为解决距离选通式激光成像中由于图像模糊而导致目标识别率偏低的难题,提出一种保留特征的卷积神经网络(KFCNN)模型,用于激光选通图像中的目标识别。与传统的卷积神经网络不同,KFCNN使用一个特征保留层来提高模糊目标的识别率,提高目标识别的稳健性。为实现特征保留,KFCNN通过增加特征保留约束项及正则化来优化特征保留目标函数并进行训练,通过减小特征保留目标函数值来保证训练样本在模糊之前和之后的特征映射相一致。实验结果表明,KFCNN改善了因模糊造成识别率降低的问题,进而提升了距离选通式激光成像中对指定目标的识别率。

通过三维激光扫描仪获取的原始点云数据量庞大,不利于后期的数据处理工作。现有的基于曲率值的点云压缩方法容易引起亚特征区域细节丢失的问题。针对这一问题,提出了一种基于曲率分级的点云数据压缩方法。该方法通过计算曲率反映点云数据中特征的分布情况,采用对数函数对归一化后的曲率值进行分级,对不同等级的点进行空间网格划分后根据点的曲率等级实现点云的分级压缩。实验结果表明,所提方法能在大幅度减少数据量的同时,较好地保留原始数据的细节特征,从而实现对点云数据的高效压缩。

针对现有算法对尖锐特征曲面点云法矢估计不准确，点云处理时容易丢失曲面细节特征等问题，提出一 种尖锐特征曲面散乱点云法向估计法。该方法用主成分分析法粗估计点云法向; 然后，根据各邻域点的空间欧氏距离和法向距离对各邻域法向加权，用加权邻域法向之和来更新当前点的法向; 最后，测试估计法向与标准法向的误差，评价估计法矢的准确性，并且将估计的法向应用到点云数据处理中来比较特征保留效果。实验结果表明: 本文方法能够准确地估计尖锐特征曲面的法向，最小误差接近0。另外， 该方法对噪声有较好的鲁棒性，点云处理时能保留曲面的尖锐特征。相比于其他特征曲面法向估计法，所提出的方法估计的法向误差更小、速度更快、耗时更少。