为提高无人车障碍物检测跟踪的精度和稳定性,首先针对YOLO v5(You only look once version 5,YOLO v5)网络存在的语义信息和候选框信息丢失的问题,引入深度可分离空洞空间金字塔结构与目标框加权融合算法完成对网络的优化;其次针对单阶...为提高无人车障碍物检测跟踪的精度和稳定性,首先针对YOLO v5(You only look once version 5,YOLO v5)网络存在的语义信息和候选框信息丢失的问题,引入深度可分离空洞空间金字塔结构与目标框加权融合算法完成对网络的优化;其次针对单阶段障碍物点云聚类精度低的问题,设计一种考虑点云距离与外轮廓连续性的两阶段障碍物点云聚类方法并完成三维包围盒的建立;最后将注意力机制引入MobileNet使网络更加聚焦于目标对象特有的视觉特征,并综合利用视觉特征和三维点云信息共同构建关联性度量指标,提高匹配精度。利用KITTI数据集对构建的障碍物目标检测、跟踪与测速算法进行仿真测试,并搭建实车平台进行真实环境试验,验证所提算法的有效性和真实环境可迁移性。展开更多
同时定位与地图构建(simultaneous localization and mapping,SLAM)技术在无人化装备上有着广泛的应用,可实现室内或室外自主的定位建图任务。该文首先对视觉和激光SLAM基本框架进行介绍,详细阐述前端里程计、后端优化、回环检测以及地...同时定位与地图构建(simultaneous localization and mapping,SLAM)技术在无人化装备上有着广泛的应用,可实现室内或室外自主的定位建图任务。该文首先对视觉和激光SLAM基本框架进行介绍,详细阐述前端里程计、后端优化、回环检测以及地图构建这四个模块的作用以及所采用的算法;在这之后梳理归纳视觉/激光SLAM发展历程中的经典算法并分析其优缺点以及在此之后优秀的改进方案;此外,列举当前SLAM技术在生活中的典型应用场景,展示在自动驾驶、无人化装备等领域的重要作用;最后讨论SLAM系统当前的发展趋势和研究进展,以及在未来应用中需要考虑的挑战和问题,包括多类型传感器融合、与深度学习技术的融合以及跨学科合作的关键作用。通过对SLAM技术的全面分析和讨论,为进一步推动SLAM技术的发展和应用提供深刻的理论指导和实践参考。展开更多
植被分布信息是开展自然资源保护、生态系统健康评价的重要数据基础。山区地形起伏大、植被类型结构复杂,传统植被遥感分类基于二维影像进行制图,无法反映植被垂直结构和三维空间分布特征。为探索实景三维模型在植被精细分类与制图上的...植被分布信息是开展自然资源保护、生态系统健康评价的重要数据基础。山区地形起伏大、植被类型结构复杂,传统植被遥感分类基于二维影像进行制图,无法反映植被垂直结构和三维空间分布特征。为探索实景三维模型在植被精细分类与制图上的应用潜力,该文提出了一种融合光学影像与激光雷达(light detecting and ranging, LiDAR)数据的实景三维模型山地植被制图方法。选取广东内伶仃岛为研究区,利用无人机航测获取的实景三维模型、多光谱与LiDAR点云构建多源数据集,开展多源数据配准和特征提取;进一步采用LightGBM算法实现植被精细分类并评估多源数据特征的分类性能;最后,通过二维制图向三维模型的映射获得植被语义三维模型。结果表明,实景三维模型可以有效区分植被类型,其与多光谱、LiDAR数据的特征融合能更全面地描述山区地形与植被结构特性,二维分类总精度比仅使用单一数据提升4.28%~11.29%。基于实景三维模型的植被三维制图总精度达到92.06%,Kappa系数为0.89,能够真实直观地反映山地植被的立体层次分布规律,提高植被精细信息提取的准确性。研究验证了实景三维模型与多源数据的融合在自然资源监测中的巨大潜力,为区域植被精细化和立体化信息提取提供新的思路和方法。展开更多
文摘为提高无人车障碍物检测跟踪的精度和稳定性,首先针对YOLO v5(You only look once version 5,YOLO v5)网络存在的语义信息和候选框信息丢失的问题,引入深度可分离空洞空间金字塔结构与目标框加权融合算法完成对网络的优化;其次针对单阶段障碍物点云聚类精度低的问题,设计一种考虑点云距离与外轮廓连续性的两阶段障碍物点云聚类方法并完成三维包围盒的建立;最后将注意力机制引入MobileNet使网络更加聚焦于目标对象特有的视觉特征,并综合利用视觉特征和三维点云信息共同构建关联性度量指标,提高匹配精度。利用KITTI数据集对构建的障碍物目标检测、跟踪与测速算法进行仿真测试,并搭建实车平台进行真实环境试验,验证所提算法的有效性和真实环境可迁移性。
文摘同时定位与地图构建(simultaneous localization and mapping,SLAM)技术在无人化装备上有着广泛的应用,可实现室内或室外自主的定位建图任务。该文首先对视觉和激光SLAM基本框架进行介绍,详细阐述前端里程计、后端优化、回环检测以及地图构建这四个模块的作用以及所采用的算法;在这之后梳理归纳视觉/激光SLAM发展历程中的经典算法并分析其优缺点以及在此之后优秀的改进方案;此外,列举当前SLAM技术在生活中的典型应用场景,展示在自动驾驶、无人化装备等领域的重要作用;最后讨论SLAM系统当前的发展趋势和研究进展,以及在未来应用中需要考虑的挑战和问题,包括多类型传感器融合、与深度学习技术的融合以及跨学科合作的关键作用。通过对SLAM技术的全面分析和讨论,为进一步推动SLAM技术的发展和应用提供深刻的理论指导和实践参考。
文摘数字高程模型(digital elevation model,DEM)可用于表达滑坡裂缝凹陷地形特征及高程变化,基于DEM能够对滑坡裂缝进行识别。然而,单一的DEM地形地貌数据难以精确表达滑坡裂缝复杂的地形特征。文中提出了一种基于机载激光雷达(light detection and ranging,LiDAR)DEM多特征地形地貌数据融合增强的滑坡裂缝识别方法。首先,通过无人机挂载LiDAR传感器采集获取裂缝的点云数据,并构建LiDAR-DEM,基于DEM生成4种多特征地形地貌数据,包括山体阴影、坡度、正开度和天空视域因子。其次,利用考古地形可视化(visualization for archaeological topography,VAT)方法对DEM多特征地形地貌数据进行融合增强处理,得到DEM多特征融合增强图像。然后,基于大津法(Otsu’s method,OTSU)算法进行滑坡裂缝识别。最后,采用连通域分析和数学形态学闭运算对识别出来的滑坡裂缝进行优化,得到完整准确的滑坡裂缝。以云南省禄劝县的烂泥沟滑坡裂缝为研究区,采用精确率、召回率、F1分数指标对识别结果进行精度验证。最终精确率为0.85,召回率为0.90,F1分数为0.87。研究结果表明,文中方法的滑坡裂缝识别效果较好,能够得到完整的滑坡裂缝,可为滑坡裂缝识别提供一定的参考。
文摘植被分布信息是开展自然资源保护、生态系统健康评价的重要数据基础。山区地形起伏大、植被类型结构复杂,传统植被遥感分类基于二维影像进行制图,无法反映植被垂直结构和三维空间分布特征。为探索实景三维模型在植被精细分类与制图上的应用潜力,该文提出了一种融合光学影像与激光雷达(light detecting and ranging, LiDAR)数据的实景三维模型山地植被制图方法。选取广东内伶仃岛为研究区,利用无人机航测获取的实景三维模型、多光谱与LiDAR点云构建多源数据集,开展多源数据配准和特征提取;进一步采用LightGBM算法实现植被精细分类并评估多源数据特征的分类性能;最后,通过二维制图向三维模型的映射获得植被语义三维模型。结果表明,实景三维模型可以有效区分植被类型,其与多光谱、LiDAR数据的特征融合能更全面地描述山区地形与植被结构特性,二维分类总精度比仅使用单一数据提升4.28%~11.29%。基于实景三维模型的植被三维制图总精度达到92.06%,Kappa系数为0.89,能够真实直观地反映山地植被的立体层次分布规律,提高植被精细信息提取的准确性。研究验证了实景三维模型与多源数据的融合在自然资源监测中的巨大潜力,为区域植被精细化和立体化信息提取提供新的思路和方法。
