在计算机视觉系统中一直存在物体识别时3D数据表示形式的问题。大多数研究人员将其转化为多视图和体素化网格的深度学习方法,这会出现庞大的数据,使计算量增加,提高了运算的时间复杂度。这里采用直接消耗点云数据方法在欧式空间中通过深度学习神经网络进行识别分类,这种方法与其他方法相比减少了数据运算量,而且很高效。通过分层神经网络进行学习,避免了只学习全局特征而不能学习由度量空间引起的局部结构。在改进现有的深度学习神经网络架构,通过训练在训练集中最高可以学习到96.88%的准确率,并且使训练曲线和测试曲线的准确率更加接近,避免了过拟合现象。最后测试了获取到的点云数据并达到了预期的效果。

对车辆和行人进行快速且准确的检测是机器人视觉和自动驾驶领域的一个难题,为了解决这个难题,提出一种基于深度学习网络的行人车辆检测算法,这是一种端到端的单阶段检测方法。主要使用多级跳跃连接网络和多级特征融合网络。多级跳跃链接网络在特征提取阶段避免了反向传播过程中的梯度消失、爆炸和退化等优化问题,从而提高检测精度和模型的收敛速度。多级特征融合网络对来自不同层次的多尺度特征变化尺度后进行特征信息融合,可以提取到比较低层的信息以提高算法的精度。这里的算法在多个公开的数据集上进行实验,实验结果表明,与目前的一些主流算法相比,行人和车辆的平均检测精度大幅提高,在精度提高的情况下,具有更快的检测速度,有较高的应用潜力。

立体匹配(Stereo Matching)算法的效果在机器人应用中至关重要。为了提高立体匹配算法效果,首先利用基于一阶差分的Sobel检测、Scharr检测和Canny检测对图像进行梯度处理,获取图像边缘,其次利用图像的边缘信息作为初始匹配代价进行立体匹配,大幅减少不必要的计算量,然后利用所提算法分别对Middlebury数据集中的图像和自采集的图像进行实验,获得立体匹配的误匹配率和匹配时间。经过实验数据对比,Sobel检测算法和BM(Boyer-Moore)算法结合的方法所得视差图速度快且精度高,效果最佳,实验证明所提方法具有明显优势,可提高立体匹配效果。

针对传统机器人中图像匹配方法准确率低、匹配时间长的问题,提出一种新型的基于机器视觉进行加速稳健性特性(SURF)的改进算法。以SURF特征点检测为基础,利用增强高效局部图像描述符(BEBLID)替换描述子,实现高维到二值化的转换;以自适应设定阈值方法降低人为设定对匹配产生的影响,结合渐进一致采样(PROSAC)优化策略对误匹配点对的剔除方法,获取有效的匹配点对。实验结果表明:与近几年改进算法相比,该算法在正确匹配率和匹配时间上分别提高了12.06%、