基于信息向量机的机载激光雷达点云数据分类

针对支持向量机应用于机载激光雷达(LiDAR)点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、训练时间长等缺点,提出一种基于信息向量机的LiDAR点云数据分类算法。该算法采取假定密度滤波算法进行近似逼近,将分类问题转化为回归问题;以最大后验微分熵为依据,选择LiDAR点云数据活动子集信息向量实现模型稀疏化;最后,通过边缘似然最大化进行核函数自适应获取,选择一对余分类方法实现了点云数据多类分类。利用Niagara地区和非洲某地区点云数据进行了对比实验。结果表明:与支持向量机方法相比,基于信息向量机分类方法的分类精度分别提高到94.20%和90.78%,基向量数量分别减少到50个和90个,训练时间分别降低到5.86s和8.03s。实验结果验证了基于信息向量机的点云数据分类算法具有训练速度快、模型稀疏性强、分类精度高等优点。     

采用独立分支网络的多源遥感数据自适应融合地物分类

针对现有基于深度学习的地物分类方法大多面向遥感影像,而对点云数据的空间信息利用不足,特别是对点云和影像这种异源特征融合不够充分的问题,提出了一种采用独立分支网络结构的多源遥感数据自适应融合地物分类方法。首先,对配准好的LiDAR点云和遥感影像分别采用三维网络和二维网络提取各模态的空间几何特征和语义特征;其次,在点云空间对影像特征进行交叉模态采样和特征对齐得到基于点的多源特征;最后,采用一种基于注意力机制的非线性自适应特征融合方法实现二、三维语义特征的融合。实验结果表明,本文方法通过网络训练能够实现自适应数据特征的多源遥感数据融合分类,针对ISPRS多源遥感数据集的植被、建筑物和地面三类地物平均分类精度达到85.87%,相较三维点云语义分割的分类精度提高了10.12%。本文提出的独立分支融合网络能够实现二、三维数据的交互学习与深度融合,为遥感多源数据地物分类提供了一种新的思路。     

基于机载激光点云数据的输电线路自动分类方法研究

针对传统输电线路分类方法分类效率低的问题,提出了一种基于机载激光点云数据的输电线路自动分类方法。首先根据输电线路分类需求,运用机载激光雷达和无人机获取输电线路点云数据,然后对数据进行抽稀处理,剔除一些冗余数据,最后利用聚类分析算法对处理后的数据进行分类,以此实现基于机载激光点云数据的输电线路自动分类。经实验证明,基于机载激光点云数据的输电线路自动分类方法具有较高的分类效率。     

单线激光雷达与GNSS/INS的空间重构

为了解决多线激光雷达在三维空间重构任务中数据吞吐量过大导致运算负担过重以及扫描俯仰范围有限的问题,本文提出了一种利用单线激光雷达与惯性测量单元GNSS/INS相互结合的多站点扫描空间重构方案及相应解算方法。首先使用单线激光雷达扫描待测空间获取三维尺度信息,然后将点云数据与对应的任意方向的航向角相结合,再利用四元数姿态解算获取各站点扫描的点云图像。为提高计算效率,使用迭代最近点算法实现站点间点云配准时,对待匹配点云数据筛选并更新。实验结果表明在保留点云数字特征前提下,单线激光雷达与GNSS/INS系统能够提高76%的运算速率。本文提出的硬件方案和解算方法不但能够实现较高的配准精度,与多线激光雷达方案相比工程成本也得到显著下降。     

遥感图像云检测的多尺度融合分割网络方法

在进行可见光遥感图像高精度云检测时,云自身特征的多变性,以及地物与云之间的特征相似性,会降低检测精度。因此,提出一种带权重的多尺度融合分割网络云检测方法。首先,通过有云区域和无云区域的特征学习,降低对云状的敏感性,同时利用全卷积网络进行端到端训练,实现对每个像素点分类。该方法能够自动提取深层特征,并可将云的深层语义特征与浅层细节特征结合,不但有利于区分下垫面中与云特征相似的地物,还可提高云边缘检测效果,从而提升云量值的检测精度。与其他深度学习分割网络的实验比较分析表明,所提方法可以实现95. 39%的像素分类准确度,云量值检测误差优于1%,为解决遥感图像云污染问题提供了新的思路。     

面向点云识别网络的显著图生成

点云结构上的特殊性质，导致解释其深度模型学习特征的结果存在困难。提出了一种获得点云目标识别模型显著图的方法，首先在点云空间中随机释放若干自由因子并输入到模型中，然后根据设计的贡献度评价指标，基于梯度下降使骨干网络输出的池化特征尽可能偏离目标点云识别过程中输出的池化特征并更新因子位置。迭代后的因子无法参与识别过程，其对模型的预测“零贡献”，将目标点云中的点移动到这些因子的位置后对识别结果的影响与丢弃该点完全相同。点的移动过程可微，最后可根据梯度信息获得显著图。本文的方法在ModelNet40数据集上生成PointNet模型的显著图，相较于用点云中心生成显著图的方法，理论依据更强且适用的数据集更多。移动点至“零贡献”因子位置后对模型的影响较移动点至点云中心与丢弃点更相似。按本文的方法丢弃点使模型精度下降得更快，在仅丢弃100个点的情况下，模型的OA(overall accuracy)由90.4%下降至81.1%。同时经DGCNN和PointMLP评估，该显著性结果具有良好的通用性。该方法生成的显著性分数精度更高，且由模型驱动不含任何假设，适用于绝大多数点云识别模型和数据集，其显著性分析结果...     

姿态角扰动对机载激光雷达点云数据的影响

为研究机载平台的姿态角扰动对激光雷达点云扫描区域和密度分布,以及对由激光点云重建的三维表面模型的精度影响,首先从理论上阐明了姿态角扰动对激光点云扫描区域、密度分布及重建三维表面模型精度的影响机理;其次通过数值仿真,详细分析了姿态角扰动对激光点云扫描区域和密度分布的影响规律;最后通过半实物仿真实验,模拟了真实机载激光雷达扫描过程,验证了机载平台的姿态角扰动对激光点云扫描区域和密度分布的影响,并定量评价了姿态角扰动造成的数字表面模型( DSM)的精度变化.仿真和实验结果表明,机载平台姿态角扰动造成激光点云扫描区域偏移和局部区域点云密度降低,前者导致被扫描目标地形的部分区域漏扫;后者导致由激光点云重建的DSM失真增大.因此,姿态角扰动对机载激光雷达点云的扫描区域和密度分布,及对DSM的重建精度有显著的影响,应采取有效措施对姿态角扰动进行实时抑制或补偿.     

机载激光雷达姿态角补偿及其效果验证

机载激光雷达(LiDAR)扫描被测地形获得激光点云,进而重建被测地形的三维图像。机载激光雷达测量过程中,机载平台姿态角时刻发生波动,其对激光点云密度分布及重建三维成像精度具有显著影响。为消除姿态角波动对激光雷达测量的不利影响,设计了一套姿态角补偿装置,包括机械结构设计和控制系统设计;并搭建了半物理仿真实验系统,编制了总控制软件使各子设备之间时间同步控制及数据采集,实现了对机载激光雷达工作原理及姿态角补偿原理的实验仿真和补偿效果验证,补偿后DSM高程精度的RMSE误差由3.50mm以上减小到3.28mm。实验结果表明,搭建的半物理仿真实验系统可正确模拟机载激光雷达的工作过程,设计的姿态角补偿样机对机载激光雷达点云产品质量有显著的补偿效果。     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。     

一种改进ICP算法的移动机器人激光与视觉建图方法研究

针对未知环境中移动机器人定位与建图中激光雷达建图提供的信息少,视觉slam实时性差的问题,提出了激光slam与视觉建图结合的方式,激光地图用于导航,而视觉地图用于复原目的地场景。首先采用区域分割和特征提取处理激光雷达数据,通过区域分割主要完成了特征模式的分类及识别确定,通过特征提取完成了各类特征模式参数的确定以及特征点的提取;使用改进的基于RGBD图像的ICP迭代最近点算法求取了转换关系,进行了点云拼接;采用图优化算法,消除了累计误差,提升了整体视觉地图的精度。通过激光雷达与Kinect相机之间的位置关系,算得了三维点云到激光雷达坐标系的对应关系,实现了激光地图与点云地图的融合。研究结果表明:能实现实时建立周围环境的二维地图,并将三维点云信息融入到激光雷达坐标系等功能,精度高、鲁棒性好。     

基于小波变换的精密测量点云多尺度分解

为了减小多源跨尺度点云数据尺度与数据量上的差异，提出了一种基于小波变换的点云多尺度分解方法。对细节丰富的小尺度点云数据进行多尺度分解，以及尺度分解在跨尺度点云数据配准中的应用进行研究。首先，对小尺度点云进行栅格建模，建立全局点云二值表达函数。根据离散小波变换理论，对栅格点云进行多次的三维小波分解，利用小波尺度函数的低通特性，保留低频信息来获取原始小尺度点云的近似尺度数据。然后，基于面维数和差体维数差表征与原始数据的相似度，确定有效的小波分解级数。最后，将各级分解得到的点云数据与大尺度点云数据进行精确配准，并将配准关系应用于原始点云，提高跨尺度点云的配准精度。实验结果表明：本文提出的多尺度分解方法能够对数据进行有效分解，应用于某航空发动机叶片多尺度测量中，将显微测量的局部气膜孔小尺度点云数据与整体叶片结构光数据配准，配准精度提升了61.36%。该分解方法应用于叶片边缘与栅格零件多尺度测量中，配准精度分别提升了48.59%,43.86%。所提的点云多尺度分解方法能够有效分解小尺度点云数据，大幅提升跨尺度数据的配准精度。     

基于振动加速度信息的触觉纹理分类方法研究

当手持刚性工具在材料表面滑动时,用户可以通过工具的振动来感受材料表面的纹理特征。这些振动加速度数据包含了丰富的纹理类别信息,为纹理的分类提供了基础。利用触觉进行纹理分类对于力触觉人机交互、机器人精细化操作等应用具有重要的意义。目前,手工设计与纹理相关的特征以及借助卷积神经网络进行简单的特征提取等方法已经被应用于触觉纹理分类。然而,这些方法未能关注时间尺度的选择和触觉序列数据间的时间依赖性,还存在触觉数据特征提取不充分和分类精度不佳等问题。为了解决上述问题,本文提出一种由多尺度卷积网络和双向长短时记忆网络相结合的融合模型,以便同时捕获触觉信号多尺度的几何局部空间特征和时间依赖特征。所提出的模型从公开的触觉数据集中学习材料表面纹理的触觉特征,并在公开的纹理振动加速度数据库上进行训练。实验结果表明,本文提出的模型可以稳健且高效地实现最高92.1%的纹理分类精度。     

基于特征融合的改进型PointPillar点云目标检测

针对PointPillar在自动驾驶道路场景下对点云稀疏小目标检测效果差的问题,通过引入一种多尺度特征融合策略和注意力机制,提出一种点云目标检测网络Pillar-FFNet。针对网络中的特征提取问题,设计了一种基于残差结构的主干网络;针对馈入检测头的特征图没有充分利用高层特征的语义信息和低层特征的空间信息的问题,设计了一种简单有效的多尺度特征融合策略;针对主干网络提取的特征图中信息冗余的问题,提出了一种卷积注意力机制。为验证所提算法的性能,在KITTI和DAIR-V2X-I数据集上进行实验。实验结果表明,所提出的算法在KITTI数据集上与PointPillar相比,汽车、行人和骑行者的平均精度最大提高分别为0.84%,2.13%和4.02%;在DAIR-V2X-I数据集上与PointPillar相比,汽车、行人和骑行者的平均精度最大提高分别为0.33%,2.09%和4.71%,由此证明了所提方法对点云稀疏小目标检测的有效性。     

结合多尺度上下文信息的唐卡小样本目标检测

通过对图像中感兴趣的对象进行分类与定位,能够帮助人们理解唐卡图像丰富的语义信息,促进文化传承。针对唐卡图像样本较少,背景复杂,检测目标存在遮挡,检测精度不高等问题,本文提出了一种结合多尺度上下文信息和双注意力引导的唐卡小样本目标检测算法。首先,构建了一个新的多尺度特征金字塔,学习唐卡图像的多层级特征和上下文信息,提高模型对多尺度目标的判别能力。其次,在特征金字塔末端加入双注意力引导模块,提升模型对关键特征的表征能力,同时降低噪声的影响。最后利用Rank&Sort Loss替换交叉熵分类损失,简化模型训练的复杂度并提升检测精度。实验结果表明,所提出的方法在唐卡数据集和COCO数据集上的10-shot实验中,平均检测精度分别达到了19.7%和11.2%。     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。     

基于VAE-MSGAN网络的复杂细节图像生成方法

生成式对抗网络被广泛应用于图像生成领域,但其在图像生成时模型不易收敛,导致生成图像的局部细节易出现背景模糊问题.将变分自动编码器与生成式对抗网络相结合,在两者图像生成方面优势相结合的基础上,引入多尺度判别器,提出了VAE-MSGAN网络模型.通过不同尺度的卷积核可以提取到更加丰富的特征信息,并通过加入批标准化(BN)层与特征融合处理,从而加快网络的收敛速度,有利于特征信息的重利用,再将两者提取到的特征信息进行融合,最后将改进的正则化方法应用到目标函数中,减小网络复杂度和过拟合,提升了GAN模型的训练稳定性和图像的局部细节生成质量.对设计的图像生成算法基于Ubuntu16.04环境下利用Tensorflow深度学习框架进行了实现和仿真.对比在不同军事图像类别上的图像生成质量,通过交叉验证证明生成图像与真实图像在深度学习分类器下分类准确率基本一致,验证了所设计网络模型的有效性.     

基于多尺度特征融合的遥感图像场景分类

为了解决遥感图像场景分类中因样本量小而分类精度不高的问题,提出了一种基于多尺度特征融合(MSFF)的分类方法。首先,对遥感图像进行尺度变换,得到同一遥感源图像的多个不同尺度图像。接着,将其分别输入深度卷积神经网络(DCNN)中进行卷积操作。然后,将各卷积层和全连接层提取出的不同尺度特征进行降维和编码/平均池化操作。最后,将各尺度特征进行编码融合并利用多核支持向量机(MKSVM)进行场景分类。在两个公开遥感图像数据集UCM Land-Use和NWPU-RESISC45中进行试验,分类精度最高分别达到98.91%和99.33%。本文方法能够利用不同尺度的图像特征,结合低、中、高层语义表示,使融合特征的可辨识性更高,同时使用多核支持向量机提高了深度网络学习的泛化能力,因此分类效果更好。     

基于尺度注意力沙漏网络的头部MRI解剖点自动定位

为了自动定位头部核磁共振成像(Magnetic Resonance Imaging,MRI)中稳定解剖结构点,提出了一种基于沙漏网络(Hourglass Network,HN)的头部MRI图像解剖点自动定位方法。该方法使用HN的基本结构实现多尺度特征的提取与融合,并在融合多尺度特征时引入尺度注意力机制,提高解剖结构点的提取精度。利用DSNT(Differentiable Spatial to Numerical Transform)层将卷积神经网络生成的预测热图进行坐标回归来定位解剖点。500例头部MRI图像用于训练,300例图像用于测试,测试结果表明本文提出的方法对四个解剖点的定位准确率均超过了80%,与常用的关键点定位方法相比,该方法取得了最好的效果。该方法可辅助医生进行图像的解剖点标记,为头部图像的自动配准和头部疾病的大数据分析提供技术支持。     

基于点云中心的激光雷达与相机联合标定方法研究

针对激光雷达与相机联合使用遇到的点云稀疏、相机受环境光照影响失真等问题,提出一种基于点云中心的激光雷达与相机自动配准方法,避免了传统联合标定需要手动选择特征点以及连续采集多帧等问题。该方法在对点云与图像预处理后,利用平面法向量的一致性实现多标定板点云自动分割,提取标定板在激光坐标系和相机坐标下的点云;然后通过点云聚集迭代求解中心点,实现两个传感器标定板对应点云中心的粗配准;最终利用迭代最近点算法进行精配准,获得标定参数,完成联合标定。实测表明,在激光雷达误差±3 cm范围内,点云正确投影比例达到97.93%,可以有效获取高精度联合标定参数,满足空间环境对激光雷达和相机数据融合的要求。     

基于点云深度学习的加工特征识别方法

在计算机辅助设计与制造系统中，加工特征识别是一项关键技术。针对传统的特征识别技术可扩展性差、鲁棒性差等问题，提出一种基于点云深度学习的加工特征识别方法。通过对加工特征表面进行均匀点采样，构建加工特征的点云数据集。使用K近邻算法构建点云的旋转不变表示，提出一种融入几何先验知识的点云分类网络。对于多特征模型的点云数据，提出一种加工特征点集的提取方法和相交特征的分离方法。通过具体实例验证了所提方法的有效性，表明该方法能识别CAD模型中的单一特征和相交特征。