Vol.189

Abstract

翻了翻这一卷里的文章，深度学习、神经网络的相关内容还是占主要部分，人工智能果然是发展潮流啊。

文章一¶

Robust point clouds registration with point-to-point \(l_p\) distance constraints in large-scale metrology

基于点到点 \(l_p\) 范数约束的稳健点云大尺度配准方法

文章指出，纹理缺乏的，且存在噪声的三维点集的大尺度配准是一个困难的问题。现有使用的SICP算法应用 \(l_p\) 范数减少离群点在配准过程中的影响。但是，这种方法在无特征的点云中容易陷入局部最小值。大面积平坦地区缺乏约束，无法抑制滑动，且变换矩阵秩低。因而文章提出使用点到点 \(l_p\) 范数约束来限制大面积平坦区域的滑动，并定义了一种 weighted enhanced \(l_p\) distance (WELD)，以脱离局部最小。

Large-scale metrology (LSM) 融合了多种测量技术，并在多种领域有广泛的应用。由于大尺度的要求，为了扩大测量范围提高效率，应当使用多传感器采集数据，因而不同坐标系中的点云配准就是很基本的环节。在高铁车厢表面和风力发电机叶片这种大面积平坦区域往往缺乏特征，且要保证足够的同名点，这会使得配准过程陷入局部最小。

LSM 中使用的配准方法可以分为三种：

使用外部传感器以跟踪测量设备。如激光跟踪器、光学跟踪系统、室内GPS。
使用固定地标的物理参考坐标，采用光束法平差。
多视角配准。不需要外部跟踪设备或是地标。变换矩阵可以通过由粗到精的方式获得

使用鲁棒的函数进行配准对解决离群点很有用，它通常包括两步：

定义起始点云与目标点云之间的距离函数
定义一个鲁棒的函数减少离群点的影响

文章二¶

Improvements in GPR-SAR imaging focusing and detection capabilities of UAV-mounted GPR systems

针对无人机载 GPR-SAR 的成像聚焦和探测能力的 GPR-SAR 改进

通过空基地面穿透雷达（GPR）系统安全快速地侦测地表掩埋的如地雷和简易爆炸装置等威胁，这方面的研究热度在不断提高。与金属探测仪或者磁力仪其他这些装置相比，GPR 能够探测金属乃至非金属目标。此外，超宽频带（UWB）射频硬件可以获取地表以下的高分辨率影像，从而提高检测能力。

空基的 GPR 系统会被若干不确定因素影响，这些因素都需要表征和纠正。本文主要集中在以下三点：

GPR-合成孔径雷达（GPR-SAR）影像的高度信息的影响，决定了传感器提供影像的质量
由于无人机上 UWB 天线的微小倾斜，影像目标在沿轨方向上存在畸变，需要配准纠正。
修改特征值分解（SVD）滤波技术，评价了分类不同特征影像的标准。

在空基 GPR 系统的验证过程中，采用了多种测量方法对这些因素进行分析，并对提出的纠正方法进行验证。出于这一目的，选择了具有不同土壤特性的验证场景。具有不同形状大小的金属或非金属目标被埋入这些土壤中。在第一个场景下（湿润肥沃的泥土），检测能力从 50%（10 个中检测出了5 个）提升至 80% 。在第二个场景下（肥沃但不如第一个湿润的泥土），经过相应改进获取的影像，不仅到达了 100% 的检测率，还能清楚地获取目标的成像。

土壤的粗糙度会影响 GPR 系统的检测能力。无人机在往返飞行时，存在180度的旋弯，会对 GPR 产生影响。两组方向得到的结果是不同的，需要进行配准，并将后向的结果，配准到前向的结果上。