摘要：针对现有增强现实技术在进行环境重建时存在环境重建时间长、设备门槛高、户外环境重建定位困难等问题,设计并实现了AR环境快速重建系统。以谷歌ARCore作为开发基础,调用环境信息估算工具获取三维模型空间坐标和环境深度信息;设计一种新的多重目标跟踪匹配算法,以解析目标特征,并与三维模型生成对应关系;加入北斗全球卫星信号(global navigation satellite system,GNSS)接收机对原有的定位模块进行改进,采用参数转换法对高精度坐标进行本地化处理;使用分割位姿匹配法校正环境中的三维模型重建位姿。实验结果证明,该改进系统适用范围广,拥有脱离摄像头后AR环境不丢失位置等特点,增强了AR环境重建中用户的方位感知能力,降低了AR环境中不同三维模型和目标特征的匹配处理难度。

摘要：结合考古资料,研究隋唐遗址九成宫虚拟场景创建及其交互漫游实现的方法。针对其实现过程中遇到的场景复杂、内存占用多、画面不流畅、交互设备复杂等问题,提出混合建模和采用Kinect进行动作捕捉的方法,实现复杂虚拟场景的构建及交互漫游过程中人体姿势控制代替键盘控制,重现隋唐遗址九成宫的原始风貌。整个漫游过程无"跳跃"现象,画面流畅,人体姿势控制能正确反映到交互漫游过程中,Kinect动作捕捉精度较高,对九成宫遗址的保护和展示有重要意义。

摘要：快速计算机模拟和仿真技术是纺织物、服装的计算机辅助设计和制造的关键技术组成.逼真的纺织物、布料、服装的三维计算机可视化设计在其他许多领域也非常重要.例如在3DCG电影制作中逼真的计算机服装动态特效、3D电脑游戏、网上购物等.本文着重于计算方法,综述和分析了服装物理模型及其应用的最新进展,探讨了当前主要存在的问题,技术挑战,和可能的解决方案.提出了一种基于变形能的服装悬垂模型及算法,并展示了仿真结果.本文所提出的模型适用于纺织物、服装的快速计算机三维动态模拟.另外,也提出和探讨了识别纺织物材料的复杂动态变形材料性能参数的可能性方案.

摘要：针对服装检测推荐方法中的服装图像分割算法分割精度不高且存在多尺度特征融合不佳的问题,提出一种基于注意力机制和多尺度特征融合的深度卷积网络服装特征提取分析检索与推荐方法。该方法以图像语义分割算法为基础,从服装图像中提取高级语义信息,通过哈希函数对提取的特征进行编码,并引入ASPP对图像进行多尺度特征提取,然后使用注意力模型对提取到的特征进行融合并构建索引库,最终实现语义相似性服装推荐的功能。实验表明:本方法可以有效提高分割准确度,解决多尺度特征提取的问题,能够成功提取图像中的高层次语义特征,具有较高的分割准确率,在很大程度上提高了服装相似性语义推荐的效率。

摘要：图像修复技术中经典的基于样本的修复方法是Criminisi算法。针对传统Criminisi算法中优先权计算方式不合理,导致修复效果不佳,为了改进图像的修复质量。提出一种新的优先权计算公式对图像的修复质量和效率进行改进,首先将原有的优先权公式变为加法,之后在优先权公式中加入结构张量增强图像的结构信息。通过大量的实验,结果表明提出的算法可以有效的提高图像的修复质量和效率。

摘要：为了提高点云识别网络的抗噪声能力,降低神经网络在空间模型运算中对处理器的压力,设计一款轻量且具备抗噪声能力的点云识别网络。新的网络通过引入点云库技术,在多层感知机输入数据前添加了随机采样模块和近邻统计高斯滤噪模块,有效滤除复杂点云场景中的离群点。通过优化多层感知模块与全连接模块层次结构,减少网络冗余参数。实验证明:在模型识别准确率维持在84.2%的同时,相较于7种同类型网络,本网络对数据中的随机噪声具有较强的鲁棒性,并具有更快的识别速度。

摘要：本文提出了一种基于深度学习的手势识别来控制机器人做复杂动作的解决方案。本文提出的方案展现出有效的开放性和可扩展性,无论是手势识别还是在机器人复杂动作方面,都可以根据需求做相应调整。同时,本研究工作创建了一个有效的基于人工智能网络的机器人控制实用实验平台。实验设计分别以运用6个基础手势控制机器人在危险环境中清除可疑物品为例,验证了开发的平台可以让机器人实时、远程地完成预设复杂动作,满足现实中自然人机交互的功能。

摘要：针对现有的服装解析算法在复杂背景下分割准确率较低,依赖姿态估计等问题,提出一种基于深度卷积神经网络的自监督服装解析方法(Deeplabv2-SSL),即在Deeplabv2网络中注入一种自监督的结构敏感学习算法。新的算法在训练过程中不需要标注任何人体关节信息,直接从像素标签中学习人体更高层次的信息,利用学习到的人体关节信息更好地定位服装分割的区域,降低了姿态估计过程中的损失。实验表明,Deeplabv2-SSL网络可以有效地解析服装中人体的个别部位以及服装区域。测试过程中总体像素精度大约83.37%,平均像素精度大约52.53%,较其他语义分割模型性能更佳。