基于深度投影的三维点云目标分割和碰撞检测

三维激光雷达被广泛应用在无人驾驶系统中对道路环境的检测和防碰撞检测。为增加激光雷达对扫描点云进行分割的准确性,提出一种基于深度投影的点云目标实时分割方法。首先采用体素化滤波去除噪声点,然后使用渐进式形态学滤波方法去除地面点,最后将点云进行深度投影,建立三维点云与深度投影图像的映射关系,利用深度投影图像的自适应角度阈值对点云进行目标分割,并将分割后的点云目标构造混合层次包围盒进行碰撞检测。实验结果表明该方法相对于传统聚类算法在时间效率上有明显提升,并且能有效降低过分割问题,实验数据目标分割准确率达到了78.82%,结合混合层次包围盒算法对分割后的点云目标进行碰撞检测,可有效地识别并判断物体空间位置关系,提升碰撞识别的准确性。     

三维散乱点云的分割与几何形体重构

研究了由三维点云重构几何形体模型的方法与步骤。提出了点云分割的2种交互方法——基于特征识剐的分割和投影裁剪分割。给出了表面数据点群的边界搜索算法和表面求交算法，实现了一种从三维点云到几何形体的分割与重构方法。     

人体散乱点云数据的区域分割算法

正确的人体点云数据分析不仅是人体3D测量的必要手段,更是未来服装数字化设计的基础,也是服装定制化智能生产的数据来源。人体散乱点云数据相比规整数据拥有更多的噪声及不规则性,这使得提取轮廓以及提取分割特征点更加困难。为了解决人体散乱点云数据分割难题,提出了基于移动最小二乘的切割算法。首先使用主成分分析法进行点云数据的调整,并使用夹角分析法提取投影到特定平面的二维轮廓。在此基础上,采用移动最小二乘法对部分二维数据点进行局部拟合并根据导数信息提取分割特征点。最后,利用VT K作为点云显示平台,对不同人体点云数据进行算法验证。实验结果表明,该分割方法实用可靠。     

面向服务机器人三维地图创建的大规模点云分割

为了使服务机器人能在室内环境中识别物体并且利用点云自动创建三维VRML地图,针对室内场景中大规模且无规则的点云分割,提出了一种结合RANSAC和聚类的分割算法。该算法充分考虑到室内场景的特征,利用RANSAC提取大平面点云,并在点云当中去除地面等平面环境中的点云数据,最后使用聚类分割物体。此算法充分利用了室内环境的大平面特征和空间上分离特征,有效避免了无规则点云的分割和室内复杂环境导致的分割和运算困难的问题。不同室内环境中的对比实验比较清晰地分割出环境中的主要物体,得到了比较满意的效果。     

基于3维点云欧氏聚类和RANSAC边界拟合的目标物体尺寸和方位识别

目标物体尺寸和方位识别是移动机器人在未知环境下实现自主搬运的关键技术,主要难点是如何从混有地面和周边环境信息的3维点云数据中提取物体信息,并准确识别其方位和尺寸。常用的方法是通过3维点云建立物体包围盒,但是现有的基于PCA(主成分分析)或基于边缘点云提取的包围盒建立方法对物体边缘点云噪声比较敏感。文中主要针对室内搬运场景中方形箱式物体,提出1种基于3维点云欧氏聚类和RANSAC(随机采样一致性)边界拟合的物体尺寸和方位识别算法。首先,采用点云截断、体素滤波降采样和离群点移除对数据进行预处理,然后采用基于K-D树的快速聚类算法进行物体与物体之间的分割,接着将分割后物体3维点云进行2维投影。由于投影后物体2维点云边缘点密度远高于内部点云密度,采用RANSAC算法对边缘点云进行直线拟合。该直线能够近似物体边缘点云分布的期望均值,受物体边缘点云噪声的影响较小。实验表明该算法精度较高、速度较快、鲁棒性好,可用于移动机器人物体搬运作业等领域。     

基于平面层结构勘察的点云快速分割

针对具有空间连通域特征的点云,提出了一种新颖的基于平面层结构勘察的快速分割方法。首先建立点云的平面层结构,并进行最优勘察,同时进行平面层连通性的判断,最终确定最优平面层,并实现迭代分割。算法应用于实际项目中采集的点云的分割,并分别对不同规模的点云的分割结果进行了讨论。结果表明,算法对具有空间连通域特征的点云能有效并较快地进行分割。     

基于激光雷达的地铁隧道侵限检测方法

针对地铁隧道侵限检测任务,提出了一种基于车载激光雷达的实时在线检测方法。利用主元分析法从隧道点云中分割出铁轨点云,依据铁轨点云建立限界模型,实时获取激光雷达扫描隧道生成的点云,根据设定的算法判断是否存在侵限。上述方法把三维问题映射到一维空间中,大大降低了计算量,为侵限检测的实时性提供了理论基础。利用简单的模型对复杂的空间进行建模,对不同环境下的侵限检测任务都有一定的参考意义。     

基于点云中心的激光雷达与相机联合标定方法研究

针对激光雷达与相机联合使用遇到的点云稀疏、相机受环境光照影响失真等问题,提出一种基于点云中心的激光雷达与相机自动配准方法,避免了传统联合标定需要手动选择特征点以及连续采集多帧等问题。该方法在对点云与图像预处理后,利用平面法向量的一致性实现多标定板点云自动分割,提取标定板在激光坐标系和相机坐标下的点云;然后通过点云聚集迭代求解中心点,实现两个传感器标定板对应点云中心的粗配准;最终利用迭代最近点算法进行精配准,获得标定参数,完成联合标定。实测表明,在激光雷达误差±3 cm范围内,点云正确投影比例达到97.93%,可以有效获取高精度联合标定参数,满足空间环境对激光雷达和相机数据融合的要求。     

基于空间栅格支撑与曲率云图引导的点云表面构线

针对已有的点云表面构线方法在处理多层点云曲面模型时出现的弱鲁棒性问题,以及构线过程中缺乏直观点云形状特征引导的现象,提出一种基于空间栅格支撑与曲率云图引导的点云表面构线方法。首先,将点云划入规则分布的空间栅格并基于三参数Shepard曲面估算点云曲率;其次,依据曲率云图反映的点云几何形状特征选择构线点,并搜索沿构线点投影方向与之相交的最近非空栅格(即含有测量点的栅格),继而以最近非空栅格为中心,构建其k-最近邻域点集作为点投影算法的目标点云计算构线点的投影点;然后,插值构线点列经投影计算得到的投影点序列,获得初始曲线;最后,构造与初始曲线节点分布一致的法矢曲线作为曲线投影的方向,结合二分法与基于空间栅格支撑的点投影算法将初始曲线投影至点云曲面。实例对比表明,空间栅格的引入显著增强了点投影算法的稳定性,而曲率云图的引导则提高了用户交互选点构线过程中对点云所蕴涵形状特征的识别与分析能力。     

基于高空激光雷达扫描系统的稀疏点云分割

针对高空激光雷达扫描系统的性能和复杂大尺度路面稀疏点云数据的分布特征,提出一种基于高空激光雷达扫描系统的稀疏点云分割方法。采用基于点云分块的区域生长算法,在坡路等复杂地面情况下点云数据出现曲面时可以快速准确地分割地面;采用基于密度的DBSCAN聚类算法,使得路面点云稀疏情况下也可以准确地将非路面点云聚类并标记。在港口轮胎式集装箱起重机大车上搭建实验平台,测试港口晴天、雨天两种数据皆可以很好地对路面点云实时分割处理,在应用场景中证明了该分割方法的有效性与实用性。     

基于机器视觉的散乱柱类零件抓取系统

针对散乱摆放的柱类零件抓取问题,提出一种基于圆柱拟合的散乱柱类零件识别抓取系统。首先,采用直通滤波,离群点去除和体素滤波降低密度采样对点云数据进行预处理,然后使用平面拟合算法去除载物台点云,接着使用区域增长算法将不同圆柱的点云分离,由于分割后的圆柱点云存在大量噪点,采用随机抽样一致法和最小二乘法相结合的方式去除噪点,拟合圆柱面,最后将点云重心向圆柱轴线投影,得到准确的柱体中心。实验证明该算法鲁棒性好,精度较高,适用于柱类零件抓取。     

局部阈值自适应的地面点云分割

为了进一步提高自动驾驶感应模块中激光雷达点云地面分割算法的分割精度，提出一种基于种子点距离阈值和路面波动加权幅值自适应的地面点云分割算法。该算法在极坐标栅格地图划分的基础上，将种子点的选取判断阈值与二维平面的水平距离特征相关联，通过点云间的水平距离变化控制种子点集的更新；在道路模型拟合过程中，为解决斜坡路面模型更新停滞问题引入坡度连续性判断准则，根据路面波动加权幅值的变化建立点云的分割阈值方程，最终实现关于点云距离特征的自适应阈值分割。对开源数据集Semantic KITTI进行点云二分类数据处理，并在此基础上测试算法性能。实验结果表明：与现有算法相比，本文所述地面分割算法的精确率和召回率均提升了2%～4%，具有较高的准确性。     

基于坐标轴投影勘察的深度图像树型分割

针对具有空间连通域特征的深度图像,提出了一种基于坐标轴投影勘察的树型分割方法.通过投影勘察实现沿最优投影方向的坐标轴投影,把对深度图像的空间连通域分割转化为对投影在坐标轴上的一维点数据的区间连通域分割,最终利用树型结构实现分割.将该方法应用于实际深度图像的分割,并分别对理想和极端两种情况下的分割结果进行了讨论.结果表明...     

基于视觉修正的激光雷达体积测量方法

针对激光雷达点云数据稀疏、扰动、存在噪声和其他方法难以迁移,实时性差等难题,面向“L”型小尺寸目标研究了一种基于视觉修正的激光雷达体积测量方法。该方法首先通过联合标定和时间戳最近邻匹配实现相机与激光雷达数据的对齐;然后经过目标检测算法获取图像中目标的信息,与此同时对点云数据执行地面分割得到地面点云与非地面点云,利用视觉投影和点云聚类实现目标点云的分割,使用KDtree找到目标点云附近的地面点云;最后,设计了一种三维框的拟合算法初步完成点云目标三维框的粗拟合,并建立视觉修正模型对于目标三维框进行细修正,从而实现目标体积的计算。实验结果表明,对于武器箱道具、医疗箱和油桶等“L”型物体,提出的算法在一定范围内,体积测量的平均相对误差小于4.44%、最大误差小于6.12%、最大重复性小于5.61%,并且基于视觉的修正模型大幅提高了算法的精度和稳定性,在嵌入式平台的处理1帧用时55 ms,能够实现实时高精度的体积测量,具有良好的工程应用前景。     

一种基于八邻域深度差的点云边缘提取算法

提出了一种基于八邻域深度差(8N-DD)的点云边缘提取算法。算法根据目标特征的点云,对每个特征点沿深度方向进行垂直投影并对投影点进行栅格划分,计算出每个栅格内投影点所对应深度的平均值作为该栅格的深度值;然后比较每个栅格与其八邻域栅格的深度差,根据深度差判断该栅格内是否存在边缘点,并采用排序法从栅格内筛选出目标的点云边缘点。针对含有非孔洞和孔洞的两种典型点云数据,利用八邻域深度差算法进行点云边缘提取,验证了算法的有效性。     

逆向工程中的数据点云的分割

逆向工程中由数据点云构建物体表面模型中，对数据点云恰当的分割是表面建模的一个很重要步骤。文中以激光-机器视觉测量方式得到的曲面数据云为基础，探讨了曲面密集三维散乱点群数据的分割技术。根据激光测量方式和三维点群分布的特点，建立了在计算机中表示散乱点群数据结构。建立树形空间结构完成对密集散乱点群进行空间分割，由此实现对散乱点群数据的几何分割。     

增强点云局部显著性特征的细粒度语义分割网

点云细粒度语义分割，即物体部件分割，在机械臂控制、智能化装配、物体检测等工业生产中有着重要的应用价值。然而由于点云数据形式散乱，导致物体部件边界处几何特征不明显且计算困难，从而致使细粒度分割精度较低，难以满足生产需求。针对点云的部件级分割，本文提出了增强点云局部显著性特征的细粒度语义分割网，网络中构建了局部数据上下文信息，提高细粒度分割精度。本网络建立了利用几何曲率改进的的最远点采样算法，增强点云局部数据子集特征计算能力；创建多尺度高维特征提取器，提取不同尺度的高维特征；在点云特征计算过程中使用seq2seq的方式，引入注意力机制，融合不同尺度的高维特征，进而获取细粒度语义分割的上下文信息。最终使得细粒度分割精度得到了有效提高，尤其是对边界处的分割效果提升显著。实验结果表明，本网络在ShapeNet Part数据集上的总体交并比达到了85.2%，准确率达到95.6%，且具有一定泛化能力。该方法对三维物体的细粒度语义分割具有重要的意义。     

基于深度学习的零件点云分割算法研究

针对目前基于PointNet++的深度学习点云分割框架,对零件点云进行几何面级的分割精度不高的问题,对现有分割框架的采样算法、特征提取、特征传递进行了研究。运用了基于曲率的最远点采样算法,在零件面与面交界处获得了更多的采样点;结合了PointSIFT和PointCNN分割框架,采用了X变换矩阵,让点云特征具有空间转换不变性,SIFT组合选择了不同方向的近邻点进行组合;设计了SIFT-X卷积算子,能让网络编码不同方向的点云特征,提升了网络的表征能力从而提高分割精度。研究结果表明:上述方法能提高零件点云面要素分割的精度和mIoU值。     

基于随机森林方法的变电站三维建模点云自动分割

根据变电站三维建模的需求,提出一种针对变电站点云分割的方法。首先对变电站建模对象的空间几何特征进行分析,确定点云分割可依赖的几个关键特征。然后分两步实现点云分割。第一步依据点云密度进行初步分割,第二步使用随机森林生成不同分类属性的决策树,对不易确定分类的边缘点进行精确分割,综合以上两步的结果得到最终的点云分割结果。对变电站实际扫描图进行实验,证实该方法鲁棒性强,稳定性高,对变电站大规模点云数据的处理获得理想准确的效果。     

基于角点稳健提取的长方体参数化拟合方法

长方体基元拟合是三维点云几何拟合的典型问题,在三维重建、逆向工程、工业三维量测等实际场景中有着广泛应用。在实际应用中由于遮挡及设备盲区等原因,通常无法获取完整长方体点云数据,导致建模或量测时难以准确拟合长方体结构。针对该问题,本文提出一种结合平面拟合投影分割以及残缺平面垂角检测的长方体参数化拟合方法实现了长方体参数化拟合。首先,该方法通过平面拟合投影分割算法获取强轮廓信息的平面点云;然后,设计了残缺平面垂角检测算法,以拟合长方体真实角点;最后,利用非共面四点法对长方体残缺角点进行计算补全,获得完整的长方体参数信息。实验表明,本文方法在各类情况下均能准确检测并补全长方体角点信息以及平面参数信息,角点查准率召回率均为100%,平均误差仅为1.204×10^-3 m,能够实现精确的长方体参数化拟合。