荧光显微镜因具有对样品损伤小、可进行特异性标记、适用于活体成像等优点,一直是生物医学研究中的主要手段。但光学系统自身缺陷、生物样品光学性质的不均匀性以及样品与显微镜浸润介质界面折射率的变化等导致了像差的产生,降低了成像的对比度和分辨率。自适应光学(AO)技术通过使用主动光学元件,如可变形镜、空间光调制器等,对畸变的波前(像差)进行校正,消除动态波前误差,恢复衍射受限性能。近年来,众多学者将AO系统与荧光显微镜相结合,以修正由样品不均匀性引起的像差,进而改善成像质量。介绍了AO技术的基本原理,综述了近年来AO技术在荧光显微镜成像中的应用,并对其未来发展趋势进行了展望。

目标精确感知与识别为信息化战争提供了一个重要的技术增长点,全景视觉传感设备因其拥有大视场(LFOV)范围优势而逐渐被应用于安防及**领域中的目标检测与识别任务。首先从相机成像模型、图像成像质量以及目标物体的非对称性三个方面对存在的困难以及挑战进行阐述。基于是否进行畸变校正预处理,将近年来LFOV域的目标检测与识别算法分为基于畸变校正的目标检测与识别算法和基于原始LFOV图像的目标检测与识别算法两类,并针对这两类算法进行了全面梳理和总结,对当前LFOV域的目标检测与识别各类算法的统一性和差异性进行思考分析,探讨其未来发展趋势。

图像显著性是实现视觉信息感知的最主要信息源,图像显著性信息的检测是计算机视觉研究中的热点。随着数据获取能力的极大提升,三维或立体视觉感知的需求越来越迫切,深度敏感信息的有效提取是影响当前立体视觉体验的重要元素,已经得到了很多研究人员的注意并取得了一定的研究成果。本文对图像显著性检测及深度敏感信息提取研究的相关检测模板及技术进行广泛研究,对深度敏感信息提取的研究现状进行了分类和概括,并通过对比实验,分析了几种典型深度敏感信息提取算法。最后,对深度敏感信息提取技术存在的问题及发展趋势进行了讨论。

光声层析成像(PAT)作为一种新兴的成像技术,以独特的免标记、高分辨率、高对比度的多尺度成像能力,在生物医学成像中备受关注,正迅速向临床试验转化。得益于超声探测技术和激光技术的快速发展,PAT系统正逐步实现实时、大视场、高分辨率、高穿透深度的组织结构和功能成像。主要综述了环形阵列式PAT系统在生物医学成像中的研究进展及其在预临床和临床实践中面对的问题。

目标检测作为机器视觉中重要任务之一,是人工智能体系中一个具有重要研究价值的技术分支。对于卷积神经网络框架、anchor-based模型和anchor-free模型三个主流的目标检测模型进行梳理。首先,综述了主流卷积神经网络框架的网络结构、优缺点以及相关的改进方法;其次从one-stage和two-stage两个分支对anchor-based类模型进行深入分析,总结了不同目标检测方法的研究进展;从早期探索、关键点和密集预测三部分分析anchor-free类模型。最后对该领域的未来发展趋势进行了思考与展望。

全息体视图技术是全息显示技术的研究热点,简要介绍了一种有效视角图像切片嵌合(EPISM)的单步全息体视图打印方法,通过单步打印可以获得凸出于全息干板的再现像,实现传统两步法的打印效果。为了实现白光再现,提高EPISM方法的实用性,分析了参考光光强对再现像亮度的影响,以及场景深度对再现像质量的影响。给出了白光再现的条件,并实现了EPISM方法全息体视图的白光再现。

提出了一种基于图形处理器(GPU)并行加速双能计算机层析成像(CT)重建的整体解决方法。该方法通过将双能采样数据视角配准步骤整合到基本的双能CT重建过程中,保证了双能投影分解的准确性,从而提高了双能CT重建的准确性。通过在反投影步骤中同时反投影几种图像,避免重复计算投影地址,并且在整体重建过程的各个步骤中采用GPU并行方式进行计算,有效提高了双能CT的重建速度。重建图像为2种和4种时,与重复执行多次单能CT并行重建相比,本文方法的重建过程加速比分别为1.88和3.24,其中最耗时反投影步骤加速比分别为1.90和3.66。实验和实际应用证明了该方法可有效提高双能CT重建的准确性和速度。

提出了一种基于多尺度特征融合的细粒度图像分类方法。通过运用特征金字塔结构对不同层次的特征进行尺度变换,再进行信息融合;之后筛选其中包含细节特征最多的前三个区域图,将其与图像的全局特征共同作用以判断图片所属的子类类别。在公开的细粒度数据集CUB-200-2011、Stanford Dogs上进行了实验,得到的分类精度分别为85.7%和83.5%。实验结果表明该方法对于精细化物体分类具有一定的优越性。

金文图像识别的关键步骤是提取金文的图像特征,针对金文的形态特点,提出了一种基于方向梯度直方图(HOG)和灰度共生矩阵(GLCM)的金文图像识别算法。使用双边滤波对金文图像进行预处理,针对金文的结构特征和局部纹理特征,提取其HOG特征和GLCM特征并将二者进行融合。用融合后的特征作为样本训练支持向量机分类器,用训练后的模型识别金文图像。实验结果表明,该算法相比基于HOG特征的算法,分类准确率提高了19.47个百分点,能更好地提取金文的图像特征,提高识别的准确率。

在复杂场景中,阴影严重影响目标检测的准确度,传统目标检测方法易将运动阴影误检为运动目标。针对这一问题,提出了改进的拉普拉斯-高斯(log)算子与ViBe算法相结合的视频阴影消除算法。在log算子检测的基础上,采用二维数字滤波器进行滤波检测;将二维数字滤波器的系数矩阵旋转180°以创建卷积核;利用二维卷积对创建的卷积核与输入的图像矩阵进行卷积,实现对图像的边缘检测,最后利用改进的log算子提取外轮廓边缘和前景目标边缘,二者相减得到内部边缘,即消除阴影的运动目标边缘。实验结果表明,改进的算法可有效地消除阴影,同时提高了算法的鲁棒性。

针对图像缺损修复需求设计了一种修复算法。该算法以Criminisi算法为基础,引入标记符控制分水岭算法对图像按景物进行分块,提高图像缺损部分修复的准确率;根据最近最佳匹配原则修复图像,引入像素距离远近控制函数以减少搜索匹配块用时;引入图像局部色彩方差,优化Criminisi算法的优先权计算方式;引入协方差,提高填充块与待修复区域图像的匹配度;重新设置图像修复的置信度公式,减小因置信度不断更新时放大的误差。结合多种类型的缺损图像实例进行修复验证,均取得了很好的修复效果。实验结果表明:与其他算法对比,该算法大幅度减少了缺损图像修复用时,更有效地恢复了图像原有信息。

为了解决传统的卷积神经网络着色方法带来语境混淆、边缘模糊和细节信息丢失度高等问题,设计了一个改进的基于密集神经网络的区域全卷积神经网络(R-FCN)和基于局部特征网络的双分支神经网络模型。通过DenseNet可准确提取信息,产生易于训练和高参数效率的密集模型,采用全连接的条件随机场优化分割结果来提高分割的准确率。验证阶段采用联合双边滤波对图像进行处理,弥补图像边缘模糊的缺点。实验结果表明:与现有着色方法相比,该方法有效地解决了细节丢失度高、颜色不饱和及边缘模糊的问题,能够产生更真实、更合理的彩色图像,取得了优异的效果。

采用深度学习方法对棉花中的异性纤维进行分类识别。首先建立异性纤维数据集,针对异性纤维尺寸和形状多样性的特点,采用基于Faster RCNN的目标识别框架,以RseNet-50代替原始的VGG16作为异性纤维分类模型的特征提取网络,并采用k-means++聚类算法对候选框生成尺寸进行改进;然后对模型进行训练,实现棉花中异性纤维的分类和定位。训练后的模型在验证集上的准确率达到94.24%,精度为98.16%,召回率为95.93%,精确率和召回率的调和平均数(F1分数)为0.970。对比改进前、后模型对异性纤维的识别效果,改进后的模型在小尺寸、大长宽比和密集出现的情况具有更好的识别效果,相对于原始模型,其准确率、精度、召回率和F1分数分别提高了3.21%、0.90%、2.51%和0.017。

利用周期性结构纹理图像独特的频谱分布,设计出一种基于频谱特征的周期性结构参数检测方法,搭建了静态图像检测和实时采集检测系统,对织物密度进行多次检测实验。检测结果表明,相对误差小于1%的比例达到96.7%,平均误差比现有算法降低了约36%,单帧图像检测时间约为150 ms,适用于工业检测场景。将所提方法应用于纸张计数、木材纹理检测、微结构阵列检测等实际应用领域,实验结果表明,基于频谱特征的周期性结构参数检测方法的准确度较高,适用范围广,检测效率高。

为解决工业制造中齿轮缺陷检测难的问题,提出一种基于改进的YOLOv3网络的缺陷检测方法。首先构建齿轮缺陷图像数据集,包括图像采集与扩充和缺陷标注;其次采用密集连接网络(DenseNet)结构代替原有的网络结构,提高特征提取能力;最后增加网络预测尺度,提高对于小尺寸缺陷的检测能力。利用齿轮缺陷图像对该方法进行验证,发现所提方法的平均精确率均值比YOLOv3网络提高了3.87%,对齿轮缺失部分的精确率提高了5.7%。与YOLOv3网络相比,所提方法在齿轮缺陷检测上有一定的先进性和有效性。

加速稳健特征算法在多模核磁共振成像(MRI)肿瘤图像配准中,存在特征点偏少且配准精度低等问题。使用Harris角点检测法对参考图像、浮动图像的特征点进行提取和检测,接着使用圆形64维向量法生成特征描述符并进行欧氏距离匹配,来增强特征点的提取。通过设置配准图像初始化参数,确保粒子在最优值附近搜索,利用互信息作为粒子群优化算法的测度函数,增强目标函数全局最优解,通过引入平均最值,防止算法陷入早熟现象。仿真结果表明,与现有的算法相比,所提优化算法可以使多模MRI图像特征点增多且精度更高。

细粒度图像之间具有高度相似的外观,其差异往往体现在局部区域,提取具有判别性的局部特征成为影响细粒度分类性能的关键。引入注意力机制的方法是解决上述问题的常见策略,为此,在双线性卷积神经网络模型的基础上,提出一种改进的双线性残差注意力网络:将原模型的特征函数替换为特征提取能力更强的深度残差网络,并在残差单元之间分别添加通道注意力和空间注意力模块,以获取不同维度、更为丰富的注意力特征。在3个细粒度图像数据集CUB-200-2011、Stanford Dogs和Stanford Cars上进行消融和对比实验,改进后模型的分类准确率分别达到87.2%、89.2%和92.5%。实验结果表明,相较原模型及其他多个主流细粒度分类算法,本文方法能取得更好的分类结果。

针对复杂场景中传统单一手工特征表达能力不足,以及模型更新过程中由于误差累积导致模型退化问题,提出了基于相关滤波融合卷积残差学习的目标跟踪算法。将融合了多特征的相关滤波算法定义为神经网络中的一层,将特征提取、响应图生成、模型更新整合到端到端的神经网络中进行模型训练;为解决在线更新过程中模型退化问题,引入残差学习方式引导模型更新。在基准数据集OTB-2013和OTB-2015上的实验结果表明,本文算法能够有效应对复杂场景中运动模糊、形变和光照等变化,具备较高跟踪精度与鲁棒性。

为提高智能车快速检测物体对多种场景的适应能力,提出了多任务共享一个特征提取网络的联合方法。首先用ResNet-50作为编码器提取图像的特征;然后采用单发多框检测算法的多尺度特征预测和快速回归思想,对检测结果进行解码,采用DeepLab v3中的多孔空间金字塔池化结构,对经ResNet-50下采样后的图像特征进行多尺度映射、双线性上采样和批次归一化处理,完成分割解码;最后设定好参数训练联合方法。实验结果表明,该方法的平均精度均值为89.00%,分割平均交并比为83.0,每秒传输帧数为31 frame,满足智能车的应用需求。

针对图像特征点提取匹配算法中配准率不高的问题,提出了一种优化栅格移动统计的图像配准算法。首先使用快速特征点提取和描述算法提取特征点,再通过暴力匹配算法进行大致的特征点配准。根据图像的大小和特征点的个数将图像划分成多个栅格,对栅格内的特征点数量进行移动统计,通过九宫格里特征点距离中心特征点的远近,使用高斯函数制作分数统计模板。将九宫格里的分数统计与设定的阈值进行对比,超过阈值则认为是一个正确的匹配点,否则即被筛选掉。实验结果表明,该算法比基于栅格的移动统计算法获得精确匹配点的数目提高了18.17%,与传统特征点提取匹配算法相比,速度最大可以提高约41.3%,能有效剔除错误匹配,提高匹配率。

深度卷积网络提取的表情特征易受背景、个体身份等因素影响,其与无用特征混合在一起对表情识别造成干扰。针对此问题,提出一种基于注意力模型的面部表情识别算法,该方法基于一个轻量级的卷积神经网络以避免过拟合,通过通道注意力模块和空间注意力模块对特征图元素进行加强或抑制,应用残差学习单元使注意力模型学习到更丰富的特征并获得更好的梯度流。此外,还提出一种面部表情关键区域截取方案,以解决非表情区域的噪声干扰问题。在两个常用的表情数据集CK+和MMI上对所提方法进行了验证,实验结果证明了该方法的优越性。

针对低照度水下图像存在色偏和细节模糊的问题,提出一种基于白平衡和相对全变分的低照度水下图像增强算法。该算法依据光线在水中选择性衰减的特性,对水下图像进行全局光照补偿以提高图像亮度,并采用灰度世界算法校正水下图像颜色;依据引导滤波的保边平滑性构造新的相对全变分约束来估计照度图,并基于低照度成像模型得到反射图像,即增强后的水下图像。主观效果、客观分析及应用比较实验均证明了本文算法在校正色偏和增强图像细节方面的有效性。

提出了一种新型可调节的自适应区域调光方法。该方法利用已有区域背光算法计算的背光亮度值构造约束条件,在经区域背光算法得出背光后,结合人眼视觉特性对该背光进行不同幅度的增减,利用发光二极管-液晶显示器(LED-LCD)样机选取在显示图像不失真的条件下显示质量最好的背光亮度作为该图像的最佳背光亮度,然后对最佳背光进行像素补偿。实验结果表明所提方法能使显示图像更加接近真实场景感知,在一定程度上提高了图像的对比度等。

针对部分遥感图像整体亮度偏暗、边缘细节特征模糊和可视性不够理想的缺点,提出了一种基于非下采样轮廓波变换(NSCT)与加权引导滤波的增强方法来改善图像质量。先利用NSCT获取图像多尺度子带图像,再对低频子带图像采取全局映射调整亮度,利用加权引导滤波器代替Retinex中的高斯滤波器获取细节分量和基础分量,同时采用比例因子调整两分量在低频子带图像中的比例;采用改进的自适应贝叶斯阈值和非线性增益函数增强各个高频子带图像;最后将各子带信息通过NSCT逆重构得到增强图像。与传统图像增强算法相比,该方法在清晰度和信息熵等方面有所提高,较好地保留细节特征,明显提高视觉效果。

针对Faster R-CNN算法检测舰船目标存在的不足,提出基于深度特征金字塔和级联检测器的舰船检测算法。先利用小目标数据增强算法对数据进行扩充,使检测模型学习足够的特征;再使用深度特征金字塔网络改进原目标检测算法的特征提取网络,抑制相干斑噪声,有效提取舰船特征;并根据合成孔径雷达(SAR)图像中舰船目标稀疏的特点使用级联结构调整网络。基于上述改进,选取舰船目标检测数据集中部分图像及2月份渤海湾的SAR图像进行实验,实验结果表明:所提算法均取得了良好的检测效果,证明了所提算法的有效性。

Criminisi图像修复算法优先权计算中结构信息考虑不足和匹配时仅依靠颜色距离选择,致使壁画修复过程中易出现结构传播错误和像素错误匹配,鉴于此,提出了一种基于信息熵和结构特性的壁画修复算法。先在计算优先权函数时,引入度量像素块复杂度的信息熵,改进的优先权函数确定了最优待修补块,使结构信息丰富的区域优先修复;再采用样本颜色特征和块间协方差结合的方式确定匹配块集合,根据块间欧氏距离确定最佳匹配块;最后通过迭代更新完成壁画修复。对破损敦煌壁画进行实验,实验结果表明:该算法较好地克服了Criminisi算法错误匹配填充的问题,修复后获得了较好的视觉效果,提高了图像峰值信噪比等客观评价值。

针对TLD(Tracking Learning Detection)在跟踪过程中由于自身光敏感性造成的对快速运动目标以及产生形变的目标的跟踪识别率较低问题,提出了一种改进的TLD方法,在跟踪模块中引入金字塔光流法,通过构建金字塔图像,减小图像尺寸,从而使运动目标在图像中的速度降低,亮度变化减小,并使得Lucas-Kanade方法的前提条件成立。在开源的科学工程计算软件SCILAB6.0.1上进行实验,结果表明,改进的TLD在光线变化和快速运动目标的跟踪准确性得到了提高,跟踪算法的可靠性得到了加强;同时将算法封装为算法模型,可通过简单的参数输入实现目标跟踪目的。

采用深度学习方法,利用网络爬取、实地拍摄两种方式获取数据,并构建基于Faster R-CNN(region-based convolutional neural networks)的金丝猴优化检测模型。通过比较不同的模型,明确模型的最优构建方案;通过对比基于不同训练集构建的模型的检测精度,探究建模数据最优补充方案。研究结果表明:相比Vgg16和Res50网络,基于Res101网络在迭代70000次时可以构建最优的模型;在实测数据有限时,可以采用网络图片作为替代数据源进行金丝猴面部检测,并且可以将其作为辅助数据源优化金丝猴身体检测效果;相对于经典的卷积神经网络,该方法不仅检测效果更好,而且运行时间更少;该模型可以在复杂生态背景图片中有效地进行金丝猴定位与识别。所提方法对金丝猴野外发现与跟踪有很强的现实意义。

无参考图像质量评价是近年来的研究热点,目前常用的评价算法都是从灰度空间提取特征。为了增加颜色通道信息对图像质量的反馈,分别提取了RGB(Red,Green,Blue )、LAB(Luminosity,A,B)、HSV(Hue,Saturation,Value)颜色空间中各通道下的亮度去均值对比度归一化(MSCN)系数,并用非对称广义高斯分布模型(AGGD)拟合。对拟合得到的MSCN系数统计特征,用梯度提升回归算法训练,得到无参考图像质量评价模型,并将各颜色通道训练模型和灰度空间训练模型的预测分数与主观评分进行比较。结果表明,相比灰度空间,部分颜色通道下的无参考图像质量评价模型的单调性、主客观一致性、稳定性都有一定提升,用RGB_B通道下提取的特征训练的模型性能最好,Pearson相关系数从0.63提升到0.70。

针对现有方法不易确定划分高光谱图像子块的大小和个数,仅考虑子块内低秩性等不足,提出一种结合地物类别和低秩特性的高光谱图像降噪方法。根据地物数据先验知识的类别数,简单划分子块的个数,指定最优参数明确分块大小,再通过相同地物中像素空间和光谱的相关性定义同物空谱低秩特性,最后结合整幅高光谱图像的光谱低秩特性,并根据低秩矩阵恢复模型求解降噪图像。在Washington DC Mall和Indian Pines数据集上进行实验,结果表明:所提方法不仅对每一类地物噪声的降噪效果有所提高,而且针对更为严重的随机噪声和稀疏噪声的混合噪声,也能够达到更好的降噪效果。

电荷耦合器件(CCD)的测量精度是影响波前复原精度的主要因素。受相机制造工艺的限制以及环境的影响,不可避免地会采集到噪声数据,从而影响低信噪比、高空间频率图像信息的采集。为了降低噪声对波前复原的影响,提出了一种基于图像补偿的改进相位差波前传感器。先在CCD相机的正常曝光时间和饱和曝光时间下分别采集两幅图像;然后融合成一幅包含准确高空间频率和低空间频率光强信息的图像。在相同信噪比下,对改进的相位差波前传感器和传统的相位差波前传感器进行了仿真。结果表明,改进的相位差波前传感器的波前反演精度有显著提高。最后通过实验进一步验证了该方法的有效性。

针对三维点云数据分割算法准确度低的问题,提出了一种结合点云骨架点和外部特征点的分割算法,所提算法可将传统方法分割不出来的局部小范围凸面体进行有效分割,从而使得三维点云数据分割得更为完善,为三维点云分割提供了新思路。利用C++及其开源的点云库进行编程,利用L1-中值算法对三维点云进行骨架点的提取,利用尺度不变特征变换算法进行特征点的提取,结合骨架点和特征点构建分割平面进行分割,再对剩余的特征点进行检测,再次构建分割平面进行分割,得到最终的结果。实验结果表明,该算法能对三维点云表面的小范围凸面体进行有效分割, 提高了分割的准确性。

研究了基于二维(QR)码识别的P4P算法,提出利用QR码中存储的四个共面顶点的坐标和QR码图像中的像素坐标进行定位。通过相机标定和图像校正得到校正的QR码四个共面顶点的像素坐标,通过译码程序解析得到四个共面顶点的实际位置坐标,将P4P算法解算输出的旋转矩阵和平移向量作为下一步算法的迭代初始值。在透视N点投影算法中,借助李群和李代数之间的局部同构关系,将流形上的寻优转化为切空间中的寻优,利用线性空间中的最优化手段对目标值进行优化。在切空间的任何梯度方向,参数值都在该空间内,即所求矩阵都在流形上。实验结果表明,在导航运动过程中,相机坐标位置误差小于±2 mm,旋转角度误差小于±0.5°,算法具有较高的定位精度及稳定性。

随着深度学习的不断发展与广泛运用,基于深度学习的目标检测算法已成为新的主流。为了进一步提高卷积神经网络YOLO v3(You only look once v3)的检测精度,在原算法的网络结构上添加卷积层模块对样本进行目标背景分类,并粗略调整特征图上的锚框大小。该模块输出目标背景概率后,过滤掉背景概率值低于设定阈值的样本,从而解决原算法中存在的正负样本比例失衡的问题。使用调整过的锚框替代原算法中直接由聚类生成固定大小的锚框,该过程为边界框的预测提供更优的初始值。在VOC数据集上的实验结果表明,相较于原算法,改进的YOLO v3具有更高的检测精度。

提出了一种基于余弦相似度的点云配准(PCR-CS)算法,该算法主要解决点云刚性配准问题,即找到点云配准的旋转矩阵R和平移矩阵T,从而实现原始点云P到目标点云Q的配准。先对两个待配准点云进行去中心化处理,再进行点云余弦相似度的研究,将两个待配准的三维点云分别投影到XY平面上,对XY平面上的点云进行栅格化处理,统计栅格上的数据点从而形成统计矩阵SP和SQ,采用差分进化算法,以两点云余弦相似度为条件,寻求最优R,从而实现点云配准,最后,利用中心点计算T。实验结果表明,与其他算法相比,该算法具有较高的配准精度,即使在点云数据伴随有噪声和数据缺失的情况下,也都能达到良好的配准效果。

针对复杂光照情况下的道路区域提取问题,提出一种基于颜色不变量和暗原色分割的道路区域提取算法,该算法通过正交分解法提取光照不变图像,并基于暗原色先验的道路图像聚类分割,提取图像的消失点等道路信息,构造软投票函数来判别道路区域,经过形态学处理得到最终精确的道路区域。为了有效评价复杂光照场景的道路区域提取算法的精度和效率,构建了一套复杂光照场景的道路图像数据集,并针对9种道路区域提取的算法构建了Benchmark。实验结果表明,所提方法能有效降低阴影等干扰因素的影响,与另外8种算法相比,本文算法能够实现与最新算法具有相近或更加准确的精度,并且本文算法在消失点位置提取准确时,道路的提取效果比其他算法更加完整和精确。此外,本文构建的数据集和Benchmark能够有效地用于测评复杂光照环境下道路区域提取算法的性能。

为了改善差分灰狼预测算法的早熟收敛、搜索能力不均衡、容易陷入局部最优等问题,提出了一种改进的混合灰狼优化(HGWO)预测算法,可自适应改进和调整差分进化中的变异算子、交叉算子和变异策略。嵌入具有分类预测功能的支持向量机(SVM),同时引入莱维飞行全局搜索更新狼群位置,优化SVM核函数参数γ和惩罚因子C,构建了HGWO-SVM预测算法预测推焦车大车道内物体的运动轨迹。结果表明,与已有算法相比,该算法对行人、自行车、电瓶车、电动三轮车、大中小型四轮汽车的位置预测相对实际值的误差分别降低了4.21、4.14、7.91、2.03、25.53个百分点,预测时间减少了8.8~10 s。可以克服焦炉恶劣的环境影响,准确预测推焦车车道内运动对象的轨迹,为推焦车无人化运行提供主动安全的预测控制方法。

针对传统二维深度学习方法无法实现三维点云分类问题,提出一种融合光谱信息的机载LiDAR点云三维深度学习分类方法。该方法首先融合机载LiDAR点云和多光谱航空影像进行点云光谱信息扩充,进而在点云格网化和数据增强处理的基础上,采用多层感知机提取出不同尺度下的点特征和全局特征,最后基于三维深度学习算法实现机载LiDAR点云的准确分类。利用国际摄影测量与遥感协会提供的数据集进行所提方法验证,结果表明,融合光谱信息后,机载LiDAR点云分类精度提高了13.39个百分点;与已有方法的对比结果也进一步表明,所提方法可以在减少特征向量提取的情况下,取得较好的分类结果。

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征。再采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能。

激光强度值会受到大气环境、激光测距值、目标物特性等因素的影响,同类目标物的激光强度值产生较大的偏差。为了消除扫描距离对地面扫描激光强度的影响,以激光雷达测距方程为基础,设计了同种材料、不同距离与点云反射强度的实验,通过实验得出了激光扫描距离与点云激光强度之间的变化关系和数学模型,并将实验数据修正效果较好的模型(如泰勒插值多项式模型、分段多项式模型、分段高斯函数与多项式混合模型)用于实例点云激光强度的修正,结果显示,泰勒插值多项式模型修正效果最好,可以有效地消除距离因素引起的点云强度偏差,使同类目标的激光强度趋于一致,异类目标的激光强度差异明显。