利用稀疏点云生成与自动目标检测的高效省时水深测绘系统
计算机视觉与模式识别
2022-10-20 v1 机器人学
图像与视频处理
摘要
从含噪声的声纳测量中生成 3D 点云（PC）数据是一个在水深测绘、人工目标检测、水生动植物测绘以及潜艇等水下航行体导航与定位中具有潜在应用价值的问题。侧扫声纳传感器具有低廉的成本，尤其是在探鱼仪中，其换能器通常安装在船底，能够接近比安装在无人水下航行体（UUV）上的换能器更浅的水深。然而，由于侧扫声纳图像的信噪比低且缺失角度和深度信息，从中提取 3D 信息是一项困难的任务。由于大多数从侧扫声纳图像生成 3D 点云的算法使用从阴影恢复形状（SFS）技术，当海底光滑、深度变化缓慢或没有产生声学阴影的可识别目标时，提取 3D 信息尤为困难。本文引入了一种高效的算法，从侧扫声纳图像生成稀疏 3D 点云。该计算通过利用首次声纳返回的几何结构，结合 GPS 提供的已知位置以及每个数据点的下扫声纳深度测量，以计算高效的方式完成。此外，本文实现了另一种算法，使用基于迁移学习的卷积神经网络（CNN）对现实采集和模拟生成的侧扫声纳图像进行目标检测。该算法在真实和合成图像上均进行了测试，展示了合理准确的异常检测与分类能力。
引用
@article{arxiv.2210.10263,
title = {Time and Cost-Efficient Bathymetric Mapping System using Sparse Point Cloud Generation and Automatic Object Detection},
author = {Andres Pulido and Ruoyao Qin and Antonio Diaz and Andrew Ortega and Peter Ifju and Jaejeong Shin},
journal= {arXiv preprint arXiv:2210.10263},
year = {2022}
}
备注
Submitted to OCEANS 2022