针对深度神经网络PointNet未引入局部特征以及分割精度有待提高的问题,在PointNet的基础上提出一种结合改进K近邻(KNN)算法的局部特征提取方法,将引入局部特征提取方法的神经网络命名为KNN-PointNet。首先将局部区域划分为k个圆形邻域,根据局部区域中样本数据分布密度的差异来确定权值以计算待测点的分类情况;其次将局部邻域特征结合单点全局特征作为输入进行特征提取,通过调节网络深度来提取局部特征以增强局部邻域中点与点的相互关联;最后将改进的KNN算法应用于KNN-PointNet点云分割网络进行实验对比。实验结果表明,相比于当前一些先进的分割网络,采用改进KNN算法的分割网络KNN-PointNet具有更高的分割精度。

针对常规的点云滤波方法在去除接近模型噪声的过程中会对模型造成较大破坏的问题,提出一种结合双张量投票和多尺度法向量估计的点云滤波算法。首先采用主成分分析法在较大的尺度下估计各点的法向量,对各点进行双张量投票以提取特征点。然后对提取出的特征点在较小的尺度下估计法向量,并结合随机采样一致性方法对小范围噪声平面进行剔除。最后采用曲率对剩余的噪声进行滤波,获得最终的点云数据。实验结果表明,所提算法可以有效剔除噪声点,并较好地保留三维模型的尖锐特征,为后续点云配准和三维重建奠定基础。

针对重叠率低的两片点云配准难度大、精度低等问题,提出了一种将聚类区域分块和凸优化问题相结合的点云配准方法。首先,利用点云的曲率特征进行多尺度描述符的建立,确保点云数据完整并且使冗余数据最小;其次,利用多尺度描述符的角度差异进行对应关系聚类分块,获取源点云与目标点云的重叠区域;最后,将重叠区域的点云以及它们的对应关系代入凸优化问题,进行离群值的去除和对应关系的优化,实现粗配准并利用迭代最近点算法进行细化。实验结果表明,所提算法能够缩小点云配准的有用搜索范围,减少配准计算量,为初始重叠程度较低的点云数据提供更具优势的配准精度和时间效率。

为了解决基于深度学习的网格分割方法在训练分割分类器过程中时间消耗大的问题,提出了一种基于蚁狮优化的极限学习机的网格分割方法。利用蚁狮优化算法中蚂蚁种群受精英蚁狮与轮盘赌策略的双重影响,迭代更新蚂蚁种群,将蚁狮种群与蚂蚁种群进行降序全排列,取最优的N个更新蚁狮种群,采用最优蚁狮更新精英蚁狮,保持精英蚁狮为最优解,从而优化极限学习机随机生成的输入权值矩阵与隐层偏置。采用改进的极限学习机方法训练得到一个高精度的分割分类器。以普林斯顿数据集中的6类模型进行实验,结果表明,对于Airplane、Ant、Chair、Octopus、Teddy和Fish模型数据集中训练面片数目为200000~300000的模型,所提方法的训练耗时约为1000 s,且获得了较高的分割精确度,最高分割精确度可达99.49%。

以LYTRO相机为例,提出一种基于微透镜阵列型(MLA)光场相机的多目标快速测距方法。该方法的研究过程分为三个部分:第一部分,通过对原始数据进行点扩展函数计算及色彩恢复,并对数据进行超分辨处理,获取重聚焦序列图像,完成对待测目标的预处理过程;第二部分,利用三角形定理,通过贴片的方法,提出一种直接测距法;第三部分,对现有的相对测距法进行超分辨处理,大幅提高算法精度,同时利用改进型的拉普拉斯算子验证算法的正确性。最后将这两种算法结合,即得到一种MLA光场相机的多目标快速测距算法。实验证明,对于少量待测物体,直接测距法精度高,速度快;对于数量较多的待测物体,将直接测距法与相对测距法相结合,不但能够保证精度,还可以提高时效性。该方法为光场相机深度获取、三维重建等方面的研究提供了重要的数据参考及较为精准的评价依据。

中国象棋棋子定位采用的传统图像处理方法,复杂度高;识别棋子采用的传统文字识别方法,泛化性较差、精确度较低。提出一种基于棋子颜色特征的分割方法和改进的二值图像滤波算法,实现了棋子的快速定位,不需要二次修正位置;提出一种基于卷积神经网络的棋子识别方法,该方法可以应用于不同字体的棋子识别,在更换棋子的情况下,依然可以快速、准确地识别棋子。实验结果表明,该方法的定位误差为0.51 mm,平均定位时间0.212 s,对4类字体的平均棋子识别准确率为98.59%左右,证实了该方法的有效性和实用性。

以LYTRO相机为例,提出一种精确色彩矢量约束下的光场图像超分辨率算法。根据相机内部微透镜阵列按六边形分布的特点,结合点扩散函数,及相机探测器阵列上滤光片的排列方式,计算了每个单一像素点的RGB色彩分量值,精确恢复出每一个像素的颜色信息;利用金字塔算法对色彩恢复的时效性进行了优化。提出一种基于相机子孔径图像序列颜色矢量约束下的超分辨率算法,以提高图像质量。所提的色彩恢复方法可以用于多款光场相机,同时以色彩矢量作为约束条件,彩色超分辨率图像恢复的效果理想。

为了实现椭偏参量ψ和Δ的高速、高灵敏测量, 建立了一种测量成本低、重复性好和便于工业化集成的椭偏测量方案。本文对弹光调制型椭偏参量测量系统进行了原理分析, 针对弹光调制器的工作模式及调制光信号特点, 设计了基于现场可编程门阵列的数字锁相数据处理方案。现场可编程门阵列提供弹光调制器工作的信号源, 并控制AD采样; 同时产生正弦和余弦参考序列, 并完成直流项、一倍频项和二倍频项的同相分量和正交分量的提取, 进而求解出椭偏参量。利用搭建的试验系统对SiO2薄膜厚度为3.753 nm的硅片样品进行了实验分析。实验结果表明, 采样时间为20 ms时, 椭偏参量ψ和Δ的平均值分别为9.622°和168.692°, 标准偏差分别为0.005°和0.008°;采样时间设置为200 ms时, 椭偏参量测量平均值与20 ms的非常接近, 标准偏差减小, 并且都在0.001°量级, 揭示了本系统具有较高的灵敏度和较好的重复性。

三维点云关键点配准与识别过程中存在寻找匹配对不理想、大量误匹配对及配准与识别准确率下降等问题,提出了一种新颖的关键点误匹配剔除方法。在关键点检测阶段,基于边缘点及其邻域点大多分布在同侧的特性,提出了一种边缘点检测算法,剔除处于边缘的关键点,以提高关键点的可重复性和可匹配性,并降低关键点特征匹配的误匹配率。在关键点特征匹配阶段,对经由最近邻算法得到的初始关键点匹配对,通过Kmeans算法和分裂法,剔除掉大量错误的关键点匹配对,从而提高三维点云之间关键点的匹配率。实验结果表明,该方法能够剔除完整三维点云匹配完整三维点云、完整三维点云匹配杂乱且有遮挡的三维点云、部分点云匹配部分点云所产生的大量关键点误匹配对,提升了关键点匹配效果;同时在时间上,本文算法较随机取样一致性算法更有效率,是最邻近算法的有益补充。

针对目前三维点云关键点检测方法检测的关键点的可描述性和再现性不强，且检测的关键点数量较少的问题，提出了一种新颖的关键点检测算法。首先为提高算法的效率，利用均匀采样方法减少三维点云中点的数量，降低三维点云的复杂度。然后利用具有良好描述性的方向直方图签名(SHOT)描述子对均匀采样的点进行多尺度描述，分析每个点多尺度SHOT描述子的独特性，选取SHOT描述子离散程度较大的点作为关键点。本文方法利用描述性较强的SHOT描述子对关键点的邻域进行描述，增强了关键点的可描述性。实验结果表明，本文方法的均匀采样时间效率高，满足关键点检测的时间要求，且本文检测关键点的方法比Harris3D、尺度不变特征变换（SIFT）、内部形状签名（ISS）关键点检测算法具有更好的再现性。因此，本文方法可以有效、快速地在三维点云模型和场景中检测出高质量的关键点。