分段导向的剥离和渐变感知深度完成,用于基于LiDAR的增强人类活动识别

科学领域:

• 机器人和计算机视觉 机器人和计算机视觉
• 传感器数据处理 传感器数据处理
• 人与计算机的交互

背景情况:

• 3D-LiDAR传感器在人类活动识别 (HAR) 方面面临挑战,原因是隐蔽,噪音和稀疏的数据.
• 现有的方法通常需要难以获得的地面真相LiDAR数据集,主要用于自动驾驶.
• 需要针对HAR应用程序进行高效准确的LiDAR数据增强.

研究的目的:

• 开发一种新的方法来增强人类活动识别 (HAR) 的3D-LiDAR深度图像.
• 为了应对噪音,稀疏性和隐藏在哈尔的LiDAR数据中的挑战.
• 创建一种不依赖于地面真实性LiDAR数据集的方法.

主要方法:

• 基于U-Net的人类细分模型被用于删除背景噪音和无关数据.
• 使用渐变导向深度完成算法来插入缺失的深度值,从而保持结构完整性.
• RGB和深度数据经过校准,为细分模型创建了对齐的训练数据集.

主要成果:

• 细分模型实现了高准确性 (子分数:0.958在看到了,0.923在看不见的主题).
• 拟议的方法显著提高了LiDAR深度图像质量.
• 这种方法保持了计算效率,适合实时HAR.

结论:

• 这项工作介绍了第一个结合基于分段的无声化与基于LiDAR的HAR的渐变感知深度完成的方法.
• 该方法有效地增强了HAR的LiDAR深度数据,而不需要地面真实性的LiDAR数据集.
• 开发的技术为实时HAR应用提供了计算效率高的解决方案.