1 福建师范大学医学光电科学与技术教育部重点实验室,福建 福州 350007
2 福建省光子技术重点实验室,福建 福州 350007
3 福建省光电传感应用工程技术研究中心,福建 福州 350007
4 广州工业智能研究院,广东 广州 511458
环境感知是无人驾驶的关键技术,针对相机缺乏深度信息无法定位检测目标以及目标跟踪精度较差的问题,提出一种基于相机与激光雷达融合的目标定位与跟踪算法。该算法通过图像检测框内的激光雷达点云簇在像素平面的面积比例大小获得检测目标的定位信息,然后根据检测目标的轮廓点云在像素坐标系下的横向移动速度和纵向移动速度融合图像检测框中心坐标提高目标跟踪精度。实验结果表明:所提目标定位算法正确率为88.5417%,且平均每帧处理时间仅为0.03 s,满足实时性要求;图像检测框中心横坐标的平均误差为4.49 pixel,纵坐标的平均误差为1.80 pixel,平均区域重叠率为87.42%。
传感器融合 机器视觉 3D激光雷达 目标定位 目标跟踪 激光与光电子学进展
2024, 61(8): 0828004
1 福建师范大学医学光电科学与技术教育部重点实验室, 福建 福州 350007
2 福建师范大学福建省光电传感应用工程技术研究中心, 福建 福州 350007
3 福建师范大学光电与信息工程学院, 福建 福州 350007
4 广州中国科学院沈阳自动化研究所分所, 广东 广州 510000
海天线是海空背景图像所具有的重要特征之一,海天线的检测对天空区域和海面区域的划分以及目标检测具有重要作用。然而,复杂海空背景环境中的海杂波、云层、强反射、复杂气象条件等都会给海天线检测造成困难。针对复杂背景下海天线检测的环境适应性问题,对视觉传感器获取的原始图像及图像中海天线的特点、干扰因素及其抑制方法、现有的海天线生成方法三个方面进行了详细的阐述和分析,通过对比实验列出各种海天线生成方法的优缺点和适用场景,对比分析了自行提出的形态学方法的实验结果及适用场景。最后提出海天线检测面临的挑战,展望其下一步的研究方向。
图像处理 海天线检测 无人艇 视觉传感器 线性拟合 霍夫变换 小波变换 激光与光电子学进展
2020, 57(16): 160002
1 南京信息工程大学地理与遥感学院, 江苏 南京 210044
2 中国科学院流域地理学重点实验室, 中国科学院南京地理与湖泊研究所, 江苏 南京 210008
近几十年来, 光谱技术在土壤科学中的应用越来越受到重视。 利用土壤反射光谱可以快速获取土壤信息, 了解土壤理化属性, 对土壤铁含量进行估算。 在已有的研究中, 土壤铁的光谱估算多选用表层土壤, 大多进行全铁的估算, 忽略了不同形态的土壤铁, 且估算结果并不十分理想。 为了得到不同形态土壤铁最佳模型的处理方法, 并探讨有机质含量和土壤深度对不同形态土壤铁估算精度的影响, 以江苏省东台市为研究区, 选取20个地点共采集了160份土壤样品, 将每份样品分别研磨至10目和100目, 在室内进行光谱数据采集之后, 在使用八种不同方法进行预处理的同时将每种方法都选取多种参数, 利用偏最小二乘回归法将全反射波段分别与土壤中的全铁、 游离铁、 无定形铁的含量进行建模回归, 并评价模型精度。 结果表明: (1)建立三种不同形态土壤铁的最优模型的处理方式都是将土壤研磨成100目, 采用多元散射矫正法, 全铁的决定系数(R2)只有0.6, 而且模型不够稳定; 游离铁和无定形铁估算结果比较好, R2分别达到了0.77和0.69, 而且误差小, 模型稳定; (2)由于全铁中的硅酸铁很容易受到外界环境的影响, 有机质和土壤深度对全铁的估算精度影响都很大, 对游离铁的估算精度影响最小; 无定形铁由于含量少, 其估算模型也比较容易受到有机质和土壤深度的影响。
光谱 全铁 游离铁 无定形铁 Spectrum Total iron Free iron Amorphous iron 光谱学与光谱分析
2016, 36(11): 3615
南京信息工程大学地理与遥感学院, 江苏 南京 210044
反射光谱技术具有快速、 便捷等特点, 过去几十年中将其应用于土壤科学的研究呈指数增长, 且广泛用于土壤属性估算。 土壤全氮含量是一项非常重要的肥力指标, 光谱估算全氮含量可以为实现精准农业提供重要支持。 但反射光谱估算土壤全氮含量是基于全氮与有机碳的相关性还是基于氮本身的吸收特征仍然存在争议。 本文以江苏滨海土壤为研究对象, 利用偏最小二乘法分别构建全氮和有机碳在相同建模样本量、 不同全氮含量及变异程度情况下的估算模型, 通过分析模型精度变化规律及全氮与有机碳估算模型系数的相关性, 探讨土壤全氮反射光谱估算机理。 结果表明, 该地区土壤为1 000年来滨海滩涂经人为耕作发育形成, 全氮含量不高, 有机碳含量偏低。 全氮与有机碳之间存在较强的相关性, 相关系数高达0.98。 土壤全氮含量估算精度随样本集全氮含量的平均值、 标准差增大出现先增加后略有减小的变化规律, 与变异系数的变化规律相一致。 当全氮含量较低时(样本平均值小于0.27 g·kg-1), 土壤全氮与有机碳相关系数也较小, 实现反射光谱估算全氮是基于氮的吸收特征; 当全氮含量较高时(样本平均值大于0.29 g·kg-1), 全氮与有机碳相关性较强且有机碳模型精度高于全氮, 说明有机碳对光谱曲线的影响随其含量增加而增大, 并掩盖了氮的吸收特征, 实现反射光谱估算全氮是基于其与有机碳的相关性。 该研究揭示了土壤反射光谱估算全氮含量的机理, 从而为反射光谱快速估算土壤全氮含量提供理论依据。
反射光谱 全氮 有机碳 偏最小二乘回归 Reflectance spectroscopy Total nitrogen (TN) Soil organic carbon (SOC) Partial least squares regression (PLSR) 光谱学与光谱分析
2016, 36(10): 3222