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。
文摘蛋白质含量是衡量稻米品质的关键因素之一。为探索利用光谱数据融合技术实现稻米蛋白质含量快速检测的潜力,试验提出了一种改进的二进制粒子群优化算法(Improved binary particle swarm optimization,IBPSO),该算法专门用于拉曼光谱与近红外光谱(R aman-NIR)融合数据的特征波长选择,能有效提升基于偏最小二乘法(Partial least squares,PLS)的回归校正模型的预测准确性。采用IBPSO构建的大米蛋白质含量检测模型,其预测决定系数(R_(p)^(2))达到了0.903,预测均方根误差(Root mean square error of prediction,RMSEP)为0.235%,预测平均相对误差(Mean relative error of prediction,MREP)则为2.768%,这些性能指标均优于采用其他4种经典算法进行特征波长选择后所建立的模型。结果表明:IBPSO通过粒子值为“1”二进制位的指导性寻优,能够实现高相关性建模波长变量的高效获取;IBPSO与光谱数据融合技术相结合能够实现大米蛋白质含量的快速检测,为相关在线检测装备的研发提供了理论支持。
