摘要：实时、鲁棒的三维动态目标感知系统是自动驾驶技术的关键。提出了一种融合单目相机和激光雷达的三维目标检测流程,首先,在图像上使用卷积神经网络进行二维目标检测,根据几何投影关系生成锥形感兴趣区域(region of interest,ROI),在ROI内对点云进行聚类,并拟合三维外包矩形;然后,基于外观特征和匈牙利算法对三维目标进行帧间匹配,并提出了一种基于四元有限状态机的跟踪器管理模型;最后,设计了一种利用车道信息的轨迹预测模型,对车辆轨迹进行预测。实验结果表明,在目标检测阶段,所提算法的准确率和召回率分别达到了92.5%和86.7%。在仿真数据集上对轨迹预测算法进行测试,与现有算法相比,所提算法在直线、弧线和缓和曲线3种类型的车道上均有较小的均方根误差,且算法平均耗时约为25 ms,满足实时性要求。所提算法鲁棒、有效,在不同车道模型下均有较好的结果。

摘要：事故灾难事理图谱可以全面表达事故发展过程、各子事件信息及多种事件关系,为事故灾难分析提供知识服务。针对事故灾难事理图谱构建中存在的时空关系中文语料匮乏、中文词汇边界模糊导致事件抽取不准确、隐式事件关系难以识别的问题,提出一种顾及时空关系的事故灾难事理图谱构建方法。该方法首先设计了基于命名规律性的词汇增强事件抽取模型,感知实体名称规律以确定事件信息边界和类型,然后采用一种融合注意力和门控空洞卷积的关系识别方法,获取多维度文本特征来挖掘潜在事件关系,并建立了含时空关系的中文事故灾难语料库(Chinese disaster corpus with spatiotemporal relationship,CDCSTR)。在CDCSTR和中文突发事件语料库上进行实验,结果表明,事件抽取模型的F1值分别达到88.59%和78.49%;与现有方法相比,关系识别模型在CDCSTR上的4个任务性能均有提升,尤其是空间关系识别优势明显,取得了3.08%以上的性能领先。以成乐高速追尾事故为例进行验证,构建的事理图谱能展示现实场景下的事故演化过程和时空变化特征,辅助事故应急工作。

摘要：增量式运动恢复结构(ISfM)已成为无人机影像三维重建的关键技术。然而,大数据量、大重叠度和高分辨率的无序无人机影像导致的匹配对检索代价大、迭代优化误差累积和效率低的问题,使其难以满足大场景ISfM处理需求。本文提出联合全局描述子和图索引的无人机影像并行化SfM方法。针对影像特征数量大、影像检索编码本尺寸增加导致的匹配对检索效率低的问题,设计了联合全局描述子和图索引的高效影像检索方法,从而加速影像匹配。针对分块并行化SfM子场景合并存在同名点搜索效率低、内存消耗大、合并解算精度低的问题,设计了基于按需匹配图和双向重投影误差的子场景合并方法,实现无人机影像的并行化SfM重建。利用不同场景、不同采集方式获取的真实无人机影像进行试验,结果表明本文方法能够实现36~108倍加速比的匹配对检索,ISfM重建效率达到30倍加速,且相对定向和绝对定向精度与传统方法相当。

摘要：大量的自动或半自动道路提取方法如雨后春笋,但生成的产品通常缺乏导航属性信息,如路段的等级、限速等,制约“大路优先”“限速提醒”等智能导航服务。因此,本文以路段为分析单元,考虑上下游邻接路段强相关性,提出一种改进的路段等级、限速属性信息挖掘方法。首先进行轨迹、路网数据预处理,实现轨迹点与归属路段的连接。然后基于对数据和任务的认识进行多模态道路互补特征设计。最后顾及目标路段及其上下游邻接信息,利用随机森林开展面向路段的等级、限速信息分析。与单类特征相比,集成路网与轨迹特征之后提高了路段等级、限速分类准确率。与仅顾及目标路段进行路段等级、限速分类相比,顾及空间邻接信息进行路段等级、限速分类效果更好。

摘要：视频SAR可实现对重点区域持续观测并以视频方式呈现出来,其高帧率成像特性有利于对地面/海面机动目标的实时探测,视频SAR及其相关技术作为一种新颖的SAR观测模式成为近年的研究热点。从合成孔径原理出发,SAR载频越高,方位调频率绝对值越大,实现相同分辨率的合成孔径时间越短,越有利于视频的生成,因此通过合理的系统设计,Ka频段星载SAR具备视频工作的能力。然而星载SAR作用距离远,实现视频观测的几何模型、波位设计方案与机载SAR存在较大差异;此外,星载视频SAR幅宽较大,数据量和处理计算量需求巨大,如何快速实现数据处理是保证图像获取及后续应用时效性必须考虑的问题。本文基于珞珈二号(Luojia-2)SAR载荷和实测数据开展了相关研究,首先基于珞珈二号SAR卫星轨道以及平台能力设计了可实际应用的视频模式波位,其次基于时域成像算法提出了一种适合于星载视频SAR快速成像的流水线处理流程,最后基于珞珈二号实测数据完成了视频SAR成像处理。实测数据处理结果表明所提成像处理流程方法适合于星载视频SAR处理快速成像,可高效完成珞珈二号视频SAR实测数据处理。

摘要：异常事件检测是交通安全防控的重要支撑技术,也一直是信息科学领域的研究热点。提出了利用深度时空自编码网络与多示例学习进行船只异常事件检测的方法,针对目前无法为模型训练提供精确帧级别标注的问题,引入多示例学习模型,将视频作为包,并将视频片段作为包中的示例,通过网络自动学习一个深度异常排序模型,该模型能预测异常视频片段的分数。同时,在特征提取方面,提出了深度时空自编码网络,在空间自编码器中,为了获取更精确的红绿蓝特征,将解码器中的上采样层替换为像素重组层。在时间自编码器中,为了突出运动变化较大的区域,引入基于方差的注意力机制,使快速移动的物体有更大的运动损失,有利于检测出异常事件。还构建了一个新的大规模的船只视频数据集,包括100个真实场景的监控视频以及5类真实的异常事件,分别为海面逗留、非港口靠岸、非港口离岸、超速和越界。该数据集可用于模型的训练与测试。实验结果表明,相比传统的双流网络以及基于图像重构的检测方法,所提出的基于深度时空自编码网络与多示例学习的方法的异常事件检测精度由71.7%提升为82.4%,表明了其在船只异常事件检测上的有效性。

摘要：面对“低慢小”(Low Slow Small, LSS)无人机威胁挑战,反无人机雷达的关键作用日益凸显。在反无人机系统(Countering-Unmanned Aerial Systems, C-UAS)技术中,反无人机雷达作为C-UAS的核心传感器,承担着关键任务,包括探测和导引等。尽管其重要性显而易见,反无人机雷达设计仍然存在概念上的不清晰,例如如何定义LSS无人机目标,以及为何众多反无人机雷达难以探测无人机等问题。通过探讨雷达自动目标识别(Automatic Target Recognition, ATR)技术在反无人机雷达中的应用,从目标特性和探测技术2个方面明确了关键问题。强调了雷达探测的独立过程,将其分为“信号检测”和“目标识别”,并指出反无人机雷达的主要探测对象是LSS无人机目标。ATR性能等级被明确定义,涵盖了“Detection探测”“Classification分类”“Identification识别”“Description描述”4个等级。整合ATR功能显著提升了无人机的探测距离和识别能力,推动了反无人机雷达系统的性能升级。

摘要：地表形变危害巨大且深远,利用合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术监测地表形变虽已较为成熟,但是超大范围,甚至全国范围的地表形变快速提取仍充满挑战。为快速获取全国地表形变信息,设计了一种基于超算并行计算的广域地表形变快速提取优化方法,并对干涉集基线组合方法、广域相位解缠算法、大气效应改正方法等进行了改进和创新。基于该方法,采用10157景哨兵1号数据,研制了中国全境2021年度40m分辨率地表形变速率图,经验证形变速率精度为4.82mm/a,有效覆盖度为94.6%,图幅间无明显接边差异。同时对国内典型地表形变区域进行了分析。研究为广域地表形变常态化快速提取提供了参考。

摘要：路网几何融合是维护路网数据现势性的重要手段。目前,路网融合的相关研究侧重于对匹配算法、融合策略的改进与提升,多源路网数据融合的具体方案较少。本文结合全球测图项目的迫切需求,提出了一种基于匹配置信度的路网几何特征融合方法。通过多特征因子匹配方法识别同名路网实体,设计路网匹配置信度提取增量路网数据,利用路网接边修复融合路网。实际生产应用表明,文中提出的方法在较大程度上提升了原始路网的完整性及现势性。

摘要：现有的分布式空间数据管理系统侧重于对离散点集、点序列等类型数据的索引与查询,对线、面类对象的支持不足。针对该问题,基于开源HBase数据库,提出了一种面向矢量数据的自适应分布式管理方案(vector-oriented adaptive management scheme based on HBase,VA-HBase)。该方案先对点、线、面等矢量对象采用两级索引结构,主索引自适应剖分对象,寻找其合适存储层级,二级索引在全局粗粒度网格上记录覆盖对象的最小存储层级,然后设计最简字节流方法简化编码长度,优化存储空间,最后基于此设计了高效的范围查询算法。实验结果表明,所提出的VA-HBase方案能有效压缩各类矢量对象的存储空间,查询时能维持稳定的过滤性能,查询效率高于GeoMesa等对比方案约2~10倍,当数据集增大时,VA-HBase显示出良好的扩展性。