基于图像的点云初始配准

针对地面激光点云的分辨率不同等问题,提出一种不借助额外装置,把二维图像与三维点云相结合的初始配准方法。把不同分辨率点云均匀滤波,根据深度值把三维点云转化为二维灰度图,利用SURF算法提取图像的特征匹配点对;根据映射关系找到三维特征匹配点,利用单位四元数法求出变换矩阵完成点云初始配准。实验结果表明,该算法对于地面激光数据的配准,无论从配准的精度上还是时间上均有很大提高。     

基于遗传算法的点云数据配准

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。为此,提出一种基于遗传算法的线扫描点云数据配准方法。曲面线扫描点云数据同一表面的拓扑结构在不同视图下曲率变化趋势相同,根据该性质,利用遗传算法识别两点云数据集的重叠区域,并求解子集的坐标变换矩阵,完成配准。实验结果表明,与ICP算法相比,该方法的运行速度较快,且配准精度较高。     

基于特征点和改进ICP的三维点云数据配准算法

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。最近点迭代(ICP)算法是三维激光扫描数据处理中点云数据配准的一种经典的数学方法,为了获得更好的配准结果,在ICP算法的基础之上,提出了结合基于特征点的等曲率预配准方法和邻近搜索ICP改进算法的精细配准,自动进行点云数据配准的算法,经对牙齿点云模型实验发现,点云数据量越大,算法的配准速度优势越明显,采用ICP算法的运行时间(194.58 s)远大于本算法的运行时间(89.13 s)。应用实例表明:该算法具有速度快、精度高的特点,算法效果良好。     

输电线路螺栓检测的激光点云数据自动化配准研究

输电线路螺栓较小,检测难度较高,易导致螺栓漏检、错误检测,增加故障和安全事故风险。因此,提出一种面向输电线路螺栓检测的激光点云数据自动化配准方法。建立激光点云数据均匀化空间,通过约束格网范围均匀点云数据特征量,完成抽稀化处理;在点云数据集中选取任意目标点,通过调节空间域和频率域高斯核函数大小均衡云数据噪声数值;使用k-means聚类算法对点云数据进行分类;根据点云数据的三维空间坐标,计算目标配准点与源点在不同方向上的坐标值,通过坐标对比完成自动化配准。实验结果表明,所提方法在不同高度、不同距离以及不同方向上的配准准确性较高,且RMSE指标数值最大值为0.3,表明配准值与真实值拟合程度较高,具有较高的配准精准度。     

ICP算法在文物三维重建中的应用

三维结构光扫描技术作为一种新型的三维数据获取技术,被广泛应用于文物的三维重建中。目前,这项技术在数据获取方面有很多优势,但是在点云数据配准方面还有一些需要优化的地方,特别是在处理大量点数据,为保证配准结果的精确性,就需要对点云数据的配准算法就行优化。利用手持式三维结构光扫描仪获取文物三维数据,在Artec studio9软件中将原始三维数据以ply格式导出为原始点云数据,然后基于Matlab软件对ICP算法通过编程优化,将原始点云数据再通过优化后的ICP算法进行配准,得到文物三维模型的构建数据。实验分析表明,优化后的ICP配准算法不但能提升配准精确度,而且可以保证配准方向的合理性,使得配准得到更佳的展示效果。     

多视角下的改进ICP算法

在逆向工程中,为处理庞大的三维点云数据,重建物体的表面,提出一种基于多视角的改进ICP算法。通过采集多视角下的点云数据,利用Delaunay三角剖分以及深度值信息对相邻两组点云的重合部分进行提取,根据三角面片重心与待测物体重心之间的距离将获得的点云数据进行分类配准,计算最优的旋转矩阵与平移向量,提高ICP算法的效率。实验结果表明,该算法能够提高配准精度,缩短配准时间,具有良好的稳定性。     

基于邻域几何特征约束的植株三维形态配准方法研究

为提高不同角度多次测量得到的植株点云配准速度和精度,提出一种基于植株点云邻域几何特征约束改进的三维形态配准方法。首先,针对点云量大并缺少拓扑信息,选取关键点集并估计其中每个点的支撑邻域来拟合出支撑曲面,进一步计算出邻域几何特征。其次,采用特征相似度的方法实现点云的初始配准。最后,在初始配准的基础上,加入两个新的夹角几何特征约束匹配点对改进ICP算法进行配准优化。利用bunny、兵马俑模型点云对算法的精度和通用性进行测试,并在实际应用中验证了配准效果和算法鲁棒性。结果表明,与传统的特征配准方法相比,该方法配准速度提高约10%以上,精确配准误差约为传统算法误差的1%。     

3D人耳点云配准的并行Softassign算法

提出了一种新的人耳点云并行Softassign配准算法.在基于CUDA对Softassign算法进行并行加速的基础上,利用三维点云离散曲率估计和三维空间kd-tree相结合的方法,对三维人耳点云进行点云简化,使简化后人耳点云能够保留足够的几何特征,然后对简化人耳点云进行Softassign配准,提高Softassign算法在人耳点云配准中的配准精度,从而避免了局部配准等缺陷,并在实际应用中验证了算法效率和精度.     

利用Kinect深度信息的三维点云配准方法研究

针对三维重建中的点云配准问题,提出一种基于点云特征的自动配准算法。利用微软Kinect传感器采集物体的多视角深度图像,提取目标区域并转化为三维点云。对点云进行滤波并估计快速点特征直方图特征,结合双向快速近似最近邻搜索算法得到初始对应点集,并使用随机采样一致性算法确定最终对应点集。根据奇异值分解法求出点云的变换矩阵初始值,在初始配准的基础上运用迭代最近点算法做精细配准。实验结果表明,该配准方法既保证了三维点云的配准质量,又降低了计算复杂度,具有较高的可操作性和鲁棒性。     

大型工件部分点云与整体点云的配准方法

部分点云与整体点云的高效、高精度配准是完成大型工件尺寸快速评价工作的基础,但由于部分点云和整体点云全局特征的差异性,使用现有的局部特征描述符进行点对匹配搜索计算量大,点云配准耗时长.为此,针对部分点云与全局点云的几何特征,提出一种基于区域均值特征描述符的部分点云与整体点云配准方法.首先提出一种区域均值特征描述符,能够有效地描述点云中关键点的邻域几何特征;然后通过评价点云区域均值特征描述符的特征度选择数据点作为待配准关键点,搜索与之匹配的描述符,完成部分点云与整体点云的关键点匹配;最后使用奇异值分解法计算点云之间的转换矩阵,基于迭代最近点算法完成部分点云与整体点云的配准.利用斯坦福公共数据库点云集和大型发动机舱段的三维扫描点云数据,对配准算法的配准准确度和配准速度进行实验的结果表明,与现有的几种基于局部特征描述符(PFH,HoPPF,PPFH,FPFH)的点云配准方法相比,所提方法配准准确度平均提高56.75%,配准速度平均提高45.57%,验证了该方法的有效性.     

面向对象的城市建筑物点云数据加载和组织

采用面向对象程序设计方法对三维点云数据进行分析,研究以Visual C++6.0为开发平台利用图像法对激光扫描获取的城市建筑物点云数据进行组织的计算机实现方法。通过扫描关系确定点云数据中有效目标点的全局唯一索引值,将点云数据看作一幅深度图像,确定全局索引值对应的图像行列值,再利用该行列值计算每个点对应的法向量,分类和组织点云数据。实验结果表明,利用面向对象的图像处理技术可以方便、快捷地实现三维点云数据的加载和组织。     

基于移动最小二乘曲面的点云拼接算法

针对现有点云拼接方法受被测零件复杂外形和测量噪声影响的问题,提出基于移动最小二乘( Moving Least-Squares,MLS)曲面的点云拼接算法.该算法利用一种极值投影方法来有效计算点到MLS曲面的对应点,并结合迭代最近点(Iterative Closest Point,ICP)算法将各个视角的点云统一到该ML...     

相似性维数在点云中的应用

3D点云配准、分割、识别等任务中都需要获取形状属性,传统的形状属性对尺度变化敏感且计算复杂,表达的几何意义简单。结合分形几何中相似性维数的概念,给出了一种可作为点云模型形状属性的维数定义。首先,求取模型中每个点的k邻域得到一个点集,计算其外接球半径;其次,计算由该点集组成的体积与面积信息,并通过缩放处理解决尺度敏感的问题;最后,利用相似性维数表达式计算点云模型中每个点的维数值,使用该值来表示点云模型的形状属性。实验结果表明,相似性维数具有表达形状的能力,并且能够清晰地表达模型的全局特征。     

基于激光传感器的稻种轮廓形状测量方法研究

稻种轮廓形状测量是稻种基于形状特征识别的前提条件.以激光传感器采集到的稻种表面点云为基础,提出了一种基于主平面剖视图投影的稻种轮廓形状测量方法.通过主成份分析法校正点云模型的坐标系,利用主平面投影法获取稻种的六视图投影模型,应用Alpha Shape算法提取投影点云模型的边缘轮廓,并计算稻种投影模型的周长、面积、长、宽、长宽比、最大半径、最小半径、半径比、圆形度等9个形状特征参数.选取大华香糯、豫粳6号、新稻10号3大类,每种各200粒稻种作为试验样品,采用径向基函数(RBF)神经网络模型对提取到的形状特征进行训练识别,识别率分别达到96%,94%,98%.结果表明:基于激光传感器的稻种轮廓形状测量方法能够较好地适用到稻种识别中.     

基于点云数据的复杂建筑体真三维建模与应用

传统建筑物三维建模方法费时费力、精度低、采用接触式测量,且仅能获得建筑物少量特征点及线状数据。与传统测量方法相比,地面三维激光扫描技术(Terrestrial Laser Scanner,TLS)方法可快速、高效、非接触式地获取建筑物表面高精度三维信息,因此其较传统建筑物三维建模方法优势显著。以古田会议旧址为研究对象,首先介绍了研究目标的主要特征以及点云数据采集方案;其次以高复杂度建筑物建模为需求出发,详细阐述了点云数据预处理及建筑物三维模型重建相关核心技术及方法;并重点讨论了与其相关的点云数据配准拼接、去噪简化、二维轮廓线提取、三维实体重建;最后实现古田会议旧址高复杂度三维几何模型重现,并采用先进的3D打印技术按1∶40比例尺制作3D打印点云数据的微缩模型。通过与实地测量数据对比分析得知,采用地面三维激光测量方法采集点云数据的建筑物建模精度优于传统测量方法。此研究成果可应用于古田会议旧址等文化遗产的文物修复、变形监测、虚拟重现等方面。     

基于激光点云数据的客家土楼三维建模

传统测量方法难以获得完整准确的几何信息,且在测量过程中对文化遗产的频繁接触也存在造成文化遗产损害的隐患。利用地面激光扫描技术开展了客家土楼真实感、精细化三维建模的应用研究。首先,在现场点云数据采集的基础上提出了基于点云数据的客家土楼三维高精度重建的具体过程;其次,对点云数据处理和三维实体重建两个核心步骤,重点对点云数据的配准拼接、去噪简化和分站处理、构件轮廓线提取、三维几何建模和纹理贴图等步骤进行了详细论述。另外,对建模过程中纹理优化处理这一难点进行分析探讨,给出具体解决途径。应用结果表明:三维激光扫描技术适用于具有高复杂度几何特征的客家土楼精确化、真实感建模,为客家土楼建筑文化遗产未来的开发与保护过程的损害情况监测、恢复重建和虚拟展示等提供了高精度的数据基础。目前,技术方法已应用于世界遗产地—福建客家土楼的数字化旅游信息服务中,成效明显。     

A one‐dimensional homologically persistent skeleton of an unstructured point cloud in any metric space

Real data are often given as a noisy unstructured point cloud, which is hard to visualize. The important problem is to represent topological structures hidden in a cloud by using skeletons with cycles. All past skeletonization methods require extra parameters such as a scale or a noise bound. We define a homologically persistent skeleton, which depends only on a cloud of points and contains optimal subgraphs representing 1‐dimensional cycles in the cloud across all scales. The full skeleton is a universal structure encoding topological persistence of cycles directly on the cloud. Hence a 1‐dimensional shape of a cloud can be now easily predicted by visualizing our skeleton instead of guessing a scale for the original unstructured cloud. We derive more subgraphs to reconstruct provably close approximations to an unknown graph given only by a noisy sample in any metric space. For a cloud of n points in the plane, the full skeleton and all its important subgraphs can be computed in time O(n log n).     

嵌入Transformer结构的多尺度点云补全

目的 当前点云补全的深度学习算法多采用自编码器结构,然而编码器端常用的多层感知器（multilayer perceptron,MLP）网络往往只聚焦于点云整体形状,很难对物体的细节特征进行有效提取,使点云残缺结构的补全效果不佳。因此需要一种准确的点云局部特征提取算法,用于点云补全任务。方法 为解决该问题,本文提出了嵌入注意力模块的多尺度点云补全算法。网络整体采用编码器—解码器结构,通过编码器端的特征嵌入层和Transformer层提取并融合3种不同分辨率的残缺点云特征信息,将其输入到全连接网络的解码器中,输出逐级补全的缺失点云。最后在解码器端添加注意力鉴别器,借鉴生成对抗网络（generative adversarial networks,GAN）的思想,优化网络补全性能。结果 采用倒角距离（Chamfer distance,CD）作为评价标准,本文算法在2个数据集上与相关的4种方法进行了实验比较,在ShapeNet数据集上,相比于性能第2的PF-Net （point fractal network）模型,本文算法的类别平均CD值降低了3.73%;在ModelNet10数据集上,相比于PF-Net模型,本文算法的类别平均CD值降低了12.75%。不同算法的可视化补全效果图,验证了本文算法具有更精准的细节结构补全能力和面对类别中特殊样本的强泛化能力。结论 本文所提出的基于Transformer结构的多尺度点云补全算法,更好地提取了残缺点云的局部特征信息,使得点云补全的结果更加准确。     

学习点云邻域信息的三维物体形状补全

在现实世界中,点云数据的采集方式有激光雷达、双目相机和深度相机,但是在机器人采集过程中由于设备分辨率、周围环境等因素的影响,收集到的点云数据通常是非完整的。为了解决物体形状缺失的问题,提出了一种使用局部邻域信息的三维物体形状自动补全的网络架构。该架构包括点云特征提取网络模块和点云生成网络模块,输入为缺失的点云形状,输出为缺失部分的点云形状,将输入与输出点云形状进行合并完成物体的形状补全。采用倒角距离和测地距离进行评估,实验结果表明,在ShapeNet数据集上,平均倒角距离和平均测地距离均小于多层感知机特征提取网络与PCN网络的值,两值分别为0.000 84和0.028。对于现实中扫描的点云数据进行补全处理也达到了预期效果,说明该网络有较强的泛化性,可以修复不同类别的物体。