1 西安理工大学 计算机科学与工程学院，陕西西安70048
2 陕西省网络计算与安全技术重点实验室，陕西西安710048
基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求，场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征，获得场景的高层语义信息，从而推理出所处的具体位置，它是同步定位与建图系统（Simultaneous Localization and Mapping，SLAM）、自动驾驶、机器人导航、闭环检测的基础。三维扫描技术的快速发展使得人们能够利用各种扫描仪快速获取各类场景的点云数据。不论扫描时间、光照环境如何变化，点云场景所获取的几何信息都具有较好的不变性，因此，基于点云的场景识别成为计算机视觉领域的研究热点。本文首先对近年来面向点云数据的场景识别方法进行了归纳和总结；然后介绍用于场景识别的大规模室内/室外场景的数据集，以及用于算法评测的评价指标，同时总结了各类算法的识别率。最后指出面向点云的场景识别中所面临的问题和挑战，对未来的研究趋势进行展望。研究结果有助于相关领域学者快速全面地了解基于点云数据场景识别的研究现状，为进一步提升场景识别精度奠定基础。
点云 场景识别 特征描述符 深度学习 注意力机制 图卷积 point cloud scene recognition feature descriptor deep learning attention mechanism graph convolution 光学 精密工程
2022, 30(16): 1988
云南民族大学电气信息工程学院, 昆明 650000
针对无人机机载系统计算能力有限这一关键问题, 提出一种基于即时八叉树地图的室内自主探索航迹规划方法。首先利用RGB-D相机得到的深度图为输入, 实时构建八叉树地图, 同时实时扫描无人机当前视野内的八叉树地图进行场景识别, 以自主识别的场景为基础, 针对性地设计了在不同场景下规划下一目标点时所用的方法, 有效降低了机载系统的计算量, 实现了室内未知环境的自主探索。仿真实验结果表明, 该方法可行性高且在计算复杂度方面具有一定优势。
自主探索 航迹规划 场景识别 八叉树地图 autonomous exploration trajectory planning scene recognition octree map
1 北京交通大学机械与电子控制工程学院, 北京 100044
2 北京交通大学载运工具先进制造与测控技术教育部重点实验室, 北京 100044
为实现高速铁路周界侵限检测系统自动识别轨道区域的功能,提出了一种自适应的图像分割与识别算法。计算了每个场景的直线特征极大值以调节自适应参数,提出了新的基于边界点权重及区域面积的聚类组合规则,将碎片化区域快速组合成局部区域;简化了卷积神经网络,通过对卷积核进行预训练并在损失函数中增加稀疏项来提高特征图的差异性。在不使用显卡的前提下,对比实验结果表明所提算法的像素准确率最高(95.9%),计算时间最短(2.5 s),网络参数约为0.18×10
6个,在分割精准度、识别准确率、计算时间、人工操作复杂度和系统硬件成本等之间找到了有效平衡点,提高了铁路周界侵限检测系统的自动化程度和工作效率。
图像处理 场景分割 场景识别 多尺度边缘检测 卷积神经网络
河北工业大学省部共建电工装备可靠性与智能化国家重点实验室,天津 300132
对于在室内工作的机器人而言,要完成不同环境的自主导航就必须能够对其所处场景进行有效识别。传统的方法是通过视觉或雷达等传感器对所处环境进行匹配以实现场景识别。提出了一种基于2-D范围扫描的室内场景识别的方法。该方法对激光雷达的范围扫描信息进行特征提取,利用所提取的样本训练基于局部感受野的极限学习机,对多种室内场景进行分类识别。在Gazebo搭建的仿真环境中采集虚拟范围扫描数据,对室内场景识别方法进行了研究。利用DR Dataset提供的测距数据对所提出的方法进行了实验验证。实验结果表明: 该方法的室内场景识别准确率高于传统方法。基于2-D范围扫描场景识别的研究也为机器人实现自主导航提供理论依据和实验数据。
移动机器人 自主导航 2-D范围扫描 室内场景识别 基于局部感受野的极限学习机 mobile robot autonomous navigation 2-D range scanning indoor scene recognition extreme learning machine based on local receptive
天津大学 电气自动化与信息工程学院,天津 300072
场景外观剧烈变化引起的感知偏差和感知变异给视觉场景识别带来了很大的挑战。现有的利用卷积神经网络(CNN)的视觉场景识别方法大多数直接采用 CNN 特征的距离并设置阈值来衡量两幅图像之间的相似性, 当场景外观剧烈变化时效果较差, 为此提出了一种新的基于多层次特征差异图的视觉场景识别方法。首先, 一个在场景侧重的数据集上预训练的 CNN 模型被用来对同一场景中感知变异的图像和不同场景中感知偏差的图像进行特征提取。然后, 根据 CNN 不同层特征具有的不同特性, 融合多层 CNN 特征构建多层次特征差异图来表征两幅图像之间的差异。最后, 视觉场景识别被看作二分类问题, 利用特征差异图训练一个新的 CNN 分类模型来判断两幅图像是否来自同一场景。实验结果表明, 由多层 CNN 特征构建的特征差异图能很好地反映两幅图像之间的差异, 文中提出的方法能有效地克服感知偏差和感知变异, 在场景外观剧烈变化下取得很好的识别效果。
视觉场景识别 特征差异图 感知偏差 感知变异 卷积神经网络 visual place recognition feature difference map perceptual aliasing 红外与激光工程
2018, 47(2): 0203004
