞行时间红外相机的三维重建技术,设计了一种基于飞行时间红外相机的点云目标提取方法。利用飞行时间相机直接获得场景的三维点云数据,提出一种双阈值空间滤波算法,对点云数据进行空间滤波,并对滤波效果进行了对比评价。在双阈值空间滤波算法的基础上提出了一种改进的基于法向量的随机抽样一致性(RANSAC)算法,实现了对三维点云数据的目标提取,为基于飞行时间相机的场景目标三维重建奠定了基础。     

星载光子点云支持下的卫星影像区域网平差

以ICESat-2为代表的光子计数激光雷达对地观测手段具有地面足印小、采样频率高、波束数量多等特点，获取点云的平面精度和飞行方向数据密集程度得到很大提升，可作为一种新型三维控制条件以提高卫星影像定位精度。为解决光子点云没有同步影像记录平面位置的应用难题，提出一种星载光子计数激光点云支持下的卫星影像定位精度提升方法。首先采用三维地形剖面匹配方法实现对光子点云数据与卫星立体影像自动生成的数字表面模型（DSM）的精确配准；然后依据坡度变化从光子剖面点云中提取地形特征点，联合DSM多种地形特征生成共同地形特征控制点；最后将该地形特征控制点作为平高控制条件引入带附件参数的卫星影像区域网空中三角测量过程，以进一步提升定位精度。利用陕西省两个地区的ZY-3影像和ATLAS ATL03级数据进行实验，结果表明与完全无控定位方法和SRTM数据辅助定位方法相比，所提方法能够显著提高ZY-3影像平面和高程定位精度，提升幅度相对于SRTM数据分别可以达60%和34%左右，验证了所提方法的有效性和可行性。