-
公开(公告)号:CN111311752A
公开(公告)日:2020-06-19
申请号:CN202010092005.7
申请日:2020-02-14
Applicant: 福州大学
Abstract: 本发明涉及一种基于映射图的LiDAR数据随机采样及重构方法。采集端随机捕获特定角度发射光束测得的距离和反射强度值,接收端利用基于梯度和小波稀疏性的交替方向法分别恢复出距离映射图和强度映射图,进而转换为点云帧。本发明能够直接处理激光雷达采集的第一手数据,具有节约采集端存储空间,提升重构效率的优点。
-
公开(公告)号:CN110942484A
公开(公告)日:2020-03-31
申请号:CN201911169783.5
申请日:2019-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于遮挡感知和特征金字塔匹配的相机自运动估计方法,首先,获取单目相机采集的图像,剔除其中相机静止时采集的图像;其次,标定相机参数,获得相机内参和畸变系数,对相机采集的图像消畸变;在训练时,搭建深度预测网络、相机运动网络和遮挡感知掩膜网络,构建无监督学习的损失函数,并将事先准备好的图像、相机内参用于训练这三个卷积神经网络,并将训练后获得的卷积神经网络参数保存下来;在单目深度预测时,将新的单目图像输入已经训练好的深度预测网络中,得到稠密的单目深度图;输入连续多帧图像到相机运动网络,相机运动网络的输出即为相机自运动的结果。本发明可以预测单目图像深度和单目图像序列之间相机的自运动。
-
公开(公告)号:CN111311752B
公开(公告)日:2021-04-27
申请号:CN202010092005.7
申请日:2020-02-14
Applicant: 福州大学
Abstract: 本发明涉及一种基于映射图的LiDAR数据随机采样及重构方法。采集端随机捕获特定角度发射光束测得的距离和反射强度值,接收端利用基于梯度和小波稀疏性的交替方向法分别恢复出距离映射图和强度映射图,进而转换为点云帧。本发明能够直接处理激光雷达采集的第一手数据,具有节约采集端存储空间,提升重构效率的优点。
-
-
公开(公告)号:CN109246416A
公开(公告)日:2019-01-18
申请号:CN201811103952.0
申请日:2018-09-21
Applicant: 福州大学
IPC: H04N13/243 , H04N13/275 , H04N13/106 , H04N13/133 , G06T3/40 , G06T7/80
Abstract: 本发明涉及一种车载六路摄像头的全景拼接方法。通过生成全景图像的映射表,将六路鱼眼图像直接投影到全景3D模型上;该方法将鱼眼图像畸变校正,投影变换,图像拼接等操作写入映射表中,与全景3D模型进行映射和亮度融合,极大的提高了六路视频全景显示的实时性,并且改善了不同摄像头图像的亮度差异的问题。
-
公开(公告)号:CN108259919A
公开(公告)日:2018-07-06
申请号:CN201810265541.5
申请日:2018-03-28
Applicant: 福州大学
IPC: H04N19/625 , H04N19/423
Abstract: 本发明涉及一种快速实现8x8DCT变换的硬件系统,包括控制模块、DCT系数模块、数据传送模块、PE阵列模块、以及残差存储模块。控制模块从变频器中得到的信号用于控制各个模块的协调运作。DCT系数模块获取输入的DCT系数,自循环后输入给数据传送模块。数据传送模块沟通DCT系数模块和PE阵列模块之间的数据正确传送。PE阵列模块接收DCT系数和残差值,在每个PE单元中做算术运算得到中间值和结果值,并在整个模块中进行残差和中间值的子循环。残差存储模块主要功能是接收外部传入的残差值,并一次性映射到PE阵列模块中。本发明能够避开常规DCT变换算法的转置操作,减少硬件实现周期,使得行列变换模块能够共用一个硬件资源,减少硬件面积。
-
公开(公告)号:CN110910327B
公开(公告)日:2023-04-07
申请号:CN201911170122.4
申请日:2019-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于掩模增强网络模型的无监督深度补全方法,包括以下步骤:步骤S1:采集KITTI数据集;步骤S2:构建用于输出稠密深度图的深度图网络模型和用于输出连续两帧之间运动物体和梯度较小区域的掩膜网络模型;步骤S3:构建网络训练的损失函数;步骤S4:根据得到的训练集,对深度图网络和掩膜网络进行无监督训练,并保存深度图网络模型和掩膜网络模型的各项权重值;步骤S5:根据验证集,对深度图网络超参数的调整,重复步骤S4,得到优化后的深度图网络模型;步骤S6:将待补全深度图输入优化后的深度图网络模型,进行深度补全,得到深度补全后的深度图。本发明可以对深度图进行更好补全,用于自动驾驶车辆能够实现更好的进行避障、建图的处理。
-
公开(公告)号:CN112308092B
公开(公告)日:2023-02-28
申请号:CN202011316603.4
申请日:2020-11-20
Applicant: 福州大学
IPC: G06V10/44 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/08
Abstract: 本发明提出一种基于多尺度注意力机制的轻量型车牌检测与识别方法,其车牌检测识别网络构建包括以下步骤;步骤S1:获取图片作为原始数据集;步骤S2:对原始数据集处理,得到用于训练检测车牌的模型的数据集A、用于训练车牌识别的模型的数据集B;步骤S3:构建用于检测车牌的深度神经网络;步骤S4:将数据集A的原始图像P1输入到步骤S3构造的网络中,得到车牌检测区域P2以及车牌的四个角点;步骤S5:将P2根据车牌的角点做透视变换得到矫正后的图像P3。步骤S6:构建用于识别车牌的深度神经网络;步骤S7:将P3输入到步骤S6构造的网络中,得到检测到的车牌所对应的车牌号码;本发明可以在保证网络精确度的情况下同时获得较低的网络参数量和计算量。
-
公开(公告)号:CN112308092A
公开(公告)日:2021-02-02
申请号:CN202011316603.4
申请日:2020-11-20
Applicant: 福州大学
Abstract: 本发明提出一种基于多尺度注意力机制的轻量型车牌检测与识别方法,其车牌检测识别网络构建包括以下步骤;步骤S1:获取图片作为原始数据集;步骤S2:对原始数据集处理,得到用于训练检测车牌的模型的数据集A、用于训练车牌识别的模型的数据集B;步骤S3:构建用于检测车牌的深度神经网络;步骤S4:将数据集A的原始图像P1输入到步骤S3构造的网络中,得到车牌检测区域P2以及车牌的四个角点;步骤S5:将P2根据车牌的角点做透视变换得到矫正后的图像P3。步骤S6:构建用于识别车牌的深度神经网络;步骤S7:将P3输入到步骤S6构造的网络中,得到检测到的车牌所对应的车牌号码;本发明可以在保证网络精确度的情况下同时获得较低的网络参数量和计算量。
-
公开(公告)号:CN110942484B
公开(公告)日:2022-07-12
申请号:CN201911169783.5
申请日:2019-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于遮挡感知和特征金字塔匹配的相机自运动估计方法,首先,获取单目相机采集的图像,剔除其中相机静止时采集的图像;其次,标定相机参数,获得相机内参和畸变系数,对相机采集的图像消畸变;在训练时,搭建深度预测网络、相机运动网络和遮挡感知掩膜网络,构建无监督学习的损失函数,并将事先准备好的图像、相机内参用于训练这三个卷积神经网络,并将训练后获得的卷积神经网络参数保存下来;在单目深度预测时,将新的单目图像输入已经训练好的深度预测网络中,得到稠密的单目深度图;输入连续多帧图像到相机运动网络,相机运动网络的输出即为相机自运动的结果。本发明可以预测单目图像深度和单目图像序列之间相机的自运动。
-
-
-
-
-
-
-
-
-