基于机器视觉的智能车辆鲁棒车道线识别方法

针对目前传统车道线识别算法在复杂道路环境中识别困难的问题,提出了一种基于机器视觉的智能车辆鲁棒车道线识别方法。为消除噪声干扰以及提高特征检测效率,设计了一种自适应道路感兴趣区域(ROI)计算方法,针对不同情况的车道可自适应地将车道区域与非车道区域分离。对待检测目标采用改进划分角度的检测算子进行车道线特征检测,同时对车道图像有针对性地采用多色域阈值处理,以提高算法的环境适应性。对转换视角后的车道线采用DBSCAN聚类及NURBS曲线进行拟合,并利用随机抽样一致法优化车道线模型以滤除误匹配。实验结果表明,该算法可有效识别出各种道路工况下的车道线。     

基于深度学习的局部特征增强车道线检测方法

车道线检测作为环境感知必不可少的一环,有着为自动驾驶提供路径规划辅助以及车辆定位和控制的辅助作用。深度学习的方法在解决车道线检测任务中具有良好的表现。结合车道线检测任务和深度学习技术的分析,提出了一个基于深度学习的增强局部特征的车道线检测方法。通过增强车道线消失点的特征信息结合注意力机制来增加模型的识别能力,另外,还重新设计了形状损失函数用来增加车道线间的约束。结果表明,通过车道局部特征增强的方法不仅可以加快模型的回归能力,也表现出了更好的检测性能。     

互注意力融合图像和点云数据的3D目标检测

为了利用图像信息辅助点云数据提高3D目标检测精度,需要解决图像特征空间和点云特征空间自适应对齐融合的问题。本文提出了一种多模态特征自适应融合的3D目标检测深度学习网络。首先,对点云数据体素化,基于体素内的点云特征学习体素特征表示,用3D稀疏卷积神经网络获取点云数据的特征,同时用ResNet神经网络提取图像特征。然后通过引入互注意力模块自适应对齐图像特征和点云特征,得到基于图像特征增强后的点云特征。最后在此特征基础上应用区域提案网络和分类回归多任务学习网络实现3D目标检测。在KITTI 3D目标检测数据集上的实验结果表明:在小汽车的简易、中等、困难三个不同检测难度等级上,平均检测精度分别为88.76%,77.63%和76.14%。该方法能够有效融合图像信息和点云信息,提高3D目标检测的准确率。     

一种基于逆透视变换的车道线检测方法

该文基于逆透视变换技术提出了一种车道线检测方法。将道路图像映射为逆透视图,用二维高斯滤波器对图像进行滤波,然后进行阈值处理;用Hough变换提取车道线的线条曲线,利用三阶Bezier样条曲线拟合算法进行直线拟合,获得车道线的检测结果。实验表明,该方法在图像较清晰的情况下,检测近距离的车道线获得了较好的效果,适用于平坦路面下的白色和黄色等车道线检测。     

基于投影统计与双曲线拟合的车道识别算法

提出了一种运用投影统计与双曲线拟合的车道线识别方法。首先对采集的图像进行预处理,利用车道线宽度等信息提取车道线的特征点;然后根据特征点的位置及方向角分布对消失点进行定位,并基于消失点位置提取近视场直道模型,再结合直道模型对当前车道进行补充;最后利用近视野车道直线信息和双曲线拟合,对存在弯曲车道的车道线进行车道线寻优。实验结果表明,提出的算法能有效检测不同曲率的车道线,所提出的车道检测方法准确率高,在复杂行驶环境下表现出较高的鲁棒性。     

应用多阶动态规划的车道线识别方法

根据图像中车道线特征,提出一种应用多阶动态规划的车道线识别算法.为准确识别车道线,算法利用非均匀B样条曲线拟合车道线,通过多阶动态规划确定非均匀B样条曲线的控制点.根据多阶动态规划的起始点和目标点确定车道线检测区域,进行区域分割确定动态规划的阶数,确定控制点的候选点;根据定义的代价函数和最优化原理,利用多阶动态规划确定曲线的控制点;拟合车道线,实现车道线的识别.处理各种路况的视频图像进行算法验证,试验结果表明,对于实车道线和虚车道线的直道、左转、右转的多种路况条件下,算法能有效准确地提取车道线的参数,稳定地实现车道线的识别.     

基于激光雷达点云的配网带电作业机器人的目标识别

为满足配网带电作业机器人作业任务要求，提出一种基于激光雷达点云的电气设备识别方法。采集点云后，进行预处理操作，清除干扰点并保留作业区域的点云。基于几何特征，初步检测电杆和绝缘机械臂，然后利用电杆与机械臂之间的几何约束条件，通过最小二乘法对识别结果进行迭代优化。利用所获得的电杆和机械臂构成结构所提供的几何信息，进一步处理电力线点云，实现电力线点云识别。实验表明，该方法能快速、准确、稳健地从作业区域的激光雷达点云中分割和识别电杆、机械臂和电力线，为机器人执行各种后续作业任务提供充足信息。     

复杂变道场景下的轻量化车道线检测算法研究

设计了一种轻量化的车道线检测算法用来解决复杂变道场景下存在遮挡并可能伴随阴影、光线不足等不利因素时的车道线识别任务。首先对主流的车道线检测算法逻辑作简要概述，进一步剖析其存在的不足。随后从轻量化的主干特征提取网络RepVGG-A0、路径聚合网络模块、先验车道线特征提取模块、损失函数设计等方面展开进行介绍，从整体上搭建了基于跨层特征融合的轻量化车道线检测网络。最后利用CULane数据集进行相关测试并完成了与其他相关检测算法的性能对比。测试结果表明，提出的轻量化车道线检测算法能够在保持检测精度良好的情况下速度达到132帧每秒，在经TensorRT推理加速后，检测速度突破220帧每秒，充分达到了实时性检测的要求。     

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...     

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。     

基于点集优化和干扰点模糊化的车道线识别

提出了一种抗干扰车道线识别方法，通过对车道线点集的优化，能够去除道路上行驶的其他车辆造成的干扰。优化过程主要包括点集元素的预挑选、干扰点的去除以及有效点的补充。在干扰点去除的过程中，针对车辆边界很难精确定位的问题，对干扰点集进行了模糊化处理，引入隶属度函数对点集中元素的干扰程度进行描述。多工况试验证明，车道线识别方法能够稳定地对车道线进行识别，准确地提取车道线参数，并且算法体现出了对车辆干扰的良好抵抗能力。     

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。     

基于激光点云与图像融合的3D目标检测研究

目前基于激光雷达与摄像头融合的目标检测技术受到了广泛的关注,然而大部分融合算法难以精确检测行人、骑行人等较小目标物体,因此提出一种基于自注意力机制的点云特征融合网络。首先,改进Faster-RCNN目标检测网络以形成候选框,然后根据激光雷达和相机的投影关系提取出图像目标框中的视锥点云,减小点云的计算规模与空间搜索范围;其次,提出一种基于自注意力机制的Self-Attention PointNet网络结构,在视锥范围内对原始点云数据进行实例分割;然后,利用边界框回归PointNet网络和轻量级T-Net网络来预测目标点云的3D边界框参数,同时在损失函数中添加正则化项以提高检测精度;最后,在KITTI数据集上进行验证。结果表明,所提方法明显优于广泛应用的F-PointNet,在简单、中等和困难任务下,汽车、行人和骑行人的检测精度均得到较大的提升,其中骑行人的检测精度提升最为明显。同时,与许多主流的三维目标检测网络相比具有更高的准确率,有效地提高了3D目标检测的精度。     

曲面工件自动超声检测轨迹规划

航空发动机叶片是典型复杂曲面结构,为实现叶片的自动化超声检测,提出基于曲面点云数据重建的自动化检测轨迹规划方法,在此基础上实现7轴联动复杂曲面自动扫描成像。叶片点云采用线激光轮廓仪配合工件旋转轴自动扫描获取,数据拼接整理后采用数据拟合方法获得曲面轮廓方程,基于曲面上的曲线方程规划加减速扫描轨迹,进一步对各扫描轨迹点进行多轴运动分解,获得包括六轴机械手和工件旋转轴在内的各轴轨迹。实际检测试验表明,轨迹规划算法可以实现叶片自动扫描,获得清晰C扫描图像。     

基于空间语义分割的多车道线检测跟踪网络

基于深度学习的目标检测网络在车道线识别领域依旧存在车道区别不明显，识别精度低，误检率、漏检率高等问题。为了解决这些问题，提出了一种基于空间实例分割的轻量级车道检测跟踪网络。该方法在编码部分使用VGG16网络和空间卷积神经网络来提高网络结构学习空间关系的能力，解决了预测车道线出现模糊、不连续等问题；基于LaneNet将编码输出后的两个分支任务相耦合，以改进前景与背景识别效果不佳和车道间区分不明显的问题。最后，该方法在TuSimple数据集中与其他5种基于语义分割的车道线算法进行对比。实验表明，本文算法的准确率评分为97.12%，误检率与漏检率均优于其他网络，并且误检率与漏检率相比于LaneNet分别降低了44.87%和12.7%，基本满足实时车道线检测跟踪的要求。     

回转形体点云的旋转轴线自动提取

固体火箭发动机推力线的测定是航天器精密安装领域的一项关键技术,也是回转形体旋转轴线提取的一种代表性应用。针对现有相关方法存在的结果不够客观、可靠性不高且适应性欠缺等问题,提出了一种基于表面法矢约束的回转形体点云旋转轴自动提取方法。首先,计算形体点云的表面法矢,通过设置最小二乘法矢计算标准差阈值剔除非可靠点集,用以对旋转轴计算结果进行质量保证;然后,选用可靠点作为种子点,依据种子点同纬点集法矢之间的特殊关系对此点集进行筛选,并对提取的同纬点集进行平面拟合和空间圆拟合,得到旋转轴初值;最后,根据点云表面法矢与旋转轴之间的位置关系列出最小二乘平差的目标函数,通过迭代平差求解初值的改正数,从而得到最终的旋转轴提取结果。通过实验测试,利用模拟数据和实测数据对方法的准确度和精密度进行验证。实验结果显示:有效采样间隔点云的旋转轴提取结果偏斜量达到0.01°以内,横移量达到0.02mm以下,表明提出的方法正确,可以实现对回转形体点云旋转轴线的高可靠性自动提取。     

点云特征型面的边界曲线拟合及曲面裁剪算法

点云特征型面边界曲线的拟合质量直接决定了对应曲面裁剪的质量。以机械零件点云模型为研究对象,针对点云分割型面的边界点识别、排序、拟合和曲面裁剪问题展开研究。基于场力法提取的边界点集,提出了基于最短距离法的边界点集排序和方向夹角阈值限定的边界点集去噪等预处理算法;采用局部二次多项式函数拟合估算边界点集曲率,提出了基于曲率突变点归属性判断的边界点集分段和拟合算法;通过控制点投影变换求取二维裁剪边界,提出了基于特征点集多边形凹凸性的二维边界曲线方向判断法。使用机械零件模型典型型面进行实验,验证了各阶段算法。该算法具有很好的适用性,可进一步扩展应用至复杂曲面边界裁剪。     

基于霍夫变换与最小二乘法的车道线检测方法

基于传统图像处理方法,利用图像预处理、ROI分割、霍夫变换和最小二乘法等技术进行车道线检测。对图像进行预处理,图像预处理包括对图像二值化;然后通过高斯滤波对图像进行边缘检测。为提高执行效率和和提高准确性,使用15°俯视角度下显现的ROI区域进行检测,并利用霍夫变换检测车道线。通过设置阈值和参数调整,得到车道线的峰值点,并使用最小二乘法拟合直线。在图像中绘制检测结果,包括车道线和霍夫变换峰值点。使用该方法,对高速道路、城市道路、省道等3种路线上的5个实验组进行实验,其中高速道路和省道的准确率分别为95%、98%,城市道路的准确率为75%。结果表明：所提方法在特定环境下能够较为有效地检测车道线,具有较好的鲁棒性和准确性。     

一种基于横截面特征的车道线检测方法

车道线检测是自动驾驶的基本任务之一,提出了一种高效稳定的车道线提取拟合和跟踪的算法。根据车道线的截面特征逐行提取车道线特征点,并使用连通域聚类滤波,与传统的霍夫算法相比降低算法复杂度,提高运行效率。将提取的车道线特征点区域分成近视场和远视场,并分段拟合,提高拟合精度。使用卡尔曼滤波算法对车道线的端点和斜率进行跟踪,以此缩小感兴趣区域,提高运行效率。实验中,该方法能够完成多种不同场景下的车道线检测,证明了该算法具有良好的鲁棒性和实时性。     

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。