改进贪婪投影三角化算法的激光点云快速三维重建

通过三维激光扫描仪获取的点云数据具有密度大、精度高等特点。本文针对贪婪投影三角化算法在对采集的大量点云数据进行三维重建时耗时长,重构的模型表面不够光滑,存在细小孔洞的问题,提出一种改进的点云三维重建算法。该方法首先用体像素网格滤波算法对点云进行下采样;然后使用移动最小二乘算法对输入的点云进行平滑及重采样,并且使用八叉树来代替KD树进行近邻域搜索;最后使用基于移动最小二乘算法的点云法线估计的贪婪投影三角化算法对点云进行重建。经过实验验证,该方法可以缩短重建时间,减少孔洞,并构建出平滑、点云拓扑结构更为准确的模型。     

一种新的点云拼接算法

迭代最近点(ICP)算法广泛运用于三维点云数据的多视拼接,其精度和迭代收敛性严重依赖于待拼接数据的初始拼接位置,这就决定ICP只能是一个性能优越的精确拼接算法。粗拼接算法旨在为ICP提供一个良好的初始拼接位置。基于信息论中熵的概念,分析了点云的空间分布规律与所处位置的关系,在此基础上提出了一种新的粗拼接算法—迭代最小空间分布熵法。实验表明,该算法有效可行,可以提供很好的初始拼接位置,在误差允许范围内,该算法可以直接实现点云拼接。     

基于Kinect传感器的三维点云配准优化

针对目前三维点云配准中传统ICP(Iterative Closest Point)算法存在的速度慢、精度低的问题。采用微软Kinect2.0深度传感器从真实的场景中获取目标物体的点云数据,通过点云分割、滤波、下采样等预处理工作,确保点云配准质量。在点云的粗配准中,使用特征点采样一致性算法,使点云获得更好的初始位置,为精配准创造了良好的初始条件。在点云的精配准中,提出一种利用线性最小二乘法优化的点到面ICP算法。实验结果表明,改进后算法的均方根误差为0.788 mm,时间为56.31 ms。与基于尺度不变特征变换的ICP算法和特征点采样一致性改进ICP算法相比,改进后的算法配准精度分别提高了30.9%和33.6%,速度提高了18.9%和32.1%。     

基于移动最小二乘法的点云数据孔洞修补算法

由于受到多种因素的综合作用,点云数据不完整,曲面上出现了一些孔洞,为了提高点云数据的孔洞修补精度,解决目前一些方法的局限性,提出基于移动最小二乘法的点云数据孔洞修补算法。首先对当前点云数据孔洞修补研究现状进行分析,并得到点云数据曲面上的孔洞数据,采用移动最小二乘法对点云数据孔洞进行修补,最后通过具体应用实例对其可行性进行测试。结果表明该方法可以对点云数据孔洞进行有效修补,能够获得比较理想的点云数据曲面重建效果。     

基于加权总体最小二乘法的点云平面拟合

为了提高点云数据平面拟合精度,提出强度加权总体最小二乘法。该方法是在传统加权总体最小二乘法基础上,利用点云数据中各点强度信息确定其平面拟合权重,通过均质性不同的3种平面样本数据对该方法的适用性进行了研究。结果表明,与最小二乘法和总体最小二乘方法相比,该方法对于均质性较好的点云数据有效,可以得到更高精度的参量解;而对于均质性较差的点云数据,该方法效果不理想,总体最小二乘法是最有效方法。     

基于单位四元数法的激光点云拼接算法研究

在实际生产应用中经常需要对激光器多次测量所得点云进行点云拼接,为解决激光点云的精确拼接问题,提出了一种基于单位四元数的点云拼接算法,通过计算点云重心点所在曲面的曲率特征点,经过多次迭代寻找最近点,求出点云平移与旋转矩阵的最优解,进而完成点云的自动精确拼接。     

基于IPLS的记忆功放数字预失真技术

针对现有方法普遍存在的预失真算法效率低、难以有效抑制记忆功放的互调失真等缺点,在传统预失真技术的基础上,提出了一种基于内点最小二乘(IPLS,Interior Point Least Squares)法的数字预失真技术。该方法利用内点最小二乘思想来解决预失真问题,避免了传统RLS算法中对其自相关矩阵的求逆运算,提高了数值的稳定性,降低了运算的复杂度,有效提高了运算的收敛速度和收敛精度。计算机仿真分析表明,该算法对互调失真的抑制有着非常好的效果。     

基于数据挖掘技术的云环境服务分类算法

为了提高Web服务的分类效果,提出了一种基于数据挖掘技术的云环境Web服务分类算法.首先提取服务特征向量,并进行相应预处理得到服务特征向量集,然后采用最小二乘支持向量机训练特征向量集,并采用萤火虫算法优化最小二乘支持向量机参数,建立最优的服务分类模型,最后采用标准数据进行仿真实验,对本文算法性能进行测试.仿真实验结果表明,相对于其它Web服务分类算法,本文算法不仅提高了Web服务分类的精度,而且提高了Web服务分类效率.     

一种改进的ICP激光点云精确配准方法

传统迭代最近点(Iterative Closest Point,ICP)算法在进行点云配准时,若点云初始位置相差较大时,容易陷入局部最优,同时,该算法无法解决部分重叠的点云的配准问题。鉴于此,提出了一种改进的ICP激光点云精确配准方法。首先通过对两片点云的主成分分析并矫正主轴方向以完成初始配准,获得一个较好的初始位置。然后利用2次搜索最近距离来获取各点的概率值,并将其嵌入到最小二乘函数中来改进ICP算法,以达到对部分重叠的点云进行配准的目的。实验结果表明,在不同重叠度的数据下,提出的方法的配准误差分别为0.307 8 mm、0.287 2 mm;运行时间仅为4.4 s、4.2 s。该方法可以对初始位置相差较大且具有部分重叠的点云进行精确配准,同时提高运行效率并对噪声具有相应的鲁棒性。     

自适应精简点云改进预处理优化三维重建算法

针对初始点云离群点噪声大、冗余性高导致三维重建效率低、重建曲面表面粗糙等问题，提出一种自适应精简点云改进预处理算法。首先使用统计滤波消除离群点噪声，并在基于体素重心邻近特征点下采样中引入双曲正切函数，在保持点云特征不变的情况下精简点云数据；然后建立移动最小二乘法拟合函数，确定其二次基函数和高斯权函数，完成点云数据平滑优化；最后使用投影三角化算法完成点云曲面重建。实验结果表明，所提算法在有效去除离群点的同时，还能精简点云数据、提升曲面重建效率，且重建后的模型表面光滑、孔洞减少。     

一种动态特征匹配的部分重叠点云配准方法

点云配准方法能够有效地完成对不同重叠率、不同规模点云间的配准,可确保三维重建模型的精度。针对该问题,提出一种动态特征匹配的部分重叠点云配准方法,首先基于欧氏距离分割法将点云分割为子点云;然后提取子点云特征,考虑到不同点云的规模不同,提取的特征规模也是不同的,提出利用动态时间规整算法(DTW)完成子点云间的映射;最后利用迭代配准算法求取拼接点云间的平移、旋转矩阵,利用该矩阵完成点云间的配准和拼接。实验结果表明,提出的方法能够有效地解决部分重叠点云和不同规模点云的配准问题。     

基于Frobenius范数奇异值分解的快速ICP算法

迭代最近点法(ICP)及其变体是三维点云刚性配准的典型方法,但此类通过迭代计算逐点距离矩阵实现点云配准的方式,严重制约了点云的配准效率。本文提出一种快速ICP算法,利用Frobenius范数表示待配准的两幅点云之间的误差函数,获得误差值最小点位置,并对此位置进行奇异值分解,从而得到旋转矩阵和平移向量,极大压缩了迭代次数和配准时间。在Standford数据集和3DMatch数据集上进行试验,与传统ICP算法及其变体、3种基于学习的点云配准算法进行对比,本文方法配准效率最优;在达到相近的配准精确度时,提出的快速ICP方法的迭代次数仅为传统ICP算法的0.2倍,在Standford数据集上配准所需时间为传统ICP算法的1/4,在3D Match数据集上配准所需时间为传统ICP算法的1/8倍。本文提出的快速ICP算法在数据量大的点云场景下,具有更高的效率。     

Coarse registration of point clouds with low overlap rate on feature regions

In order to solve the problems of long time consuming and easy failure of the existing coarse registration algorithms based on global registration on two 3D point clouds with low overlap rate, we proposed a coarse registration algorithm based on feature regions and the Super 4-Points Congruent Sets (SUPER4PCS) algorithm. Firstly, intrinsic shape signatures (ISS) algorithm was used to extract and describe the features of the down-sampled point clouds. Secondly, the feature point clouds were divided into regions and the initial overlapped sub-regions were extracted. Thirdly, the complete overlapping regions were grown from the overlapped sub-regions and gradually recovered. Finally, the SUPER4PCS was used for registration on the complete overlapping regions. The experimental results showed that the geometric accuracy, registration success rate, and robustness of the proposed algorithm were better than that of SUPER4PCS and its improved algorithms, and the time consumption was one order of magnitude lower than that of SUPER4PCS on point clouds with low overlap rate.     

基于目标结构和运动的船舶激光点云配准算法北大核心CSCD

由于在野外环境下船舶结构特点及激光雷达测量视野限制,所获取的点云图像存在特征匹配错位和缺失现象,导致经典的配准算法精度较低。在分析点云结构特点和目标运动轨迹的基础上,提出一种基于目标结构和运动轨迹的配准算法。在对待配准点云进行预处理后,通过结构特征的引入解决了迭代最近点法(Iterative Closest Point,ICP)算法特征匹配错位陷入局部最优解的问题;在此基础上利用得出的主体变换矩阵求解出目标的运动轨迹,并根据运动轨迹对缺乏有效特征的点云进行配准同时校准主体点云。实验结果表明,以米为点云坐标单位,相比于ICP和4PCS+ICP方法,所提出方法在船舶点云配准上的均方误差(Mean Square Error,MSE)降低了0.2左右。     

基于信息论的KL-Reg点云配准算法

针对含有高噪声、体外点及不完整点云数据的配准失效问题,该文提出以信息论为理论基础,相对熵度量点云相似度的KL-Reg算法。该算法不需要显式地建立对应关系,首先将点云数据建模为高斯混合模型,然后用相对熵度量高斯混合模型间的分布距离,最后通过最小化分布距离计算模型变换。实验结果表明所提的KL-Reg算法配准精度高、稳定性强。     

无人飞行器自主降落区识别方法研究

为实现无人飞行器的自主降落,针对降落平坦区域包含特征较少、且分布没规律、形状各异等特点,本文设计了一种基于点云几何特征的快速点云分块和平坦区识别方法。该方法通过无人飞行器上的相机获取二维图像,并使用多视角立体三维重建技术获得场景三维点云,提出了以空间距离作为平滑项、以点在Z方向上的高度作为相似项的三维点云滤波算法对三维点云滤波,设计了基于点云法线和曲率的聚类分块对点云进行区域划分,然后改进RANSAC算法拟合点云平面,筛选出无人飞行器飞经场景的平坦区,并最终确定出无人飞行器的最佳降落区。最后,用本文所设计方法对戈壁人工沟壑、戈壁自然沟壑和小区花园等实拍场景图像进行降落区识别,实测结果显示识别出的区域地形起伏均小于0.125m@m~2,满足无人飞行器降落要求。     

基于多信息深度学习的3D点云语义分割

点云语义分割是三维点云数据处理的基础步骤,是三维场景理解分析、重建和目标识别的关键环节。针对目前对三维点云进行语义分割使用的点云信息少和精度不高的问题,本文在利用点云三维坐标信息的基础上,增加了点云RGB信息和所属房间的归一化坐标信息,从而丰富了神经网络输入端的信息量,进一步提高了模型的分割精度,最后利用PointNet++对改进后的三维点云语义分割效果进行检验,实验表明:在丰富了网络输入端的数据信息后,模型的总体准确度提高了6.65 %。     

实现激光点云高效配准的ICP优化及性能验证

激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(Fast Point Feature Histograms, FPFH)提取关键点特征,嵌入多核多线程并行处理模式 (OpenMP)提高特征提取速度;然后基于提取的FPFH特征,使用采样一致性初始配准算法(Sample Consensus Initial Alignment, SAC-IA)进行相似特征点粗配准,获取点云集间的初始旋转平移变换矩阵;最后采用ICP算法进行精配准,同时采用最优节点优先(Best Bin First, BBF)优化K-D tree近邻搜索法来加速对应关系点对的搜索,并设定动态阈值消除错误对应点对,提高配准快速性和准确性。对两个实例的配准点云进行了实验验证,结果表明,提出的优化配准算法具有明显速度优势和精度优势。