现有的高精度目标检测算法依赖于超深的主干网络(如ResNet和Inception),无法满足实时目标检测场景的需要,相反采用轻量级主干网络(如VGG-16和MobileNet)能达到实时目标检测的目的,但会导致检测精度的损失,对小目标的检测效果变差。SSD(Single Shot Multi-Box Detector)算法具有高精度、实时检测的特点。本文以SSD算法的网络结构为基础,通过添加感受野模块增强轻量级主干网络的特征提取能力,同时引入特征融合模块,充分利用深层网络提取语义信息,达到实时目标检测的目的,同时提高算法整体的检测精度和对小目标的检测能力。为进一步验证引入新模块的有效性,本文算法模型在PASCAL VOC2007数据集上进行测试,准确率达到80.5%,相比于原始SSD算法有3.3个百分点的提升,检测速度达到75 frame/s,整体性能优于目前大多数目标检测算法。

机器视觉 机器人 智能抓取

机器视觉算法与应用 双语版 杨少荣等译 由于整本书文件太大，分成了两部分

详细描述视觉引导机器人进行物体抓取位置纠偏等经典应用的标定方法、原理、使用流程,在VisionPro视觉工具下的实现方式

ETH Pedestrian dataset 是一个包含行人的视频数据，可用以进行行人检测和识别等机器视觉任务。

Haclon中函数的中文注释解析，还有些应用例子，是快速掌握Haclon算子开发的很好的资源。文档内容清晰，布局合理，可以较为系统的掌握各算子的应用。

halcon算子中文详细介绍

现在的halcon中文资料几乎为0，传一下我学习过程中做的一些笔记，希望对大家有用

提出了一种基于模糊粗糙集的非结构化路径识别与机器人引导方法。通过自适应面阵列电荷耦合传感器的图像清晰度控制方法，获取了最佳信息量图像。构建了模糊粗糙集的非结构化路径识别模型，借助粗糙集理论预定义图像目标、背景和不确定区域，融合相对模糊连接度竞争机制对不确定区域的像素进行了模糊重分类，精确描绘了机器人的导航路径。该模型可实现未知非结构化路径区域的自动识别，亦可引入灰度先验特征识别指定路径区域。结果表明，该方法对提高机器人在非结构化环境中的自主探索能力具有实际意义。

提出了一种基于余弦相似度的点云配准(PCR-CS)算法,该算法主要解决点云刚性配准问题,即找到点云配准的旋转矩阵R和平移矩阵T,从而实现原始点云P到目标点云Q的配准。先对两个待配准点云进行去中心化处理,再进行点云余弦相似度的研究,将两个待配准的三维点云分别投影到XY平面上,对XY平面上的点云进行栅格化处理,统计栅格上的数据点从而形成统计矩阵SP和SQ,采用差分进化算法,以两点云余弦相似度为条件,寻求最优R,从而实现点云配准,最后,利用中心点计算T。实验结果表明,与其他算法相比,该算法具有较高的配准精度,即使在点云数据伴随有噪声和数据缺失的情况下,也都能达到良好的配准效果。