基于自适应椭圆距离的点云分区精简算法

利用传统点云精简算法进行散乱点云简化会导致点云模型部分细节特征的丢失或模糊以及影响非平面区域的光顺性。针对这些问题,提出基于自适应椭圆距离的点云分区精简算法。首先,通过对邻域点集进行微切平面与局部曲面的拟合,计算出各点的法矢及曲率等;其次,利用所得几何特征信息,提取点云边界特征以及完成点云平面区域与非平面区域的划分;最后,采用改进后的精简算法对不同区域进行简化。实验结果表明,该算法不但能够快速完成符合要求精简率的数据简化,还能保护点云模型的细节特征以及保证模型非平面部分的光顺性。经过软件分析得出,精简后模型与原始模型的距离误差的标准偏差为0.015 mm。     

基于二次特征提取的煤矿巷道表面点云数据精简方法

采用三维激光扫描技术提取的煤矿巷道表面点云数据量大且存在较多的冗余数据,而现有点云数据精简方法存在大数量级点云处理过程中细节保留不足的问题。针对上述问题,提出了一种基于二次特征提取的煤矿巷道表面点云数据精简方法。首先对采集到的原始巷道点云数据进行去噪预处理;其次建立K-d树,并利用主成分分析法对去噪后点云数据估算来拟合邻域平面的法向量;然后通过较小的法向量夹角阈值对点云进行初步的特征区域与非特征区域划分,保留特征区域并随机下采样非特征区域,接着依据较大的法向量夹角阈值将特征区域点云划分为特征点和非特征点,并对非特征点进行体素随机采样;最后将2次点云精简结果与特征点合并得到最终的精简数据。仿真结果表明,该方法在百万数据量级点云和高精简率条件下,相较曲率精简方法、随机精简方法和栅格精简方法,在特征保留和重构精度方面都取得了更好的效果,三维重构后计算所得标准偏差平均可低于相同精简率下其他方法 30%左右。     

特征保留的点云数据自适应精简算法

提出一种特征保留的点云数据自适应精简算法。该算法首先构造散乱点云数据的局部拓扑信息,通过一种改进的二次栅格法快速建立K邻域,由此估算点的邻域弯曲度,再进行分类。算法在保留特征点后对其余点应用自适应精简距离进行阈值精简,故算法不仅可以完整保存实物模型整体轮廓,而且能够最大限度地保证模型区域特征。数值实验结果表明,该算法能够得到不错的精简效果,且具有较小的计算时间复杂度。     

空间分割与曲率相融合的点云精简算法研究

非接触式扫描方法获得点云数据存在大量的冗余数据。为便于模型重构,针对点云数据精简是必不可少的数据预处理手段,提出了一种基于空间分割和曲率特征信息的点云数据精简算法。通过K-邻域计算、二次曲面拟合、曲率估算和曲率阈值可调的数据分区等关键精简技术,实现了对同一数据不同区域应用不同精简算法,进行不同比例的数据精简。实例验证表明,该算法能适应各种类型曲面数据的精简要求,保证精简效率的同时,很好地保留点云的特征信息。     

散乱点云精简的一种改进算法*

非接触式扫描获取的散乱点云数据存在大量冗余,为方便模型重构,点云数据精简是不可或缺的点云预处理步骤,提出一种散乱点云数据精简的改进算法,首先将包围点云数据的最小包围盒划分成若干个子空间,根据每个含有点的子空间,获取K邻域点集的拟合平面,计算K邻域中各点到拟合平面距离的累加和。对各个K邻域的距离累加和升序排列,根据预定精简百分比,将包围盒划分为待保留和待删除两个区域,实现了对同一数据在不同区域采用不同算法,完成不同比例的精简。实例验证表明,该算法在保留几何特征的同时,更能有效地避免“空白区域”,且提高了计算效率。     

改进的基于FPFH特征配准点云的方法

ICP(Iterative Closest Point)算法是点云配准中最常用的算法,而点云的FPFH(Fast Point Feature Histograms)特征可在点云配准中为其提供初始匹配信息。针对该方法的初始匹配中距离测度等问题,提出一种改进的基于FPFH特征配准点云的方法。点云配准时首先计算2个点云的点的FPFH特征之间的巴氏距离,以k-d树检索巴氏距离最小的对应点,然后利用奇异值分解计算初始转换矩阵,进行ICP算法精细匹配,求得最终变换矩阵。实验结果表明,改进的基于FPFH特征配准点云的方法能为ICP算法提供良好的初始变换矩阵,在同等迭代次数下该方法具有更高的精度。     

基于特征显著性的点云自适应精简

为解决目前点云精简算法适应性差的问题,提出一种基于特征显著性的自适应精简算法.通过对点云FPFH(fast point feature histograms)特征聚类生成特征单词;在考虑单词间差异的基础上,融合单词内部的特征分散程度,形成显著性词典,由词典软编码单点特征,得到点云特征显著性;在均匀网格基础上,若网格内的特征显著性越强,则配置越高的采样率,由此实现点云的自适应精简.实验结果表明,所提算法能够区分出点云中的特征明显区域,在精简不同尺寸、形状点云时具有适应性.     

保持特征的点云迭代简化算法

提出了一种特征保持的三维点云迭代简化算法。首先对点云模型构造KD树结构,计算采样点的k邻域,然后利用点云模型的局部几何信息作为参数,包括局部采样密度、采样点的精度和曲率,计算评估函数值,迭代删除评估函数值最小的点。实验结果表明,算法在简化点云数据的同时,能有效去除噪声数据,而且很好地保留了原始模型的特征信息。     

基于四目立体视觉的三维全自动建模

为保护并传承敦煌莫高窟世界文化遗产,研究基于四目立体视觉系统的三维全自动建模技术。由于提取的点云数量较大,导致自动建模过程中,点云的三角构网步骤无法顺利进行,因此着重研究点云的精简算法。将包围盒算法与点云的曲率特征相结合,提出一种点云精简算法,即改进的包围盒法。实验结果表明,该方法对点云的采样精度高于原始包围盒法,点云精简率可达93.6%,点云数据精简后三维建模效率大大提高,生成的三维模型精度较高。     

向量相似度可复原三维点云压缩算法

针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。     

保留几何特征的散乱点云简化方法

针对散乱点云简化时经常丢失过多的几何特征,提出一种保留几何特征的简化方法。首先采用均匀栅格法划分点云空间;然后分别以点云中的数据点为球心构建包围球,并在包围球中查找数据点的K邻域;随后构造一个非负函数用于度量重建曲面在各点处的曲率,进而提取并保留点云中的特征点;最后根据法向量的内积阈值对包围球中的非特征点进行适度简化。实验结果表明该方法不仅能够充分保留点云中的几何特征,而且具有速度快的特点。     

基于点重要性判断的点云简化

为了有效保持散乱点云的显著几何特征,提高点云简化的精度和效率,提出一种点重要性判断点云简化方法.首先,计算点云中点的重要性,并根据重要性提取特征点;然后,采用八叉树算法对非特征点进行简化,从而保留点云的主要细节特征,实现点云简化处理;最后,通过对公共点云和文物点云数据模型的简化实验来验证该点云简化方法.结果表明,该点重要性判断点云简化方法可以在有效保持点云细节几何特征的同时,实现点云的有效简化,是一种快速、高精度的点云简化方法.     

自适应邻域选择的FPFH特征提取算法

在使用点云FPFH(Fast Point Feature Histograms)特征进行三维物体识别或配准时,人为主观调整邻域半径计算FPFH特征描述符具有随意性、低效性,整个过程不能自动化完成。针对该问题,提出了自适应邻域选择的FPFH特征提取算法。首先,对多对点云估算点云密度;然后,计算多个邻域半径以提取FPFH特征用于SAC-IA配准,统计配准性能最优时的半径与点云密度值,使用三次样条插值拟合法求出函数表达式,形成自适应邻域选择的FPFH特征提取算法。实验结果表明,该算法根据点云密度自适应选择合适的邻域半径,提升了FPFH特征匹配的性能,同时 加快了运算速度,具有指导价值。     

Point cloud simplification for the boundary preservation based on extracted four features

This paper proposes a simplification algorithm based on four feature parameters, aiming at solving the problem that the edge features cannot be retained due to the incompletely extracted sharp features during point cloud simplification. Firstly, K neighborhood searching is carried out for point cloud, and K neighborhood points are quickly found by a dynamic grid method. Then, four features including: the curvature of the point, the average of the normal angle of a point from a neighborhood point, the average distance between the point and the neighborhood point and the distance between the point and the center of gravity of the neighborhood point, are calculated according to the K neighborhood of the data point. The four parameters are used to define the feature discrimination parameters and feature thresholds, to compare the size and extract the feature points; finally, the non-feature points are reduced twice by the method of the bounding box, and the reduced point cloud and feature points are spliced to achieve the purpose of simplification. The experimental results show that the distance between the point and the center of gravity of the neighborhood has a great influence on the simplified model boundary, which effectively guarantees the accuracy of the simplified model.     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构, 提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.     

基于特征点匹配的排水管道声点云模型配准算法

三维重建技术逐渐成为获取全面、完备、准确的排水管道信息的关键手段。而实际检测受到管道堵塞等工况与管道检测规程等因素限制,造成所获得的管道声呐点云模型会出现位姿不同、部分重叠或空缺等情况,需要通过配准获取完整管道模型。同时,传统ICP算法针对管道模型存在效率低、精度差的问题。因此,该文提出基于特征点匹配的粗配准与改进的ICP精细配准相结合的点云配准算法。首先,利用ISS特征点检测法检测出模型特征点,通过FPFH对特征点进行进一步的描述;其次,采用RANSAC算法筛选出正确特征匹配点集,利用四元数法解算出初始变换参数完成粗配准;最后,在粗配准基础上,通过改进最近对应点查询的ICP算法完成精细配准。实验结果表明了该文算法的可行性与优越性,能为后续排水管道缺陷检测提供高完备、全面、准确的点云模型。     

一种基于特征点的三维网格盲水印算法

针对三维网格水印空域算法无法兼顾嵌入量与透明性,且水印盲检测过程繁琐的问题,提出一种基于特征点的盲水印算法。选取三维模型最远两点为全局特征点建立全局坐标系,根据仿射不变性原理将原始载体仿射到一个固定的球型空间,以增强对多种几何攻击的抵抗能力。根据载体点密集程度将其等分成若干个局部空间,以局部空间中离质心最远点为局部特征顶点建立局部几何坐标系,从而增强算法的透明性。利用顶点在坐标系的投影角度来存储水印索引,实现盲水印。实验结果表明,该算法能有效抵抗旋转、缩放、噪声等攻击,具有强鲁棒性和较好的不可感知性,同时兼具盲水印检测优势。     

基于多核并行和动态阈值的点云配准算法

针对点云配准中存在错误匹配点对、精度不高等问题,提出一种基于多核并行和动态阈值的点云配准算法。该算法采用改进的SAC-IA算法进行点云粗配准,利用OpenMP实现点云查询点的法向量、FPFH等特征的并行加速提取以及对应点对的并行查找,从而使整个配准算法的速度得到保持甚至提升。在点云精配准阶段,使用改进的ICP算法进行精配准,改进点着眼于错误对应点对的剔除及其阈值的动态确定,即以配准点重心作为参照点,按照动态阈值,使用点对距离约束剔除错误对应点对。实验结果表明,本文算法在提升配准精度的情况下,配准速度也得到了提升。