CN117173650A - 基于激光雷达的船舶测量与识别方法及系统 - Google Patents
基于激光雷达的船舶测量与识别方法及系统 Download PDFInfo
- Publication number
- CN117173650A CN117173650A CN202311444846.XA CN202311444846A CN117173650A CN 117173650 A CN117173650 A CN 117173650A CN 202311444846 A CN202311444846 A CN 202311444846A CN 117173650 A CN117173650 A CN 117173650A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ship
- point
- completion
- complement
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000295 complement effect Effects 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims description 87
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 239000000969 carrier Substances 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明实施例公开了一种基于激光雷达的船舶测量与识别方法及系统，其中，该方法包括：将待采集船舶的左侧原始点云与右侧原始点云拼接为完整点云；对左侧原始点云及右侧原始点云均进行船舶类型标定及数据增强，得到左侧增强点云及右侧增强点云；根据左侧增强、原始点云与右侧增强、原始点云训练点云补全模型及船舶分类模型；将待识别船舶的船舶点云输入点云补全模型，输出船舶补全点云，根据船舶补全点云中的边缘点坐标计算待识别船舶的尺寸；其中，船舶点云为船舶一侧的点云；将船舶补全点云输入船舶分类模型，得到待识别船舶的类别，在实际只布置一只激光雷达的前提下提高船舶尺寸测量及类型识别的准确性。
Description
技术领域
本发明涉及船舶识别领域，尤其涉及一种基于激光雷达的船舶测量与识别方法及系统。
背景技术
传统的船舶类型识别大多都是基于图像的，受摄像头安装距离、位置等限制，同时受光照因素、雾天气影响大，在夜晚或者恶劣的天气条件下，现有摄像头采集的视频或者图像质量不高，清晰度不足、分辨率不够，导致发生漏检和识别错误的情况，也有部分方法是基于激光雷达的，但它们的问题在于无法获得完整的点云，考虑到安装角度和成本，基本只会在河岸的其中一侧安装激光雷达，这样的缺点在于只能扫到其中一部分的目标。因此无法达到较高的识别精度。
船舶尺寸测量一般有两种，一种基于图像，通过抓拍获取船舶目标框，然后通过像素值和相机参数通过相应的转换公式计算结果，但这种方式一般会有较大的精度损失。第二种就是基于点云的方法，但问题和船舶类型识别一样，无法兼顾成本和效果，两侧都装成本太高，只装一测，生成点云不完全，导致尺寸测量效果不好。
针对现有技术中船舶尺寸测量与类型识别准确度均不高的问题，目前还没有一个有效的解决方法。
发明内容
为解决上述问题，本发明提供一种基于激光雷达的船舶测量与识别方法及系统，通过点云补全的方式得到更加全面的点云，并通过损失函数提高对边缘点补全的效果，从而保证在实际只设置一台激光雷达的情况下提升船舶尺寸测量与类型识别的准确率，解决了船舶尺寸测量与类型识别准确度均不高的问题。
为达到上述目的，本发明提供了一种基于激光雷达的船舶测量与识别方法，其特征在于，包括：获取待采集船舶的左侧原始点云及右侧原始点云，将所述左侧原始点云与所述右侧原始点云拼接为完整点云；对所述左侧原始点云及右侧原始点云均进行船舶类型标定及数据增强，得到增强后的点云与左侧原始点云、右侧原始点云组成的更新点云；将所述更新点云按预定比例划分为第一训练集及第一测试集，将所述第一训练集输入第一神经网络中，得到第一补全点云，根据所述第一补全点云与完整点云确定损失函数，根据损失函数训练所述第一神经网络，得到多个待选择补全模型，根据所述第一测试集从多个待选择补全模型中选择最优模型作为点云补全模型；将所述更新点云输入点云补全模型中，得到第二补全点云，将所述第二补全点云按预定比例划分为第二训练集与第二测试集，将所述第二训练集输入第二神经网络进行模型训练，得到多个待选择分类模型，根据所述第二测试集从多个待选择分类模型中选择最优模型作为船舶分类模型；将待识别船舶的船舶点云输入所述点云补全模型，输出船舶补全点云，根据所述船舶补全点云中的边缘点坐标计算所述待识别船舶的尺寸；其中，所述船舶点云为船舶一侧的点云；将所述船舶补全点云输入所述船舶分类模型，得到所述待识别船舶的类别。
进一步可选的，所述根据所述第一补全点云与完整点云确定损失函数，通过下式得到：
；
其中，S1表示第一补全点云，S2表示完整点云，p为S1中的点，p’为S2中的点，w为每个p点或p’的边缘距离权重。
进一步可选的，所述边缘距离权重通过下式计算：
；
其中，(x,y,z)为第一补全点云或完整点云中的点，xmin为对应点云中的最小x值，xmax为对应点云中的最大x值，ymin为对应点云中的最小y值，ymax为对应点云中最大y值，zmin为对应点云中最小z值，zmax为对应点云中最大z值。
进一步可选的，所述对所述左侧原始点云及右侧原始点云均进行数据增强，包括：对于当前原始点云，随机选择点丢弃比例，按所述点丢弃比例随机丢弃所述当前原始点云中的点；其中，所述点丢弃比例在第一点丢弃比例与第二点丢弃比例之间；和/或，确定丢弃点云块尺寸的最大占比，根据所述最大占比及当前原始点云中的边缘点坐标随机选择丢弃点云块的坐标，并根据所述坐标将点云块丢弃。
进一步可选的，所述将待识别船舶的船舶点云输入所述点云补全模型之前，包括：将所述第一测试集中的点云划分为左侧测试点云及右侧测试点云；其中，所述第一测试集中左侧点云的个数与右侧点云的个数相同；将所述左侧测试点云输入所述点云补全模型中，得到左侧补全点云，将所述右侧测试点云输入所述点云补全模型中，得到右侧补全点云；计算所有左侧补全点云与对应的完整点云的第一总误差，计算所有右侧补全点云与对应完整点云的第二总误差；计算所述第一总误差与第二总误差的差值，并将所述差值与预设误差阈值比较；当所述差值的绝对值小于预设误差阈值时，则在河岸方便安装一侧设置激光雷达以获取船舶点云；否则，选取较小误差所属的一侧河岸设置激光雷达以获取船舶点云。
另一方面，本发明还提供一种基于激光雷达的船舶测量与识别系统，包括：数据获取模块，用于获取待采集船舶的左侧原始点云及右侧原始点云，将所述左侧原始点云与所述右侧原始点云拼接为完整点云；数据增强模块，用于对所述左侧原始点云及右侧原始点云均进行船舶类型标定及数据增强，得到增强后的点云与左侧原始点云、右侧原始点云组成的更新点云；点云补全模型训练模块，用于将所述更新点云按预定比例划分为第一训练集及第一测试集，将所述第一训练集输入第一神经网络中，得到第一补全点云，根据所述第一补全点云与完整点云确定损失函数，根据损失函数训练所述第一神经网络，得到多个待选择补全模型，根据所述第一测试集从多个待选择补全模型中选择最优模型作为点云补全模型；船舶分类模型训练模块，用于将所述更新点云输入点云补全模型中，得到第二补全点云，将所述第二补全点云按预定比例划分为第二训练集与第二测试集，将所述第二训练集输入第二神经网络进行模型训练，得到多个待选择分类模型，根据所述第二测试集从多个待选择分类模型中选择最优模型作为船舶分类模型；尺寸测量模块，用于将待识别船舶的船舶点云输入所述点云补全模型，输出船舶补全点云，根据所述船舶补全点云中的边缘点坐标计算所述待识别船舶的尺寸；其中，所述船舶点云为船舶一侧的点云；分类模块，用于将所述船舶补全点云输入所述船舶分类模型，得到所述待识别船舶的类别。
进一步可选的，所述根据所述第一补全点云与完整点云确定损失函数，通过下式得到：
；
其中，S1表示第一补全点云，S2表示完整点云，p为S1中的点，p’为S2中的点，w为每个p点或p’的边缘距离权重。
进一步可选的，所述边缘距离权重通过下式计算：
；
其中，(x,y,z)为第一补全点云或完整点云中的点，xmin为对应点云中的最小x值，xmax为对应点云中的最大x值，ymin为对应点云中的最小y值，ymax为对应点云中最大y值，zmin为对应点云中最小z值，zmax为对应点云中最大z值。
进一步可选的，所述数据增强模块包括：点丢弃子模块，用于对于当前原始点云，随机选择点丢弃比例，按所述点丢弃比例随机丢弃所述当前原始点云中的点；其中，所述点丢弃比例在第一点丢弃比例与第二点丢弃比例之间；点云块丢弃子模块，用于确定丢弃点云块尺寸的最大占比，根据所述最大占比及当前原始点云中的边缘点坐标随机选择丢弃点云块的坐标，并根据所述坐标将点云块丢弃。
进一步可选的，还包括：划分模块，用于将所述第一测试集中的点云划分为左侧测试点云及右侧测试点云；其中，所述第一测试集中左侧点云的个数与右侧点云的个数相同；补全模块，用于将所述左侧测试点云输入所述点云补全模型中，得到左侧补全点云，将所述右侧测试点云输入所述点云补全模型中，得到右侧补全点云；误差计算模块，用于计算所有左侧补全点云与对应的完整点云的第一总误差，计算所有右侧补全点云与对应完整点云的第二总误差；船舶点云获取模块，用于计算所述第一总误差与第二总误差的差值，并将所述差值与预设误差阈值比较；当所述差值的绝对值小于预设误差阈值时，则在河岸方便安装一侧设置激光雷达以获取船舶点云；否则，选取较小误差所属的一侧河岸设置激光雷达以获取船舶点云。
上述技术方案具有如下有益效果：通过点云补全解决了船舶点云不全的问题，并且同时实现了船舶的尺寸测量与类型识别，在实际只布置一台雷达的前提下，提高了测量与识别的准确率；通过边缘点权重损失函数增强了补全训练网络对边缘点补全效果，提高点云补全后的完整度，进一步提高尺寸测量的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于激光雷达的船舶测量与识别方法的流程图；
图2是本发明实施例提供的对原始点云进行数据增强方法的流程图；
图3是本发明实施例提供的船舶点云获取方法的流程图；
图4是本发明实施例提供的基于激光雷达的船舶测量与识别系统的结构示意图；
图5是本发明实施例提供的基于激光雷达的数据增强模块的结构示意图；
图6是本发明实施例提供的用于获取船舶点云的模块的结构示意图。
附图标记：100-数据获取模块；200-数据增强模块；2001-点丢弃子模块；2002-点云块丢弃子模块；300-点云补全模型训练模块；400-船舶分类模型训练模块；500-尺寸测量模块；600-分类模块；700-划分模块；800-补全模块；900-误差计算模块；1000-船舶点云获取模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为解决现有技术中无法对船舶进行准确尺寸测量，无法对船舶进行类型识别的问题，本发明提供了一种基于激光雷达的船舶测量与识别方法，图1是本发明实施例提供的基于激光雷达的船舶测量与识别方法的流程图，如图1所示，该方法包括：
S1、获取待采集船舶的左侧原始点云及右侧原始点云，将左侧原始点云与右侧原始点云拼接为完整点云；
在数据采集时，需准备两台型号相同的激光雷达，将它们分别装在两侧岸边合适的位置，同时在其中一侧安装相机，相机抓拍的图片用于辅助数据标定。另外，在设置激光雷达时，将激光雷达的参数中的积分时间调到最大值，积分时间越大，获得的点云也就越完整。
通过以上的设置方式设置的两台激光雷达对经过的船舶进行数据采集。对于同一艘船，一侧的激光雷达会获取船舶其中一侧的点云，另一侧的激光雷达会获取船舶另一侧的点云，对于初步获取的两个点云，先进行校准调平，将倾斜的船舶进行水平和垂直校准，以得到左侧原始点云与右侧原始点云。
将左侧原始点云与右侧原始点云通过相应的矩阵计算拼接为一个完整的点云，即完整点云。
S2、对左侧原始点云及右侧原始点云均进行船舶类型标定及数据增强，得到增强后的点云与左侧原始点云、右侧原始点云组成的更新点云；
船舶类型包括了常见的散货船、液货船、渔船、执法船及集装箱船等。部分船舶在点云上的差异难以观察，因此我们可以先根据相机抓拍的照片，对相应的左侧原始点云与右侧原始点云进行船舶类别的标定。
为了增强训练后模型的鲁棒性，需对左侧原始点云与右侧原始点云进行数据增强，分别得到左侧增强点云与右侧增强点云，以减小遮挡造成的点云缺失对模型训练的影响。之后，再将左侧原始点云、左侧增强点云、右侧增强点云与右侧原始点云组成更新点云，用于后续模型训练。
S3、将更新点云按预定比例划分为第一训练集及第一测试集，将第一训练集输入第一神经网络中，得到第一补全点云，根据第一补全点云与完整点云确定损失函数，根据损失函数训练第一神经网络，得到多个待选择补全模型，根据第一测试集从多个待选择补全模型中选择最优模型作为点云补全模型；
将更新点云按预定比例进行统一划分，本实施例中预定比例为4:1，也即更新点云中80%的数据用于训练，得到第一训练集，另外20%的数据用于测试，得到第一测试集。更进一步的，还可以保证第一测试集中左侧点云的个数与右侧点云的个数相同，左侧点云包括左侧增强点云与左侧原始点云，右侧点云包括右侧增强点云与右侧原始点云。
点云补全网络的训练输入为第一训练集，输出为补全后的点云，groundtruth（真实标签）为完整点云。
本实施例中采用PFNet作为点云补全神经训练网络，将第一训练集输入该网络中，首先对输入的点云做迭代最远点采样，然后生成尺度更小且轮廓特征更明显的降采样点云，之后采用多层感知机的处理方法，对每一次特征升维的结果都进行了一次最大池化操作，再把各个层的最大池化结果拼接起来，作为船舶点云输入的最后的特征提取结果，之后采用点金字塔的方式，对特征提取结果，进行多尺度的解码，生成不同尺度的点云。以此为例，经过一系列操作生成与采样后的groundtruth（即完整点云）点数相同的第一补全点云，用于后续损失函数部分的构建。
根据构建的损失函数对模型进行训练，然后根据第一测试集的预测结果，从训练得到的所有模型中选择一个效果最好的模型作为点云补全模型。
S4、将更新点云输入点云补全模型中，得到第二补全点云，将第二补全点云按预定比例划分为第二训练集与第二测试集，将第二训练集输入第二神经网络进行模型训练，得到多个待选择分类模型，根据第二测试集从多个待选择分类模型中选择最优模型作为船舶分类模型；
将更新点云输入至点云补全模型中，得到第二补全点云。船舶分类网络的输入为第二补全点云，输出为船舶类型，类别标签与补全前每个点云的标签相同。
这里不采用质量更好的做了拼接的完整点云，是因为实际部署时只有一侧岸边有激光雷达，无法进行点云拼接，只能得到由点云补全模型输出的补全点云，所以为了保持训练和预测的一致性，将补全点云作为训练输入，这样更加符合实际的情况，效果也更好。
将第二补全点云按预定比例进行划分，本实施例中预定比例为4:1，也即第二补全点云的80%的数据用于训练，得到第二训练集，另外20%的数据用于测试，得到第二测试集。
本实施例采用Pointnet++作为船舶类型识别网络进行训练，首先对输入数据根据最远点采样法(FPS)筛选后获得相应的中心点，将每一个中心点在原点集中根据距离筛选出附近需要的点数，以每个FPS点为中心形成一个个新的点集，进行坐标归一化的操作形成3个新特征然后与原先每个点自带的特征结合形成特征提取前的新特征。然后进行一系列的卷积池化操作，最后通过两个全连接层和一个分类层，其中分类层的输出节点等于船型类别数的全连接层，输出每一类的概率。损失函数用的是交叉熵损失函数。
采用以上方式进行船舶分类网络的训练，然后根据第二测试集预测结果，从所有的模型中挑选一个效果最好的模型，将其命名为船舶分类模型。
S5、将待识别船舶的船舶点云输入点云补全模型，输出船舶补全点云，根据船舶补全点云中的边缘点坐标计算待识别船舶的尺寸；其中，船舶点云为船舶一侧的点云；
在实际应用时，只在一侧的河岸安装激光雷达，也即只收集船舶一侧的点云。当待识别船舶通过时，激光雷达通过聚类等方式获得待识别船舶的船舶点云，先对获取的船舶点云进行水平和垂直方向的校准调平，之后再将校准调平后的点云输入点云补全模型，输出船舶补全点云。
在船舶补全点云中获取各边缘点的坐标，即获取x方向的最小值minX和最大值maxX，y方向的最小值minY和最大值maxY，z方向的最小值minZ和最大值maxZ。并据此计算待识别船舶的尺寸，设待识别船舶的长度为Lship，公式如下：；
宽度为Wship，公式如下：
；
高度为Hship，公式如下：
；
所要说明的是，激光雷达的坐标系中，通常原点为激光雷达所在位置，垂直河岸向对岸方向为X轴，沿河岸方向为Y轴，垂直水面方向为Z轴。以上公式及坐标是按标准坐标系进行标注计算的，当然，若操作者更换激光雷达的坐标标准，那么也可根据船舶的实际长、宽、高方向取边缘点并完成计算。
S6、将船舶补全点云输入船舶分类模型，得到待识别船舶的类别。
将船舶补全点云输入至船舶分类模型，输出船舶的类别，即船舶的船型。
作为一种可选的实施方式，根据第一补全点云与完整点云确定损失函数，通过下式得到：
；
其中，S1表示第一补全点云，S2表示完整点云，p为S1中的点，p’为S2中的点，w为每个p点或p’的边缘距离权重。
对于点云补全网络的损失函数进行一定的优化，由于对船舶进行点云补全的目的在于获取船舶准确的长宽高，那么船舶点云的前后左右上下边缘点的补全就显得尤为重要。因此可在训练中给与这些边缘点更大的权重，使模型更有有利于这些点的补全。
本实施例用倒角距离（Chamfer Distance）来衡量预测补全效果与Groundtruth之间的差异，具体公式如下：
；
这个公式由两个部分组成，S1表示生成的第一补全点云，S2表示GroundTruth，即完整点云；对于S1中的每个点P，其中w为每个P点的边缘距离权重，找到其与S2中距离最近的点p’，计算欧氏距离后求和取平均，作为距离公式的第一部分；第二部分相似，对于S2中的每个点p’，其中w为每个p’点的边缘距离权重，找到其与S1中距离最近的点，计算欧氏距离后求和取平均。
作为一种可选的实施方式，边缘距离权重通过下式计算：
；
其中，(x,y,z)为第一补全点云或完整点云中的点，xmin为对应点云中的最小x值，xmax为对应点云中的最大x值，ymin为对应点云中的最小y值，ymax为对应点云中最大y值，zmin为对应点云中最小z值，zmax为对应点云中最大z值。
本实施例提供一种自动调整边缘距离权重的方式，假设某个训练中生成的补全点云或groundtruth的最小x值为xmin，最大x值为xmax，最小y值为ymin，最大y值为ymax，最小z值为zmin，最大z值为zmax。对于某个坐标为(x,y,z)的点来说，该点的边缘距离权重为w，那么它的计算公式如下：
；
该公式说明该点越靠近边缘，所产生的权重越大。
作为一种可选的实施方式，图2是本发明实施例提供的对原始点云进行数据增强方法的流程图，如图2所示，对左侧原始点云及右侧原始点云均进行数据增强，包括：
S201、对于当前原始点云，随机选择点丢弃比例，按点丢弃比例随机丢弃当前原始点云中的点；其中，点丢弃比例在第一点丢弃比例与第二点丢弃比例之间；
针对每个样本随机选择一定比例的点丢弃，最小丢弃比例（第一点丢弃比例）为Rmin，最大丢弃比例（第二点丢弃比例）为Rmax。每次丢弃从区间[Rmin,Rmax]中选择一个点丢弃比例，并按照该点丢弃比例对点云中的点随机丢弃。
和/或，S202、确定丢弃点云块尺寸的最大占比，根据最大占比及当前原始点云中的边缘点坐标随机选择丢弃点云块的坐标，并根据坐标将点云块丢弃。
假设原始点云的最小x值为MINX，最大x值为MAXX，最小y值为MINY，最大y值为MAXY，最小z值为MINZ，最大z值为MAXZ。丢弃点云块的长宽高的最大占比为Rwhl，假设丢弃的点云块区域为[X1,X2,Y1,Y2,Z1,Z2]，那么X1的取值范围为[MINX，MAXX - Rwhl *(MAXX -MINX)]，X2的取值范围为(X1，X1 +Rwhl *(MAXX - MINX)]，Y1的取值范围为[MINY，MAXY -Rwhl *(MAXY - MINY)]，Y2的取值范围为(Y1，Y1 +Rwhl *(MAXY - MINY)]，Z1的取值范围为[MINZ，MAXZ - Rwhl *(MAXZ - MINZ)]，Z2的取值范围为(Z1，Z1 +Rwhl *(MAXZ - MINZ)]。
作为一种可选的实施方式，图3是本发明实施例提供的船舶点云获取方法的流程图，如图3所示，将待识别船舶的船舶点云输入点云补全模型之前，包括：
S7、将第一测试集中的点云划分为左侧测试点云及右侧测试点云；其中，第一测试集中左侧点云的个数与右侧点云的个数相同；
S8、将左侧测试点云输入点云补全模型中，得到左侧补全点云，将右侧测试点云输入点云补全模型中，得到右侧补全点云；
S9、计算所有左侧补全点云与对应的完整点云的第一总误差，计算所有右侧补全点云与对应完整点云的第二总误差；
S10、计算第一总误差与第二总误差的差值，并将差值与预设误差阈值比较；当差值的绝对值小于预设误差阈值时，则在河岸方便安装一侧设置激光雷达以获取船舶点云；否则，选取较小误差所属的一侧河岸设置激光雷达以获取船舶点云。
在对待识别船舶进行识别之前，需要选择一侧岸边安装激光雷达，为提高最终识别的准确率，激光雷达的安装位置需要认真考虑。在划分第一训练集与第一测试集时，需要保证第一测试集中的左侧点云个数与右侧点云个数一致，将第一测试集中的数据按左侧点云和右侧点云划分为两个子测试集，接着用训练好的点云补全模型分别预测两个子测试集并统计各自最终的误差，即第一总误差与第二总误差。具体的，误差计算方法为计算每个补全后的点云与完整点云的误差，其中完整点云可通过补全前的点云对应获得。
假设左侧点云的子测试集的第一总误差为E左侧，右侧点云子测试集的第二总误差为E右侧，可接受的误差范围为Ethr（预设误差阈值）。如果E左侧和E右侧的差值的绝对值小于Ethr，那么选择安装较方便的那一侧安装激光雷达，否则如果差值大于Ethr，那么选择误差较小的那一侧安装激光雷达，即E左侧小于E右侧，就安装在河岸左侧，反之装在河岸右侧。
作为一种可选的实施方式，本发明实施例还提供了一种基于激光雷达的船舶测量与识别系统，图4是本发明实施例提供的基于激光雷达的船舶测量与识别系统的结构示意图，如图4所示，该系统包括：
数据获取模块100，用于获取待采集船舶的左侧原始点云及右侧原始点云，将左侧原始点云与右侧原始点云拼接为完整点云；
在数据采集时，需准备两台型号相同的激光雷达，将它们分别装在两侧岸边合适的位置，同时在其中一侧安装相机，相机抓拍的图片用于辅助数据标定。另外，在设置激光雷达时，将激光雷达的参数中的积分时间调到最大值，积分时间越大，获得的点云也就越完整。
通过以上的设置方式设置的两台激光雷达对经过的船舶进行数据采集。对于同一艘船，一侧的激光雷达会获取船舶其中一侧的点云，另一侧的激光雷达会获取船舶另一侧的点云，对于初步获取的两个点云，先进行校准调平，将倾斜的船舶进行水平和垂直校准，以得到左侧原始点云与右侧原始点云。
将左侧原始点云与右侧原始点云通过相应的矩阵计算拼接为一个完整的点云，即完整点云。
数据增强模块200，用于对左侧原始点云及右侧原始点云均进行船舶类型标定及数据增强，得到增强后的点云与左侧原始点云、右侧原始点云组成的更新点云；
船舶类型包括了常见的散货船、液货船、渔船、执法船及集装箱船等。部分船舶在点云上的差异难以观察，因此我们可以先根据相机抓拍的照片，对相应的左侧原始点云与右侧原始点云进行船舶类别的标定。
为了增强训练后模型的鲁棒性，需对左侧原始点云与右侧原始点云进行数据增强，分别得到左侧增强点云与右侧增强点云，以减小遮挡造成的点云缺失对模型训练的影响。之后，再将左侧原始点云、左侧增强点云、右侧增强点云与右侧原始点云组成更新点云，用于后续模型训练。
点云补全模型训练模块300，用于将更新点云按预定比例划分为第一训练集及第一测试集，将第一训练集输入第一神经网络中，得到第一补全点云，根据第一补全点云与完整点云确定损失函数，根据损失函数训练第一神经网络，得到多个待选择补全模型，根据第一测试集从多个待选择补全模型中选择最优模型作为点云补全模型；
将更新点云按预定比例进行统一划分，本实施例中预定比例为4:1，也即更新点云中80%的数据用于训练，得到第一训练集，另外20%的数据用于测试，得到第一测试集。更进一步的，还可以保证第一测试集中左侧点云的个数与右侧点云的个数相同，左侧点云包括左侧增强点云与左侧原始点云，右侧点云包括右侧增强点云与右侧原始点云。
点云补全网络的训练输入为第一训练集，输出为补全后的点云，groundtruth（真实标签）为完整点云。
本实施例中采用PFNet作为点云补全神经训练网络，将第一训练集输入该网络中，首先对输入的点云做迭代最远点采样，然后生成尺度更小且轮廓特征更明显的降采样点云，之后采用多层感知机的处理方法，对每一次特征升维的结果都进行了一次最大池化操作，再把各个层的最大池化结果拼接起来，作为船舶点云输入的最后的特征提取结果，之后采用点金字塔的方式，对特征提取结果，进行多尺度的解码，生成不同尺度的点云。以此为例，经过一系列操作生成与采样后的groundtruth（即完整点云）点数相同的第一补全点云，用于后续损失函数部分的构建。
根据构建的损失函数对模型进行训练，然后根据第一测试集的预测结果，从训练得到的所有模型中选择一个效果最好的模型作为点云补全模型。
船舶分类模型训练模块400，用于将更新点云输入点云补全模型中，得到第二补全点云，将第二补全点云按预定比例划分为第二训练集与第二测试集，将第二训练集输入第二神经网络进行模型训练，得到多个待选择分类模型，根据第二测试集从多个待选择分类模型中选择最优模型作为船舶分类模型；
将更新点云输入至点云补全模型中，得到第二补全点云。船舶分类网络的输入为第二补全点云，输出为船舶类型，类别标签与补全前每个点云的标签相同。
这里不采用质量更好的做了拼接的完整点云，是因为实际部署时只有一侧岸边有激光雷达，无法进行点云拼接，只能得到由点云补全模型输出的补全点云，所以为了保持训练和预测的一致性，将补全点云作为训练输入，这样更加符合实际的情况，效果也更好。
将第二补全点云按预定比例进行划分，本实施例中预定比例为4:1，也即第二补全点云的80%的数据用于训练，得到第二训练集，另外20%的数据用于测试，得到第二测试集。
本实施例采用Pointnet++作为船舶类型识别网络进行训练，首先对输入数据根据最远点采样法(FPS)筛选后获得相应的中心点，将每一个中心点在原点集中根据距离筛选出附近需要的点数，以每个FPS点为中心形成一个个新的点集，进行坐标归一化的操作形成3个新特征然后与原先每个点自带的特征结合形成特征提取前的新特征。然后进行一系列的卷积池化操作，最后通过两个全连接层和一个分类层，其中分类层的输出节点等于船型类别数的全连接层，输出每一类的概率。损失函数用的是交叉熵损失函数。
采用以上方式进行船舶分类网络的训练，然后根据第二测试集预测结果，从所有的模型中挑选一个效果最好的模型，将其命名为船舶分类模型。
尺寸测量模块500，用于将待识别船舶的船舶点云输入点云补全模型，输出船舶补全点云，根据船舶补全点云中的边缘点坐标计算待识别船舶的尺寸；其中，船舶点云为船舶一侧的点云；
在实际应用时，只在一侧的河岸安装激光雷达，也即只收集船舶一侧的点云。当待识别船舶通过时，激光雷达通过聚类等方式获得待识别船舶的船舶点云，先对获取的船舶点云进行水平和垂直方向的校准调平，之后再将校准调平后的点云输入点云补全模型，输出船舶补全点云。
在船舶补全点云中获取各边缘点的坐标，即获取x方向的最小值minX和最大值maxX，y方向的最小值minY和最大值maxY，z方向的最小值minZ和最大值maxZ。并据此计算待识别船舶的尺寸，设待识别船舶的长度为Lship，公式如下：；
宽度为Wship，公式如下：
；
高度为Hship，公式如下：
；
所要说明的是，激光雷达的坐标系中，通常原点为激光雷达所在位置，垂直河岸向对岸方向为X轴，沿河岸方向为Y轴，垂直水面方向为Z轴。以上公式及坐标是按标准坐标系进行标注计算的，当然，若操作者更换激光雷达的坐标标准，那么也可根据船舶的实际长、宽、高方向取边缘点并完成计算。
分类模块600，用于将船舶补全点云输入船舶分类模型，得到待识别船舶的类别。
将船舶补全点云输入至船舶分类模型，输出船舶的类别，即船舶的船型。
作为一种可选的实施方式，根据第一补全点云与完整点云确定损失函数，通过下式得到：
；
其中，S1表示第一补全点云，S2表示完整点云，p为S1中的点，p’为S2中的点，w为每个p点或p’的边缘距离权重。
对于点云补全网络的损失函数进行一定的优化，由于对船舶进行点云补全的目的在于获取船舶准确的长宽高，那么船舶点云的前后左右上下边缘点的补全就显得尤为重要。因此可在训练中给与这些边缘点更大的权重，使模型更有有利于这些点的补全。
本实施例用倒角距离（Chamfer Distance）来衡量预测补全效果与Groundtruth之间的差异，具体公式如下：
；
这个公式由两个部分组成，S1表示生成的第一补全点云，S2表示GroundTruth，即完整点云；对于S1中的每个点P，其中w为每个P点的边缘距离权重，找到其与S2中距离最近的点p’，计算欧氏距离后求和取平均，作为距离公式的第一部分；第二部分相似，对于S2中的每个点p’，其中w为每个p’点的边缘距离权重，找到其与S1中距离最近的点，计算欧氏距离后求和取平均。
作为一种可选的实施方式，边缘距离权重通过下式计算：
；/>
其中，(x,y,z)为第一补全点云或完整点云中的点，xmin为对应点云中的最小x值，xmax为对应点云中的最大x值，ymin为对应点云中的最小y值，ymax为对应点云中最大y值，zmin为对应点云中最小z值，zmax为对应点云中最大z值。
本实施例提供一种自动调整边缘距离权重的方式，假设某个训练中生成的补全点云或groundtruth的最小x值为xmin，最大x值为xmax，最小y值为ymin，最大y值为ymax，最小z值为zmin，最大z值为zmax。对于某个坐标为(x,y,z)的点来说，该点的边缘距离权重为w，那么它的计算公式如下：
；
该公式说明该点越靠近边缘，所产生的权重越大。
作为一种可选的实施方式，图5是本发明实施例提供的基于激光雷达的数据增强模块的结构示意图，如图5所示，数据增强模块200包括：
点丢弃子模块2001，用于对于当前原始点云，随机选择点丢弃比例，按点丢弃比例随机丢弃当前原始点云中的点；其中，点丢弃比例在第一点丢弃比例与第二点丢弃比例之间；
针对每个样本随机选择一定比例的点丢弃，最小丢弃比例为Rmin，最大丢弃比例为Rmax。每次丢弃从区间[Rmin,Rmax]中选择一个点丢弃比例，并按照该点丢弃比例对点云中的点随机丢弃。
点云块丢弃子模块2002，用于确定丢弃点云块尺寸的最大占比，根据最大占比及当前原始点云中的边缘点坐标随机选择丢弃点云块的坐标，并根据坐标将点云块丢弃。
假设原始点云的最小x值为MINX，最大x值为MAXX，最小y值为MINY，最大y值为MAXY，最小z值为MINZ，最大z值为MAXZ。丢弃点云块的最大长宽高占比为Rwhl，假设丢弃的点云块区域为[X1,X2,Y1,Y2,Z1,Z2]，那么X1的取值范围为[MINX，MAXX - Rwhl *(MAXX -MINX)]，X2的取值范围为(X1，X1 +Rwhl *(MAXX - MINX)]，Y1的取值范围为[MINY，MAXY -Rwhl *(MAXY - MINY)]，Y2的取值范围为(Y1，Y1 +Rwhl *(MAXY - MINY)]，Z1的取值范围为[MINZ，MAXZ - Rwhl *(MAXZ - MINZ)]，Z2的取值范围为(Z1，Z1 +Rwhl *(MAXZ - MINZ)]。
作为一种可选的实施方式，图6是本发明实施例提供的用于获取船舶点云的模块的结构示意图，如图6所示，该系统还包括：
划分模块700，用于将第一测试集中的点云划分为左侧测试点云及右侧测试点云；其中，第一测试集中左侧点云的个数与右侧点云的个数相同；
补全模块800，用于将左侧测试点云输入点云补全模型中，得到左侧补全点云，将右侧测试点云输入点云补全模型中，得到右侧补全点云；
误差计算模块900，用于计算所有左侧补全点云与对应的完整点云的第一总误差，计算所有右侧补全点云与对应完整点云的第二总误差；
船舶点云获取模块1000，用于计算第一总误差与第二总误差的差值，并将差值与预设误差阈值比较；当差值的绝对值小于预设误差阈值时，则在河岸方便安装一侧设置激光雷达以获取船舶点云；否则，选取较小误差所属的一侧河岸设置激光雷达以获取船舶点云。
在对待识别船舶进行识别之前，需要选择一侧岸边安装激光雷达，为提高最终识别的准确率，激光雷达的安装位置需要认真考虑。在划分第一训练集与第一测试集时，需要保证第一测试集中的左侧点云个数与右侧点云个数一致，将第一测试集中的数据按左侧点云和右侧点云划分为两个子测试集，接着用训练好的点云补全模型分别预测两个子测试集并统计各自最终的误差，即第一总误差与第二总误差。具体的，误差计算方法为计算每个补全后的点云与完整点云的误差，其中完整点云可通过补全前的点云对应获得。
假设左侧点云的子测试集的第一总误差为E左侧，右侧点云子测试集的第二总误差为E右侧，可接受的误差范围为Ethr（预设误差阈值）。如果E左侧和E右侧的差值的绝对值小于Ethr，那么选择安装较方便的那一侧安装激光雷达，否则如果差值大于Ethr，那么选择误差较小的那一侧安装激光雷达，即E左侧小于E右侧，就安装在河岸左侧，反之装在河岸右侧。
上述技术方案具有如下有益效果：通过点云补全解决了船舶点云不全的问题，并且同时实现了船舶的尺寸测量与类型识别，在实际只布置一台雷达的前提下，提高了测量与识别的准确率；通过边缘点权重损失函数增强了补全训练网络对边缘点补全效果，提高点云补全后的完整度，进一步提高尺寸测量的精确度。
以上发明的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上内容仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于激光雷达的船舶测量与识别方法，其特征在于，包括：
获取待采集船舶的左侧原始点云及右侧原始点云，将所述左侧原始点云与所述右侧原始点云拼接为完整点云；
对所述左侧原始点云及右侧原始点云均进行船舶类型标定及数据增强，得到增强后的点云与左侧原始点云、右侧原始点云组成的更新点云；
将所述更新点云按预定比例划分为第一训练集及第一测试集，将所述第一训练集输入第一神经网络中，得到第一补全点云，根据所述第一补全点云与完整点云确定损失函数，根据损失函数训练所述第一神经网络，得到多个待选择补全模型，根据所述第一测试集从多个待选择补全模型中选择最优模型作为点云补全模型；
将所述更新点云输入点云补全模型中，得到第二补全点云，将所述第二补全点云按预定比例划分为第二训练集与第二测试集，将所述第二训练集输入第二神经网络进行模型训练，得到多个待选择分类模型，根据所述第二测试集从多个待选择分类模型中选择最优模型作为船舶分类模型；
将待识别船舶的船舶点云输入所述点云补全模型，输出船舶补全点云，根据所述船舶补全点云中的边缘点坐标计算所述待识别船舶的尺寸；其中，所述船舶点云为船舶一侧的点云；
将所述船舶补全点云输入所述船舶分类模型，得到所述待识别船舶的类别。
2.根据权利要求1所述的基于激光雷达的船舶测量与识别方法，其特征在于，所述根据所述第一补全点云与完整点云确定损失函数，通过下式得到：
;
其中，S1表示第一补全点云，S2表示完整点云，p为S1中的点，p’为S2中的点，w为每个p点或p’的边缘距离权重。
3.根据权利要求2所述的基于激光雷达的船舶测量与识别方法，其特征在于，所述边缘距离权重通过下式计算：
;
其中，(x,y,z)为第一补全点云或完整点云中的点，xmin为对应点云中的最小x值，xmax为对应点云中的最大x值，ymin为对应点云中的最小y值，ymax为对应点云中最大y值，zmin为对应点云中最小z值，zmax为对应点云中最大z值。
4.根据权利要求1所述的基于激光雷达的船舶测量与识别方法，其特征在于，所述对所述左侧原始点云及右侧原始点云均进行数据增强，包括：
对于当前原始点云，随机选择点丢弃比例，按所述点丢弃比例随机丢弃所述当前原始点云中的点；其中，所述点丢弃比例在第一点丢弃比例与第二点丢弃比例之间；
和/或，确定丢弃点云块尺寸的最大占比，根据所述最大占比及当前原始点云中的边缘点坐标随机选择丢弃点云块的坐标，并根据所述坐标将点云块丢弃。
5.根据权利要求1所述的基于激光雷达的船舶测量与识别方法，其特征在于，所述将待识别船舶的船舶点云输入所述点云补全模型之前，包括：
将所述第一测试集中的点云划分为左侧测试点云及右侧测试点云；其中，所述第一测试集中左侧点云的个数与右侧点云的个数相同；
将所述左侧测试点云输入所述点云补全模型中，得到左侧补全点云，将所述右侧测试点云输入所述点云补全模型中，得到右侧补全点云；
计算所有左侧补全点云与对应的完整点云的第一总误差，计算所有右侧补全点云与对应完整点云的第二总误差；
计算所述第一总误差与第二总误差的差值，并将所述差值与预设误差阈值比较；当所述差值的绝对值小于预设误差阈值时，则在河岸方便安装一侧设置激光雷达以获取船舶点云；否则，选取较小误差所属的一侧河岸设置激光雷达以获取船舶点云。
6.一种基于激光雷达的船舶测量与识别系统，其特征在于，包括：
数据获取模块，用于获取待采集船舶的左侧原始点云及右侧原始点云，将所述左侧原始点云与所述右侧原始点云拼接为完整点云；
数据增强模块，用于对所述左侧原始点云及右侧原始点云均进行船舶类型标定及数据增强，得到增强后的点云与左侧原始点云、右侧原始点云组成的更新点云；
点云补全模型训练模块，用于将所述更新点云按预定比例划分为第一训练集及第一测试集，将所述第一训练集输入第一神经网络中，得到第一补全点云，根据所述第一补全点云与完整点云确定损失函数，根据损失函数训练所述第一神经网络，得到多个待选择补全模型，根据所述第一测试集从多个待选择补全模型中选择最优模型作为点云补全模型；
船舶分类模型训练模块，用于将所述更新点云输入点云补全模型中，得到第二补全点云，将所述第二补全点云按预定比例划分为第二训练集与第二测试集，将所述第二训练集输入第二神经网络进行模型训练，得到多个待选择分类模型，根据所述第二测试集从多个待选择分类模型中选择最优模型作为船舶分类模型；
尺寸测量模块，用于将待识别船舶的船舶点云输入所述点云补全模型，输出船舶补全点云，根据所述船舶补全点云中的边缘点坐标计算所述待识别船舶的尺寸；其中，所述船舶点云为船舶一侧的点云；
分类模块，用于将所述船舶补全点云输入所述船舶分类模型，得到所述待识别船舶的类别。
7.根据权利要求6所述的基于激光雷达的船舶测量与识别系统，其特征在于，所述根据所述第一补全点云与完整点云确定损失函数，通过下式得到：
;
其中，S1表示第一补全点云，S2表示完整点云，p为S1中的点，p’为S2中的点，w为每个p点或p’的边缘距离权重。
8.根据权利要求7所述的基于激光雷达的船舶测量与识别系统，其特征在于，所述边缘距离权重通过下式计算：
;
其中，(x,y,z)为第一补全点云或完整点云中的点，xmin为对应点云中的最小x值，xmax为对应点云中的最大x值，ymin为对应点云中的最小y值，ymax为对应点云中最大y值，zmin为对应点云中最小z值，zmax为对应点云中最大z值。
9.根据权利要求6所述的基于激光雷达的船舶测量与识别系统，其特征在于，所述数据增强模块包括：
点丢弃子模块，用于对于当前原始点云，随机选择点丢弃比例，按所述点丢弃比例随机丢弃所述当前原始点云中的点；其中，所述点丢弃比例在第一点丢弃比例与第二点丢弃比例之间；
点云块丢弃子模块，用于确定丢弃点云块尺寸的最大占比，根据所述最大占比及当前原始点云中的边缘点坐标随机选择丢弃点云块的坐标，并根据所述坐标将点云块丢弃。
10.根据权利要求6所述的基于激光雷达的船舶测量与识别系统，其特征在于，还包括：
划分模块，用于将所述第一测试集中的点云划分为左侧测试点云及右侧测试点云；其中，所述第一测试集中左侧点云的个数与右侧点云的个数相同；
补全模块，用于将所述左侧测试点云输入所述点云补全模型中，得到左侧补全点云，将所述右侧测试点云输入所述点云补全模型中，得到右侧补全点云；
误差计算模块，用于计算所有左侧补全点云与对应的完整点云的第一总误差，计算所有右侧补全点云与对应完整点云的第二总误差；
船舶点云获取模块，用于计算所述第一总误差与第二总误差的差值，并将所述差值与预设误差阈值比较；当所述差值的绝对值小于预设误差阈值时，则在河岸方便安装一侧设置激光雷达以获取船舶点云；否则，选取较小误差所属的一侧河岸设置激光雷达以获取船舶点云。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311444846.XA CN117173650B (zh) | 2023-11-02 | 2023-11-02 | 基于激光雷达的船舶测量与识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311444846.XA CN117173650B (zh) | 2023-11-02 | 2023-11-02 | 基于激光雷达的船舶测量与识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173650A true CN117173650A (zh) | 2023-12-05 |
| CN117173650B CN117173650B (zh) | 2024-01-26 |
Family
ID=88947194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311444846.XA Active CN117173650B (zh) | 2023-11-02 | 2023-11-02 | 基于激光雷达的船舶测量与识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173650B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259733A (zh) * | 2020-01-02 | 2020-06-09 | 武汉理工大学 | 一种基于点云图像的船舶识别方法及装置 |
| CN111915677A (zh) * | 2020-07-08 | 2020-11-10 | 哈尔滨工程大学 | 一种基于三维点云特征的船舶位姿估计方法 |
| CN114359510A (zh) * | 2021-12-10 | 2022-04-15 | 南昌大学 | 一种基于锚点检测的点云补全方法 |
| US20220371705A1 (en) * | 2019-11-11 | 2022-11-24 | Awake.Ai Oy | Method for providing a location-specific machine learning model |
| CN115512330A (zh) * | 2022-09-23 | 2022-12-23 | 上海寻序人工智能科技有限公司 | 基于图像分割与激光雷达点云补全的物体检测方法 |
| CN116563466A (zh) * | 2023-05-23 | 2023-08-08 | 电子科技大学 | 一种基于深度学习的三维单木点云的补全方法 |
| WO2023184759A1 (zh) * | 2022-03-29 | 2023-10-05 | 苏州浪潮智能科技有限公司 | 一种三维物体形状的补全方法、装置、设备及存储介质 |
| CN116958265A (zh) * | 2023-09-19 | 2023-10-27 | 交通运输部天津水运工程科学研究所 | 一种基于双目视觉的船舶位姿测量方法及系统 |
-
2023
- 2023-11-02 CN CN202311444846.XA patent/CN117173650B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220371705A1 (en) * | 2019-11-11 | 2022-11-24 | Awake.Ai Oy | Method for providing a location-specific machine learning model |
| CN111259733A (zh) * | 2020-01-02 | 2020-06-09 | 武汉理工大学 | 一种基于点云图像的船舶识别方法及装置 |
| CN111915677A (zh) * | 2020-07-08 | 2020-11-10 | 哈尔滨工程大学 | 一种基于三维点云特征的船舶位姿估计方法 |
| CN114359510A (zh) * | 2021-12-10 | 2022-04-15 | 南昌大学 | 一种基于锚点检测的点云补全方法 |
| WO2023184759A1 (zh) * | 2022-03-29 | 2023-10-05 | 苏州浪潮智能科技有限公司 | 一种三维物体形状的补全方法、装置、设备及存储介质 |
| CN115512330A (zh) * | 2022-09-23 | 2022-12-23 | 上海寻序人工智能科技有限公司 | 基于图像分割与激光雷达点云补全的物体检测方法 |
| CN116563466A (zh) * | 2023-05-23 | 2023-08-08 | 电子科技大学 | 一种基于深度学习的三维单木点云的补全方法 |
| CN116958265A (zh) * | 2023-09-19 | 2023-10-27 | 交通运输部天津水运工程科学研究所 | 一种基于双目视觉的船舶位姿测量方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| SEONG JU LEE等: "A method for object detection using point cloud measurement in the sea environment", 《 2017 IEEE UNDERWATER TECHNOLOGY (UT)》 * |
| 刘彩霞等: "基于深度学习的三维点云修复技术综述", 《计算机辅助设计与图形学学报》, pages 1936 - 1952 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173650B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
| CN104574393B (zh) | 一种三维路面裂缝图像生成系统和方法 | |
| CN111369495B (zh) | 一种基于视频的全景图像的变化检测方法 | |
| CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| CN108416798B (zh) | 一种基于光流的车辆距离估计方法 | |
| CN113313047B (zh) | 一种基于车道结构先验的车道线检测方法及系统 | |
| CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
| CN112017243B (zh) | 一种介质能见度识别方法 | |
| CN111738071B (zh) | 一种基于单目摄像机的运动变化的逆透视变换方法 | |
| CN115578615A (zh) | 基于深度学习的夜间交通标志图像检测模型建立方法 | |
| CN112016558B (zh) | 一种基于图像质量的介质能见度识别方法 | |
| CN113205139A (zh) | 一种基于密度聚类的无人艇水上球体检测方法 | |
| CN117173650B (zh) | 基于激光雷达的船舶测量与识别方法及系统 | |
| CN116935369A (zh) | 基于计算机视觉的船舶水尺读数方法及系统 | |
| CN116189140A (zh) | 一种基于双目视觉的车辆三维目标检测算法 | |
| CN114879180A (zh) | 一种无人艇载多元多尺度雷达实时融合的无缝态势感知方法 | |
| CN115267756A (zh) | 一种基于深度学习目标检测的单目实时测距方法 | |
| CN113095324A (zh) | 一种针对锥桶的分类与测距方法及系统 | |
| CN113420594A (zh) | 基于改进Faster R-CNN的SAR图像舰船检测方法 | |
| CN111950549A (zh) | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 | |
| Wang et al. | A Improved Yolov4’s vehicle and pedestrian detection method | |
| CN118037610B (zh) | 一种针对复杂环境的水尺图像畸变校正方法和系统 | |
| He et al. | SAR Target Detection Based on Improved SSD with Saliency Map | |
| CN116543182B (zh) | 水位识别方法及系统 | |
| CN117557616B (zh) | 一种单目相机俯仰角确定和深度估计方法、装置及设备 |
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 |