由于激光点云数据具有一定的离散性和冗余性,在进行图像目标检测时,通常会因对点云数据滤波程度较低而导致检测精度不佳。对此,提出基于计算机图像融合的激光点云数据处理与目标检测方法。首先对高斯卷积核尺寸进行设定,并通过调整高斯...由于激光点云数据具有一定的离散性和冗余性,在进行图像目标检测时,通常会因对点云数据滤波程度较低而导致检测精度不佳。对此,提出基于计算机图像融合的激光点云数据处理与目标检测方法。首先对高斯卷积核尺寸进行设定,并通过调整高斯核的方差以及半径对滤波效果进行优化,同时结合线性插值算法计算出相邻点云数据间的插值,增加激光点云数据的密度。然后采用SURF(Speeded Up Robust Features)算法对Hessian矩阵行列式的局部极大值进行检测,从而定位出特征点。将匹配的特征点的描述符进行加权平均操作,通过计算融合后特征点之间的相似度,实现特征点映射匹配处理。最后采用仿射变换矩阵对匹配点的几何关系进行计算,实现目标区域定位。同时针对像素值的类间方差设定分割阈值,从而实现目标区域提取与检测。在实验中,对提出方法进行了检测精度的检验。最终的测试结果表明,采用提出方法对图像进行目标检测时,算法的IoU(Intersection over Union)值较高,具备较为理想的目标检测精度。展开更多
文摘由于激光点云数据具有一定的离散性和冗余性,在进行图像目标检测时,通常会因对点云数据滤波程度较低而导致检测精度不佳。对此,提出基于计算机图像融合的激光点云数据处理与目标检测方法。首先对高斯卷积核尺寸进行设定,并通过调整高斯核的方差以及半径对滤波效果进行优化,同时结合线性插值算法计算出相邻点云数据间的插值,增加激光点云数据的密度。然后采用SURF(Speeded Up Robust Features)算法对Hessian矩阵行列式的局部极大值进行检测,从而定位出特征点。将匹配的特征点的描述符进行加权平均操作,通过计算融合后特征点之间的相似度,实现特征点映射匹配处理。最后采用仿射变换矩阵对匹配点的几何关系进行计算,实现目标区域定位。同时针对像素值的类间方差设定分割阈值,从而实现目标区域提取与检测。在实验中,对提出方法进行了检测精度的检验。最终的测试结果表明,采用提出方法对图像进行目标检测时,算法的IoU(Intersection over Union)值较高,具备较为理想的目标检测精度。
