CN116824110B - 一种基于点云的3d目标检测的数据增强方法和系统 - Google Patents
一种基于点云的3d目标检测的数据增强方法和系统 Download PDFInfo
- Publication number
- CN116824110B CN116824110B CN202311075922.4A CN202311075922A CN116824110B CN 116824110 B CN116824110 B CN 116824110B CN 202311075922 A CN202311075922 A CN 202311075922A CN 116824110 B CN116824110 B CN 116824110B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- vector
- target object
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 112
- 238000006073 displacement reaction Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 230000003094 perturbing effect Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 abstract description 3
- 230000001788 irregular Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
Landscapes
- Image Generation (AREA)
Abstract
一种基于点云的3D目标检测的数据增强方法和系统,涉及机器视觉技术领域,包括如下步骤:基于数据集创建三维包围盒;基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量;基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云;将目标对象的变形点云放入数据集中。通过通用的对抗性攻击,提高了适用性,保证了紧凑性和可转移性;让点云沿三维传感器的视觉光线方向移动以保持形状和遮挡,增加现实世界的物理约束提高真实感,在使用对抗性方法改变目标对象作为数据增强后,提高了泛化能力。
Description
技术领域
本申请涉及机器视觉技术领域,具体涉及一种基于点云的3D目标检测的数据增强方法和系统。
背景技术
点云是3D生成中常用的方法,由于点云中的三维对象检测依赖于点之间的几何关系,非标准的物体形状可能会影响该类方法的检测能力。现有的目标检测方法大多聚焦在当前数据集上,如针对电池、汽车等,因此对领域之外的物体识别能力不足,并且由于点云的无序、稀疏和不规则采样的特性,在实际新能源工业环境中,对于超出领域和长尾数据的处理是一个基本又重要的要求,这就需要获取更多的非标准点云数据来增强目标检测方法的鲁棒性。然而,3D点云在高度自动化的情况下,鲁棒性和冗余性与安全性交织在一起,并且由于3D探测器所依赖的点间几何结构与通常不同,可能使真实的非标准物体导致假阴性,即实际上存在的物体(即正类)错误地被识别为不存在(即负类)。
现有技术中,对抗性点云方法虽然通过人工生成虚拟攻击的方式,提高了对分布外数据的泛化能力,但现有技术均是基于增加或减少一些点云中的点来实现,特定于样本,缺乏广泛的适用性,并且在设计时没有考虑3D传感器,在空间上大多不受约束。
发明内容
(一)申请目的
有鉴于此,本申请的目的在于提供一种基于点云的3D目标检测的数据增强方法和系统,用于解决现有技术中缺乏广泛的适用性,并且在设计时没有考虑3D传感器,在空间上大多不受约束的技术问题。
(二)技术方案
本申请公开了一种基于点云的3D目标检测的数据增强方法,包括如下步骤:
S1、基于数据集创建三维包围盒,使数据集中所有的目标对象的点云的点在所述三维包围盒内;
S3、基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量;
S4、基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云;
S5、将目标对象的变形点云放入数据集中,重复执行步骤S3。
在一种可能的实施方式中,所述基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量,包括:
S31、基于步长t离散所述三维包围盒的空间,得到3D空间中的根坐标,且给每个根坐标赋一个空向量;
S32、基于二进制交叉熵损失来抑制所有相关的三维包围盒提议。
在一种可能的实施方式中,所述基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云,包括:
S41、计算三维传感器和目标对象的点云的每个点之间的射线,基于所述射线确定目标对象的点云的每个点的移动方向;
S42、将目标对象的点云的每个点离所述射线最近的矢量投影到射线上来计算目标对象的点云的每个点的变形矢量。
在一种可能的实施方式中,所述基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云,还包括:S43、获取目标对象点云中的每个点的邻近点,计算每个点和它邻近点中最近向量之间的欧几里得度量,基于变形矢量对每个点和它的最近向量之间的欧几里得度量加权,计算出每个点的位移的变形矢量。
在一种可能的实施方式中,还包括步骤S2,所述步骤S2包括:基于目标对象和所述三维传感器的相对方向对所述数据集中的目标对象进行聚类;学习G个不同的字段,每个字段对应一个聚类。
作为本申请的第二方面,还公开了一种基于点云的3D目标检测的数据增强系统,包括:
三维包围盒构建模块,用于基于数据集创建三维包围盒,使数据集中所有的目标对象的点云的点在所述三维包围盒内;
点云扰动模块,用于基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量;
变形点云获取模块,用于基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云;
重复执行模块,用于将目标对象的变形点云放入数据集中,返回三维包围盒构建模块执行。
在一种可能的实施方式中,所述点云扰动模块包括:
离散单元,用于基于步长t离散所述三维包围盒的空间,得到3D空间中的根坐标,且给每个根坐标赋一个空向量;
抑制单元,用于基于二进制交叉熵损失来抑制所有相关的三维包围盒提议。
在一种可能的实施方式中,所述变形点云获取模块包括:
移动方向确定单元,用于计算三维传感器和目标对象的点云的每个点之间的射线,基于所述射线确定目标对象的点云的每个点的移动方向;
点云变形矢量计算单元,用于将目标对象的点云的每个点离所述射线最近的矢量投影到射线上来计算目标对象的点云的每个点的变形矢量。
在一种可能的实施方式中,所述变形点云获取模块还包括:
点云位移计算单元,用于获取目标对象点云中的每个点的邻近点,计算每个点和它邻近点中最近向量之间的欧几里得度量,基于变形矢量对每个点和它的最近向量之间的欧几里得度量加权,计算出每个点的位移的变形矢量。
在一种可能的实施方式中,还包括聚类模块,用于基于目标对象和所述三维传感器的相对方向对所述数据集中的目标对象进行聚类。
(三)有益效果
通过创建一个可以对数据集中所有的目标对象扰动的逆向学习向量场不需要为每个样本的每个点学习一个矢量,通过通用的对抗性攻击,通过高可变性保证模型既学习正常的对象,也学习变形的对象,并且每个样本可以在不同的训练中变形,从而防止过度拟合到特定的形状,减少不规则变形的产生,并且逆向学习向量场可以应用到任何目标对象,保证了紧凑性和可转移性;让点云沿三维传感器的视觉光线方向移动以保持形状和遮挡,增加现实世界的物理约束提高真实感,在使用对抗性方法改变目标对象作为数据增强后,提高了泛化能力。
本申请的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本申请的实践中得到教导。本申请的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本申请,而不能理解为对本申请的保护范围的限制。
图1是本申请的系统流程图;
图2是本申请的系统结构图。
其中,1、三维包围盒构建模块;2、聚类模块;3、点云扰动模块;4、变形点云获取模块;5、重复执行模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的上述描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,本实施例提供了一种基于点云的3D目标检测的数据增强方法,包括如下步骤:
S1、基于数据集创建三维包围盒,使数据集中所有的目标对象的点云的点在所述三维包围盒内;三维包围盒由宽度w、高度h、长度l、方向角α及其中心定义。
S2、基于目标对象和所述三维传感器的相对方向对所述数据集中的目标对象进行聚类;学习G个不同的字段,每个字段对应一个聚类,基于G个不同的字段将相邻的向量对齐。在实验中,发现对数据集中的所有对象使用一个单一的向量场会导致非常低的变形量,由于目标物体的形状多样性,其矢量会指向各个方向,从而降低了目标定位的效率,通过基于目标对象和所述三维传感器的相对方向对所述数据集中的目标对象进行聚类,然后学习G个不同的字段,使得相似的向量在相邻位置上的值更加接近,从而更好地对齐相邻的向量,提高目标定位的效率,避免由于目标物体的形状多样性,其矢量会指向各个方向,降低了目标定位的效率。
S3、基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云每个点位移的矢量。
在一些实施例中,基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量包括:
S31、用步长t离散所述三维包围盒的空间,得到3D空间中的根坐标,且给每个根坐标赋一个空向量;
S32、基于二进制交叉熵损失来抑制所有相关的三维包围盒提议;公式如下:
其中,为数据集的损失,/>为提议是相关的相关提议q的集合,IoU为预测的三维包围盒和真实的三维包围盒边框的交并比,q*是数据集里面的样本;每个q都有一个置信度得分s,将s最小化,用3DIoU加上样本标签q*加权,如果预测置信度得分大于0.1,则认为一个三维包围盒提议是相关的;在训练向量场时,通过反复降低置信度得分,检测器会错过目标或预测一个偏移的三维包围盒。
S4、基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云;扰动后的点云要经过视觉光线移动,目的是增加现实世界的物理约束,因为对抗扰动后的点云形状会变得不规则,有些不规则的在现实世界中是不会存在的,需要约束。在应用向量场前,还需缩放以匹配目标对象的大小,通过操纵这些向量的点以约束运动。为了在产生变形时推广并保留传感器的物理约束,采用了一个简单的传感器模型,其中3D点只能通过视觉光线移动。
在一些实施例中,基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云,包括:
S41、计算三维传感器和目标对象的点云的每个点之间的射线/>,基于所述射线/>确定目标对象的每个点/>的移动方向;
S42、将目标对象的点云的每个点离所述射线最近的矢量/>投影到射线/>上来计算目标对象的点云的每个点的变形矢量/>;使每个点/>只能通过变形矢量/>移动,生成所述目标对象的变形点云;
S43、获取目标对象点云中的每个点的邻近点,计算每个点和它邻近点中最近向量之间的欧几里得度量,基于变形矢量对每个点和它的最近向量之间的欧几里得度量加权,计算出每个点的位移的变形矢量。具体为:按照标准的梯度下降(PGD)攻击,通过用限制矢量来限制点云的扰动,这里/>是/>范数的格式,右边的/>是扰动阈值,用来约束扰动图像和原始图像间距离,然后通过采样k个相邻矢量来移动给定的三维点确保物体表面的形状平滑,由于每个点存在k个邻近点,每个邻近点都有自己的矢量,所以存在k个相邻矢量;对于每个点/>的第j个相邻矢量,计算每个点/>和它的相邻矢量中最近的矢量/>之间的欧几里得度量/>,通过对变形矢量/>和它们对应的距离加权,计算出每个点/>的位移的变形矢量/>:
;
方向相反的相邻向量不会导致受影响点的移动,让相邻点之间的深度差变得更加缓慢,从而保持了形状的平滑度,减少了不规则变形的产生。
S5、将目标对象的变形点云放入数据集中,执行步骤S1,直到数据集的损失的收敛。通过学习G个不同的字段中的每个字段旋转的N个不同矢量场来增加可变性,在场景中随机选择一个对象,并使用N个可能的相对旋转矢量场中随机选择的矢量场对其进行变形,在将目标对象的变形点云作为新的样本放入数据集中,输出表示目标对象的点云位移的矢量被更新,针对目标对象生成不同的变形点云,最终得到不同的预测;训练过程中,对每个场景中的每个目标对象都应用相同的向量场,使整个数据集的损失最小化。
通过创建一个可以对数据集中所有的目标对象扰动的逆向学习向量场不需要为每个样本的每个点学习一个矢量,实现通用的对抗性攻击,通过高可变性保证模型既学习正常的对象,也学习变形的对象,并且每个样本可以在不同的训练中变形,从而防止过度拟合到特定的形状,并且逆向学习向量场可以应用到任何目标对象,保证了紧凑性和可转移性;让点云沿三维传感器的视觉光线方向移动以保持形状和遮挡,增加现实世界的物理约束提高真实感,在使用对抗性方法改变目标对象作为数据增强后,提高了泛化能力。
如图2所示,作为本申请的第二方面,还公开了一种基于点云的3D目标检测的数据增强系统,包括:
三维包围盒构建模块1,用于基于数据集创建三维包围盒,使数据集中所有的目标对象的点云的点在所述三维包围盒内;
点云扰动模块3,用于基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量;
变形点云获取模块4,用于基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云;
重复执行模块5,用于将目标对象的变形点云放入数据集中,返回三维包围盒构建模块执行。
在一种可能的实施方式中,所述点云扰动模块3包括:
离散单元,用于基于步长t离散所述三维包围盒的空间,得到3D空间中的根坐标,且给每个根坐标赋一个空向量;
抑制单元,用于基于二进制交叉熵损失来抑制所有相关的三维包围盒提议。
在一种可能的实施方式中,所述变形点云获取模块4包括:
移动方向确定单元,用于计算三维传感器和目标对象的点云的每个点之间的射线,基于所述射线确定目标对象的点云的每个点的移动方向;
点云变形矢量计算单元,用于将目标对象的点云的每个点离所述射线最近的矢量投影到射线上来计算目标对象的点云的每个点的变形矢量。
在一种可能的实施方式中,所述变形点云获取模块还包括:
点云位移计算单元,用于获取目标对象点云中的每个点的邻近点,计算每个点和它邻近点中最近向量之间的欧几里得度量,基于变形矢量对每个点和它的最近向量之间的欧几里得度量加权,计算出每个点的位移的变形矢量。
在一种可能的实施方式中,还包括聚类模块2,用于基于目标对象和所述三维传感器的相对方向对所述数据集中的目标对象进行聚类;学习G个不同的字段,每个字段对应一个聚类,基于G个不同的字段将相邻的向量对齐。
最后说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或者等同覆盖,而不脱离本申请技术方案的宗旨和范围,其均应涵盖在本申请的权利要求范围当中。
Claims (2)
1.一种基于点云的3D目标检测的数据增强方法,其特征在于,包括如下步骤:
S1、基于数据集创建三维包围盒,使数据集中所有的目标对象的点云的点在所述三维包围盒内;
S2、基于目标对象和三维传感器的相对方向对所述数据集中的目标对象进行聚类;
S3、基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量,包括:
S31、基于步长t离散所述三维包围盒的空间,得到3D空间中的根坐标,且给每个根坐标赋一个空向量;
S32、基于二进制交叉熵损失来抑制所有相关的三维包围盒提议;
S4、基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云,包括:
S41、计算三维传感器和目标对象的点云的每个点之间的射线,基于所述射线确定目标对象的点云的每个点的移动方向;
S42、将目标对象的点云的每个点离所述射线最近的矢量投影到射线上来计算目标对象的点云的每个点的变形矢量,使每个点只能通过变形矢量移动,生成所述目标对象的变形点云;
S43、获取目标对象点云中的每个点的邻近点,计算每个点和它邻近点中最近向量之间的欧几里得度量,基于变形矢量对每个点和它的最近向量之间的欧几里得度量加权,计算出每个点的位移的变形矢量;
S5、将目标对象的变形点云放入数据集中,重复执行步骤S1,直到数据集的损失收敛。
2.一种基于点云的3D目标检测的数据增强系统,其特征在于,包括:
三维包围盒构建模块,用于基于数据集创建三维包围盒,使数据集中所有的目标对象的点云的点在所述三维包围盒内;
聚类模块,用于基于目标对象和三维传感器的相对方向对所述数据集中的目标对象进行聚类;
点云扰动模块,用于基于所述三维包围盒创建一个均匀间隔的三维向量网格,基于所述三维向量网格扰动所述数据集中所有的目标对象的点云,输出表示目标对象的点云位移的矢量;所述点云扰动模块包括:
离散单元,用于基于步长t离散所述三维包围盒的空间,得到3D空间中的根坐标,且给每个根坐标赋一个空向量;
抑制单元,用于基于二进制交叉熵损失来抑制所有相关的三维包围盒提议;
变形点云获取模块,用于基于所述矢量操纵所述目标对象的点云沿三维传感器的视觉光线方向移动获取目标对象的变形点云;所述变形点云获取模块包括:
移动方向确定单元,用于计算三维传感器和目标对象的点云的每个点之间的射线,基于所述射线确定目标对象的点云的每个点的移动方向;
点云变形矢量计算单元,用于将目标对象的点云的每个点离所述射线最近的矢量投影到射线上来计算目标对象的点云的每个点的变形矢量;使每个点只能通过变形矢量移动,生成所述目标对象的变形点云;
点云位移计算单元,用于获取目标对象点云中的每个点的邻近点,计算每个点和它邻近点中最近向量之间的欧几里得度量,基于变形矢量对每个点和它的最近向量之间的欧几里得度量加权,计算出每个点的位移的变形矢量;
重复执行模块,用于将目标对象的变形点云放入数据集中,返回三维包围盒构建模块执行,直到数据集的损失收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075922.4A CN116824110B (zh) | 2023-08-25 | 2023-08-25 | 一种基于点云的3d目标检测的数据增强方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075922.4A CN116824110B (zh) | 2023-08-25 | 2023-08-25 | 一种基于点云的3d目标检测的数据增强方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824110A CN116824110A (zh) | 2023-09-29 |
CN116824110B true CN116824110B (zh) | 2023-11-07 |
Family
ID=88143309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311075922.4A Active CN116824110B (zh) | 2023-08-25 | 2023-08-25 | 一种基于点云的3d目标检测的数据增强方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824110B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123747A (zh) * | 2014-07-17 | 2014-10-29 | 北京毛豆科技有限公司 | 多方式触控三维建模方法和系统 |
JP2018189510A (ja) * | 2017-05-08 | 2018-11-29 | 株式会社マイクロ・テクニカ | 3次元物体の位置および姿勢を推定する方法および装置 |
WO2020019245A1 (zh) * | 2018-07-26 | 2020-01-30 | 深圳大学 | 透明物体的三维重建方法、装置、计算机设备及存储介质 |
CN111429494A (zh) * | 2020-04-13 | 2020-07-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于生物视觉的点云高精度自动配准方法 |
CN112902961A (zh) * | 2021-01-19 | 2021-06-04 | 宁德思客琦智能装备有限公司 | 基于机器视觉定位的标定方法、介质、标定设备及系统 |
CN114419152A (zh) * | 2022-01-14 | 2022-04-29 | 中国农业大学 | 一种基于多维度点云特征的目标检测与跟踪方法及系统 |
WO2022183500A1 (zh) * | 2021-03-05 | 2022-09-09 | 中国科学院深圳先进技术研究院 | 基于投影的点云质量评价方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11042146B2 (en) * | 2017-11-17 | 2021-06-22 | Kodak Alaris Inc. | Automated 360-degree dense point object inspection |
-
2023
- 2023-08-25 CN CN202311075922.4A patent/CN116824110B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123747A (zh) * | 2014-07-17 | 2014-10-29 | 北京毛豆科技有限公司 | 多方式触控三维建模方法和系统 |
JP2018189510A (ja) * | 2017-05-08 | 2018-11-29 | 株式会社マイクロ・テクニカ | 3次元物体の位置および姿勢を推定する方法および装置 |
WO2020019245A1 (zh) * | 2018-07-26 | 2020-01-30 | 深圳大学 | 透明物体的三维重建方法、装置、计算机设备及存储介质 |
CN111429494A (zh) * | 2020-04-13 | 2020-07-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于生物视觉的点云高精度自动配准方法 |
CN112902961A (zh) * | 2021-01-19 | 2021-06-04 | 宁德思客琦智能装备有限公司 | 基于机器视觉定位的标定方法、介质、标定设备及系统 |
WO2022183500A1 (zh) * | 2021-03-05 | 2022-09-09 | 中国科学院深圳先进技术研究院 | 基于投影的点云质量评价方法、装置、设备和存储介质 |
CN114419152A (zh) * | 2022-01-14 | 2022-04-29 | 中国农业大学 | 一种基于多维度点云特征的目标检测与跟踪方法及系统 |
Non-Patent Citations (2)
Title |
---|
序列图像三维重构中点云精简算法的研究与改进;赵龙;韦群;;计算机工程与应用;第52卷(第08期);全文 * |
铁路高精度点云智能的处理技术;陈坤源;程明;王程;;厦门大学学报(自然科学版)(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116824110A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Inceptext: A new inception-text module with deformable psroi pooling for multi-oriented scene text detection | |
CN108288088B (zh) | 一种基于端到端全卷积神经网络的场景文本检测方法 | |
Shi et al. | Pointrcnn: 3d object proposal generation and detection from point cloud | |
US11941831B2 (en) | Depth estimation | |
CN110852182B (zh) | 一种基于三维空间时序建模的深度视频人体行为识别方法 | |
CN106952338B (zh) | 基于深度学习的三维重建的方法、系统及可读存储介质 | |
CN111665842A (zh) | 一种基于语义信息融合的室内slam建图方法及系统 | |
JP2009169934A (ja) | 可変形オブジェクト認識のためのシステムおよび方法 | |
Chen et al. | Using FTOC to track shuttlecock for the badminton robot | |
CN113496525A (zh) | 通过2d相机的3d姿态估计 | |
CN112330815B (zh) | 基于障碍物融合的三维点云数据处理方法、装置和设备 | |
Zhuang et al. | Instance segmentation based 6D pose estimation of industrial objects using point clouds for robotic bin-picking | |
CN113361527A (zh) | 多目标对象的识别定位方法及装置、电子设备、存储介质 | |
JP2021176078A (ja) | 深層学習及びベクトル場推定による特徴検出 | |
CN110942473A (zh) | 一种基于特征点网格化匹配的运动目标跟踪检测方法 | |
CN111273701B (zh) | 一种云台视觉控制系统以及控制方法 | |
Zhang et al. | PSNet: Perspective-sensitive convolutional network for object detection | |
Xie et al. | A4lidartag: Depth-based fiducial marker for extrinsic calibration of solid-state lidar and camera | |
Xu et al. | Pandora: A panoramic detection dataset for object with orientation | |
CN117029817A (zh) | 一种二维栅格地图融合方法及系统 | |
Zhu et al. | Curricular object manipulation in lidar-based object detection | |
CN116824110B (zh) | 一种基于点云的3d目标检测的数据增强方法和系统 | |
Chen et al. | KGNv2: Separating Scale and Pose Prediction for Keypoint-Based 6-DoF Grasp Synthesis on RGB-D Input | |
CN112085842B (zh) | 深度值确定方法及装置、电子设备和存储介质 | |
Zhang et al. | An improved SLAM algorithm based on feature contour extraction for camera pose estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |