赵 浩，李盼盼

(福建农林大学 金山学院，福州 350002)

红外范围内的物体检测是行人检测、人脸识别和自动驾驶等应用的常规解决方法。但由于图像对比度较低以及特征点缺失，利用红外图像进行3D对象姿态估计和模型重构仍然具有较大难度。尽管存在这些缺点，但是热像仪依旧对3D对象重建和姿势估计有较大实用价值。首先，红外热图像对于退化的视觉环境(如灰尘、雾气和弱光条件)具有较好的抗干扰能力；其次，红外摄像机用于3D重建在红外范围内可以构建出物体独特的纹理。但是，对于训练基于深度学习的目标识别算法还需要更丰富、多视图、多光谱的图像数据集。3D对象重建的典型应用包括运动结构(SFM)，同时定位和映射(SLAM)，半全局匹配(SGM)，基于轮廓的3D重建[1]等。如运动结构SFM需要使用关键点描述符进行稀疏图像匹配，以对每个图像进行初步定位。虽然常用的关键信息数据融合方案无法获得特征信息，但SFM为生成具有热纹理的数字特征提供了便捷的方案。用热像仪进行场景重建的另一种经典方案是LSDSLAM算法。近年来，基于深度学习方法的特征匹配新方法表现出了优异的性能。由于深度匹配的图像Patch数量很多，因此无法使用深度神经网络进行图像分类直接解决Patch匹配问题，提出了使用卷积自动编码器(CAE)来克服这个问题，该论文在无监督学习方法下训练CAE，以将图像Patch压缩为低维数据并从该数据中恢复原始图像。如果达到了良好的恢复质量，则CAE已学会从原始图像中提取信息量较为丰富的信息。……