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：以基于位置的服务(Location-Based Service,LBS)为研究场景,针对常规地图表达兴趣点的局限,结合标签云的表达优势,设计了一种以用户地理位置为中心、面向兴趣点可视化的“LBS标签云”,并初步实现了一种基于标签径向移位的布局方法。LBS标签云的主要创新是将一个布局中心点引入常规标签云,并根据标签与中心点的空间关系来确定标签的摆放位置。本文设计的布局方法如下:首先,将LBS用户的地理位置作为布局中心点;然后,基于兴趣点名称生成文字标签,并根据兴趣点属性确定标签的字号、字色及其他视觉变量;最后,在极坐标下根据标签与中心点的关系计算标签的初始摆放位置及布局优先级,并按优先级将标签从初始摆放位置依次向外径向移位至与其他标签无压盖的位置。在标签移位过程中,着重考虑角度相邻关系以确保标签距离远近的顺序关系,利用四叉树剖分字形轮廓提高了标签碰撞检测的效率。实验以景点类兴趣点为例,探讨了LBS标签云在3个场景下的可用性及可扩展性。结果表明,相比常规地图,LBS标签云不仅可以展示更多的兴趣点,而且可以有效突出用户关注的信息,如兴趣点的热度、评分及通行时间等。虽然LBS标签云包含一定的距离变形,但多种视觉变量的协同有效缓解了距离变形导致的认知误差。综上,LBS标签云可完整、直观地表达兴趣点的空间分布、多维属性及其与用户位置的关系,是一种新型的、适宜用户高效认知周边环境的可视化形式。

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：针对车路协同应用场景中目标尺度与位置值域跨度大导致的位姿实时估计精度低、回归求解模型收敛慢的问题,提出了一种基于多分支架构的目标三维位姿实时估计方法。在目标二维检测算法模型架构基础上,设计位姿估计分支结构,用于输出目标姿态四元数、目标相对相机的三维空间位置及目标长宽高。在训练阶段,为位姿估计分支设计了相应的损失函数,采用向量单位化算子回归姿态四元数、对数重映射算法回归目标尺寸与目标到相机距离;在推理阶段,根据模型输出的四元数和目标到相机距离解算出目标三维位姿,实现精确的位姿估计。在OVRC数据集的位姿精度验证中,位置坐标误差的均方差最大为1.94 m,姿态角误差的均方差最大为3.98°;在Kitti数据集的相对精度测试实验中,相比PVNet方法,检测精度提升了3.22%,相比3DBB方法,推理效率提升一倍。

摘要：针对光学遥感影像经常受到云雾遮挡、干扰解译,使得数据利用率低的问题,该文利用SAR影像全天时全天候的特性,提出了一套“雷达-光学”的影像转换算法,以SAR影像为输入,利用对抗网络结合深度学习强大的非线性映射能力以及对抗学习博弈式学习任意数据分布的特点,实现通过云覆盖区域的SAR影像直接生成相应的无云伪可见光影像。实验表明,该方法对于薄云、厚云、大范围云雾的去除效果均比较好,能够在很大程度上提升光学遥感影像的可用性。

摘要：城市绿色空间是承载生物多样性的关键,以其为基础构建生境网络有助于整合破碎绿地斑块,促进物种交流与迁徙,为生物多样性保护提供基础。现有生境网络构建过程中存在依赖单一模型、忽略区域实际物种情况、网络构建的工作路径尚未统一、输出成果难以与上位规划衔接并在规划层面进行实践应用等问题。在明确生物多样性保护规划工作内容与目标的基础上,综合运用生境质量分析、地理探测器、最小累积阻力模型等模型方法,识别区域生境源地和廊道,并在考虑区域指示物种的基础上补充重要生境节点,构建面向生物多样性保护的生境网络,系统优化了“源地识别-廊道模拟-节点提取-网络构建”的网络构建方法;以对接国土空间规划下的绿地系统专项规划为目标,将生境网络构建结果通过红线比对、绿地分类匹配等途径,从空间管控角度提出保护措施,实现与绿地系统规划的有效衔接,构建统一规范的生物多样性保护规划工作路径,以通城县为例验证工作路径的可行性,优化面向生物多样性保护的生境网络构建方法,为县域绿地系统规划与生物多样性保护规划提供科学依据。

摘要：可解释的准确预测PM_(2.5)浓度变化可以有助于人类规避暴露风险,对人类健康风险评估和政策实施具有重要意义。目前已有PM_(2.5)浓度预测模型过多专注于提升模型预测精度,但忽略了模型的可解释性,造成模型可复用性和可信任度较差。鉴于此,本文提出了一种兼顾模型预测精度与模型可解释性的注意力时空常微分方程模型(Attentional SpatioTemporal Ordinary Differential Equation,ASTODE)用于PM_(2.5)浓度预测任务。具体而言,本文将神经常微分方程集成至PM_(2.5)浓度预测任务中,以提升预测模型的可解释性。此外,针对传统神经常微分方程难以挖掘PM_(2.5)浓度数据中空间依赖关系的挑战,本文提出了一种新颖时空导数网络将传统神经常微分方程扩展到了时空常微分方程。针对传统神经常微分方程难以挖掘PM_(2.5)浓度数据中长期依赖关系的挑战,本文设计了一种时空注意力机制去融合多个时间节点的隐藏状态。本文采用真实的PM_(2.5)浓度数据集对提出的ASTODE模型进行了验证。实验结果表明,ASTODE模型不仅在预测精度上优于或逼近于存在的6个基线方法,并且在可视化的视角下具有良好的可解释性。

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：相机自检校直接决定无人机影像空三的精度。沿输电线路走廊采集的长航带结构无人机影像是一种典型的退化配置,对其自检校容易出现“碗状”效应。为解决该问题,传统方法往往依赖较多控制点,而提出的自检校方法仅需一个控制点。首先研究经典物理模型和最新的数学模型;然后在增量式SfM(structure from motion)框架下,设计了一种联合无人机影像相机检校参数初始化和高精度差分全球导航卫星系统(global navigation satellite system,GNSS)位置信息辅助的相机自检校方法。利用两个实验区域不同采集模式下的4组无人机电力走廊影像进行无控制约束以及单个控制点约束的相机自检校实验。结果表明,提出的相机自检校策略在无控制点约束时,可以有效缓解长航带结构空三的“碗状”效应,减轻模型的弯曲程度,提高自检校空三的绝对精度;单个控制点约束自检校时,水平和高程精度均优于0.06 m。与当前主流开源和商业软件对比,该算法能够得到相当或更高精度。