基于脉冲耦合神经网络的点云曲面去噪

 提出一种基于脉冲耦合神经网络(PCNN)的点云曲面去噪算法.该算法主要分为两步:噪声点定位和噪声点滤波.首先针对点云曲面构建一个PCNN神经网络,各个神经元的外部刺激值由邻近点的几何位置差异和法向差异构成,利用神经元输出的自适应点火捕获特性,实现了噪声点的定位;而后针对点云曲面中的噪声点,基于网格光顺中双边滤波的思想,实现噪声点的滤波,对于非噪声点,则保持原有的几何位置不变.实验结果表明,由于区分了噪声点和非噪声点,该算法较传统的点云曲面去噪算法能更加有效的去除噪声的同时并保持模型的几何特征.     

基于图像分割的点云去噪方法

在基于结构光条纹投影的三维形貌测量中，由于环境等各种因素的影响会产生各种噪声。在现有的点云去噪方法中，通过分析三维空间和点云的几何关系进行点云噪声的去除存在计算复杂、效率低等问题。为了提高点云精度和点云去噪的速度，提出了一种基于图像分割的点云去噪方法。首先，根据结构光条纹投影重构的三维点云建立二维点云映射图像；其次，利用图像阈值分割方法和区域生长方法对二维点云映射图像进行图像分割；然后，对分割出的噪声区域进行记录并去除；最后，对新的二维点云映射图像重新进行三维重建得出去除噪声的点云。实验结果表明，经过该方法处理后点云精度可以达到99.974%，去噪时间为0.954 s。所提方法可以有效去除点云噪声，避免在三维空间进行复杂的计算。     

基于FPGA的全景图像采集与远程传输系统

结合国内外视频采集传输的技术特点,介绍了一种基于FPGA的全景图像高速采集与网络传输系统的实现方法。设计的全景图像平台由曲面镜和CSC12M25BMP19型CCD相机构成。图像采集接口选择Camera Link接口,MDR26作为连接器,用解串芯片DS90CR288A实现图像数据的串并转换,FPGA芯片控制经过转换后的并行图像数据的采集。FPGA芯片作为核心控制器控制高帧频图像数据的采集、缓存、数据打包及网络传输,网络芯片88E1111将打包图像数据传输到服务器。在Quartus II开发环境下,编写了图像采集控制单元模块、网络控制器底层驱动模块,说明了数据采集单元、网络传输单元的设计流程。测试结果表明,该系统能够实现全景图像的高速采集与网络传输功能,并具有良好的图像传输质量。     

点云隐式曲面快速重建算法研究

提出一种点云数据隐式曲面高效重建算法。该算法首先基于传统径向基函数隐式曲面重建算法对点云数据进行低解析度、低精度快速插值,然后采用三线性插值对点云数据进行高解析度、低精度插值,最后根据欧氏距离确定点云零水平集附近需要处理的区域,处理过程中只对区域内点云数据进行滤波降噪。与传统方法相比,本文算法既可以保证曲面重建精度,又可以缩短计算时间。在头部点云数据的曲面重建过程中,本文算法能够实现与传统算法相近的精度,同时使插值运算时间减少63.21%。     

基于多Kinect的家具自由曲面造型扫描系统设计

为解决目前三维扫描系统存在的数据捕捉效率低、曲面扫描精度低等问题,基于Kinect传感器构建了家具自由曲面造型扫描系统。采用OpenNI开源框架来搭建多个Kinect传感器在服务器与驱动之间的交互桥梁,并将被测家具物体的深度图像转变成具有三维坐标值的点云数据。在三维点云数据的后处理阶段,使用PCL开发库实现家具自由曲面三维点云数据配准、融合,以及完整的家具自由曲面造型三维点云模型的展示。实验结果表明,该系统与传统系统相比,数据捕捉效率以及扫描精度更高,而且稳定性强。     

基于激光点云数据的三维运动图像重构技术北大核心CSCD

为了解决三维运动图重构时存在的重构测量距离与实际距离误差大、激光点云数据数量多和重构图像清晰度对比低的问题,提出了基于激光点云数据的三维运动图像重构技术,通过配准多帧激光点云数据,从中获取激光点云数据集,再采用平面拟合方法对激光点云数据集实行去噪处理,最后利用曲面重构法完成对曲面模型的拟合,实现三维运动图像重构。实验结果表明,通过对三维运动图像重构进行测量距离与实际距离的对比、激光点云数据数量的对比和测量图像与实际图像清晰度的对比测试,验证了三维运动图像重构技术的实用性高。     

基于多编码器和Residual-Transformer的点云补全网络

点云数据具有无序和稀疏的特点。通过不完整点云数据恢复丢失的三维几何形状的3D点云补全任务是3D视觉技术中一个具有挑战性的问题。现有的3D点云补全网络一般都通过编码器-解码器（Encoder-Decoder）模型直接从部分点云预测完整的点云形状，这会干扰原始部分点云，引入噪声，导致几何位移损失。因此提出一个端到端的网络模型，集中生成平滑和分布均匀的点云对象。所提网络模型主要包含三部分：缺失点云预测、点云融合和点云平滑。第一个模块主要通过多编码器从残缺的点云对象提取局部和全局信息，预测缺失几何部分。第二个模块通过采样算法融合点云。第三个模块基于Residual-Transformer (RT)预测点位移，在避免破坏原始输入点云的空间结构下，可以使点分布得更加均匀。在基准数据集Shapenet-Part上，大量的实验结果表明，所提网络在3D形状补全方面取得了更好的量化结果和更好的视觉效果。     

基于几何特征的点云分割算法研究进展

点云是3维图像的一种特殊数据形式, 正逐渐成为3维图像信息处理的研究热点; 点云分割是点云数据处理的重要步骤, 对算法的结果有直接影响; 基于3维图像几何特征的点云分割算法结构简洁、运算结果稳定性强, 且易于调整, 在实际应用中占有主要地位。对最近几年涌现出来的基于几何特征的点云分割方法进行了梳理, 根据每种方法的理论基础和应用特点将算法归纳为基于边缘检测、表面特征和模型拟合的点云分割方法, 分析了各类算法的特点和存在的主要问题, 并进行了算法性能比较, 分析了影响点云分割算法效率的主要因素, 最后对未来的发展趋势进行了展望。     

用改进的MPEG-4分层算法实现网络视频

实现网络视频首先要在发送端对连续的图像图形进行压缩编码，其次要将编码的比特流分层表示，第三要解决图像在网上传输时出现的包丢失问题。本文从上述三个方面出发，对MPEG－4分层编码算法进行改进，并用改进的算法实现基于物体的编码和比特流的分层表达；采用传输解码缓存模型实现图象传输的连续性，用优先重传技术解决包丢失问题，实验结果表明，上述理论是实现网络视频的较为优选的方案。     

基于主成分分析与曲面拟合的激光点云滤波去噪

为了消除激光点云采集时点云中的噪声点，避免噪声尤其是一些孤立离群点对点云数据质量的影响，将散乱的、含有噪声点云变成规则的、高精度的点云，采用了基于主成分分析与曲面拟合进行点云去噪的方法，首先提出了点云区域的主成分分析计算方法，在主成分分析的法向量进行粗去噪，而后去噪后的点云进行曲面拟合，最后根据点到曲面的距离进行了点云的滤波，得到滤波后的点云。结果表明，该方法去噪效果精度高，尤其针对散乱点云，去噪效果明显，最佳滤波性能误差仅为0.018mm。该研究为散乱激光点云的去噪滤波提供了参考。     

实时感知型激光雷达多通道数据采集系统设计

激光雷达是实现环境实时感知的重要传感器,针对多通道感知激光雷达数据量大、数据传输解算实时性要求高及量体裁衣高效小型化的迫切需求,基于自研采用可靠的机械扫描、阵列探测和数据采集控制相结合的多通道激光雷达,设计实现了基于FPGA和DSP的多路并行信号采集处理系统,并在点云三维实时成像中得到了验证。该数据采集处理系统中的FPGA负责多通道激光雷达数据控制采集以及数据传输,DSP负责对数据进行解析处理并通过网口将点云数据上传到上位机,实现点云实时显示。实际测试结果表明,该数据采集处理系统能够满足多通道激光雷达2 Mpts/s的大数据量点云解析,并保证20 fps以上实时数据的可靠采集传输,实现周围环境和障碍物激光雷达点云的快速解算,可应用于自动驾驶、导航避障、周界安防等领域。     

光纤网络中云计算资源联合最优分配方法

在云计算技术与光纤网络不断发展的今天,网络数据不断增加,网络带宽面临严峻挑战。当前应用云计算资源联合最优分配方法对网络链路资源分配的结果较为落后,导致资源分配后网络数据传输扰动量以及带宽阻塞率较高。针对此问题,本文设计光纤网络中云计算资源联合最优分配方法。以网络任务模型为蓝本,构建光纤网络传输模型。将光纤网络传输模型以有向图的形式,完成网络节点传输映射分析。结合光树生成算法,设计云计算资源最优分配算法,完成光纤网络中云计算资源联合最优分配方法设计。仿真结果表明:采用所提方法后网络数据传输扰动量以及带宽阻塞率较低,提升了云计算资源的分配方法。     

基于二值神经网络的大场景点云分类

近年随着3维数据采集技术不断发展,大场景 点云数据的获取越来越方便。目前深 度学习网络框架在2维图像处理领 域越来越成熟,而大场景点云是一种3维无规则化的数据,3维卷积神经网络直接处理大场 景3维数据会存在分类精度低和计 算复杂等问题。因此为了有效解决基于深度学习的点云分类任务中存在的计算时间长和分类 精度低的问题,本文提出基于二值 神经网络的大场景点云分类方法,针对不规则的3维点云数据设计特征值计算方法,基于IR -Net二值神经网络处理输入的点云 特征图像,进一步采用Dynamic ReLU激活函数,提高神经网络的计算效率,最后得出点云分 类结果。实验结果表明,所提出 的方法在Oakland数据集上分类精度达到97.6%,在GML数据集中取得 了92.3%和97.2%的分类精度,实验结果证明Dy -ResNet 能够有效提升了点云分类的精度,减少计算的复杂度,并提高了训练效率。     

中值滤波在激光雷达点云数据预处理中的应用

为了研究3维激光雷达测量系统采集到的点云数据如何进行去噪处理,根据灰度图像中对灰度值进行滤波去噪的概念,采用改进的2维中值滤波方法对点云数据中的噪声点加以处理。基于激光雷达点云数据数据量庞大且存在噪声点特点,重点分析了改进2维中值滤波算法和点云数据信噪分离方法,并通过实验验证,得到了速度对比数据和滤波效果图。结果表明,利用改进后的2维中值滤波方法,速度明显得到改进,对激光雷达点云数据的滤波效果良好。     

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 %。     

激光雷达扫描数据的快速三角剖分及局部优化

为了研究维激光雷达测量所得点云数据的三角构网,根据激光雷达逐行扫描特点,采用了改进的三角剖分方法,对点云数据进行不规则三角网格划分.基于激光雷达点云数据位置拓扑信息,分析了相邻扫描线之间数据点的相对位置关系,利用几何关系进行初步配对构网;并结合经典法则对初始网格进行局部优化,得到最终三角网;同时,对优化前后的三角网,提出一种新的评价法则进行剖分效果对比.结果表明,充分利用点云特点进行三角剖分可改进算法.所提出的剖分效果评价法可帮助检验构网质量.     

基于主动式全景视觉的管道形变检测及重构技术的研究

研究了一种采用主动式全景视觉传感器(ASODVS)的 管道内表面全方位检测方法。基于主动式全景视觉检测原理, 提出了一种能够快速、全方位获取管道内壁三维点云信息,实现视觉检测管道形变的全景激 光视觉系统; 利用携带有ASODVS的爬行机器人进入管道内部,采集激光横断扫描全 景图像;然后根据提 取的管道内壁三维点云数据计算最小直径、横断面面积等几何特征判断变形率;最后根据三 维点云圆周分 布的特征,采用三角格网模型进行三维重构。实验结果表明:基于主动式全景视觉的管道内 壁全方位检测 系统能够实时完成对管道凹凸形变的检测和识别,并恢复管道内壁的三维形貌,具有较高的 检测精度。     

基于语义信息补偿全局特征的物体点云分类分割

3D点云数据处理在物体分割、医学图像分割和虚拟现实等领域起到了重要作用。然而现有3D点云学习网络全局特征提取范围小,难以描述局部高级语义信息,进而导致点云特征表述不完整。针对这些问题,提出一种基于语义信息补偿全局特征的物体点云分类分割网络。首先,将输入的点云数据对齐到规范空间,进行数据的输入转换预处理。然后,利用扩张边缘卷积模块提取转换后数据的每一层特征,并叠加生成全局特征。而在局部特征提取时,利用提取到的低级语义信息来描述高级语义信息和有效几何特征,用于补偿全局特征中遗漏的点云特征。最后,融合全局特征和局部高级语义信息得到点云的整体特征。实验结果表明,文中方法在分类和分割性能上优于目前经典和新颖的算法。     

道路三维点云多特征卷积神经网络语义分割方法

针对道路场景下三维激光点云语义分割精度低的问题,提出了一种基于卷积神经网络并结合几何点云多特征的端到端的语义分割方法。首先,通过球面投影构造出点云距离、相邻夹角及表面曲率等特征图像,以便于应用卷积神经网络;接着,利用卷积神经网络对多特征图像进行语义分割,得到像素级的分割结果。所提方法将传统点云特征融入到卷积神经网络中,提升了语义分割效果。使用KITTI点云数据集进行测试,结果表明:所提三维点云多特征卷积神经网络语义分割方法的效果优于SqueezeSeg V2等没有结合点云特征的语义分割方法;与SqueezeSeg V2网络相比,所提方法对车辆、自行车和行人分割的精确率分别提高了0.3、21.4、14.5个百分点。