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。     

基于曲率准则的LiDAR点云表面特征提取算法

针对三维激光扫描仪采集的海量点云数据中存在大量冗余数据的问题,设计了一种基于曲率准则的LiDAR点云表面特征提取算法.该算法利用二次曲面拟合原理将局部点云拟合成二次曲面,预算出该曲面的曲率等微分属性,通过平均曲率法完成特征点的初选,应用曲率极值法来实现特征点的精选,运用最小生成树算法构建特征点之间的空间拓扑关系,实现特...     

一种基于曲率的点云自动配准算法

针对兵马俑破碎俑片虚拟复原过程中拼接效率低的问题,提出了一种新型的基于曲率的散乱点云数据自动配准算法.该算法利用MLS表面计算出两组点云中每个点的曲率,提取局部曲率变化最大的特征点,并计算曲率的Hausdorff距离来获得初始匹配点,然后根据初始匹配点之间极大极小曲率的相似度函数,采用粒子群优化算法确定精确匹配点.最后用四元组法求得坐标变换实现粗配准,并且用迭代最近点算法提高配准精度.实验验证了算法的有效性和稳定性.     

一种邻域自适应的双阈值点云特征提取方法

点云数据的特征提取是点云数据处理环节中的一项重要内容,对几何分析、数据分割、点云配准、模型重建等研究起关键作用。研究了基于法向量和曲率的点云特征提取技术,阐明了特征提取过程中邻域选取与单一参数计算存在的问题,提出了邻域自适应的双阈值点云特征提取方法。通过实验对比了该算法与基于曲率的特征提取算法的提取效果,验证了本算法的稳定性、准确性。该算法对于几何特征复杂的点云具有较好的提取效果,对提高点云特征点提取的精度及效率具有重要的意义。     

散乱点云数据配准算法

提出一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象，自动进行点云数据配准的算法．该算法针对待配准的2组点云数据，根据测点及其邻域点估算每个点的曲面法矢，并对法矢方向进行调整，使其指向曲面的同一侧；然后计算各个测点的曲率．根据每个测点的曲率来识别出2组点云数据中可以匹配的点对集合。计算将每一个点对的法矢方向映射为一致的三维空间变换，采用几何哈希方法找出使得最多数量的点对法矢一致的变换，运用该变换将散乱点云作初次配准．以初次配准后的结果作为新的初始位置，将匹配点对集合中的所有点对采用最近点迭代法进行二次配准，从而实现了2组散乱数据的精确配准．应用实例表明，该算法效果良好．     

曲面重构中点云数据的区域分割研究

在曲面重构中，由于实际的曲面模型往往含有多个曲面几何特征，即由多张曲面组成，如果对使用激光法测量的“点云”数据直接进行拟合，将会造成曲面模型的数学表示和拟合算法处理的难度加大，甚至无法用较简单的数学表达式描述曲面模型，因此针对该问题，提出了一种基于数据点曲率变化的区域分割方法，即先对每一条扫描线上的数据点求取曲率值，然后将其中曲率值变化较大的点提取出来作为边界点，当边界确定后，再将云点数据分割成多个区域，由于每个区域一般具有较简单的几何特征，因此可用简单的数学模型来描述，并可重构单张曲面。该算法不仅原理简单、易于理解和编程，而且能提高曲面模型重构效率。     

点云模型自适应增加采样点算法

提出一种新的点集模型自适应增加啊采样算法.算法利用最小二乘法求出点云模型上每个点的局部光滑曲面片,并由所求得的曲面多项式计算点集曲面上每个点的曲率.通过对每个点及其邻点进行Voronoi剖分,求取每个点所控制的有效采样区域,然后根据曲率在有效区域内建立采样栅格,求取有效区域内的栅格点在曲面上的投影点即为新增采样点.该方法得到的增加采样模型可以较好地保持原点云模型曲面的几何性质,同时还可以通过选择不同的栅格得到适用于不同处理要求的点云模型.     

点云数据压缩中的边界特征检测

点云数据压缩是逆向工程产品建模中必要的数据预处理手段之一。常见的数据压缩算法未考虑点云边界数据点的保留问题，因此在大比例压缩过程中会出现边界数据丢失的情况，从而破坏了数据的完整性。为此，提出了一种利用点云数据小邻域内点的相邻关系来检测边界特征点的算法。该算法能检测出点云数据的内、外边界特征点，同时对边界上的点进行排序，检测出边界特征点中的过渡点，最后构建点云轮廓的边界多边线。该算法不仅能满足在点云数据压缩过程中检测并保留边界特征点的要求，而且生成的边界多边线也为后面的3维模型重建奠定了基础。     

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。     

基于双判定因子的道路绿化带分割

以高速公路的无人机影像点云数据为研究对象, 提出一种基于双判定因子的道路绿化带分割算法. 首先对点云数据进行串行下采样, 在降低点云数目的同时尽可能多地保留点云特征点; 其次, 对降采样后的点云数据进行正射影校正; 最后, 提出一种结合法向量夹角与 RANSAC 平面分割双判定的点云分割算法, 实现了对高速公路中绿化带的准确分割, 采用绿化带边界提取算法最终实现高速公路环境信息的分割. 以G85高速凤翔段的无人机影像点云作为实验数据, 分别采用本文算法、基于法向量夹角的分割算法、基于RANSAC平面拟合分割算法进行验证. 实验结果表明基于双判定因子的道路绿化带分割算法对环境噪点及离群点有较好的抗干扰性, 可以有效过滤路面高曲率点, 提取结果较好.     

基于K-means++的多视图点云配准技术

针对大规模点集可能存在噪声、离群点及遮挡等情况,提出一种基于K-means+〖KG-*3〗+的多视图点云配准方法。首先,利用K-means+〖KG-*3〗+算法的随机播种技术对下采样后的多视图点集选取初始化的质心,并根据算法的基本原理完成聚类;其次,将点云数据存入K-D树结构,并利用最近邻搜索算法建立点集间的对应关系,从而提升对应点集的搜索效率;最后,通过迭代最近点算法依照扫描顺序计算各视图聚类得到的点云数据与所有视图间的刚性变换参数,将成对配准造成的误差均匀扩散到每个视图中,直至获得最终配准结果。在Stanford三维点云数据集上进行实验的结果表明,本文提出的方法比近年的部分多视图配准算法具有更高的配准精度及鲁棒性。     

基于孔洞填充的残缺三维模型检索

残缺的三维模型和完整的三维模型在拓扑结构上存在差异,为提高检索方法的鲁棒性,提出基于孔洞填充的残缺三维模型检索方法。通过基于径向基函数的孔洞填充方法对残缺三维模型进行孔洞填充,构造残缺模型对应的完整填充模型;构建填充模型中每个数据点的近邻矩阵,通过求解矩阵获得该点的曲率值;以聚类中心对每个数据点的影响为聚类标准改进[K]-menas算法,对填充模型的数据点进行聚类,引入C_DIS相似度量模型,对不同模型按类别进行匹配检索。实验结果表明,能有效检索出与待检索模型相似的三维模型。     

Delaunay三角剖分在离群点检测中的应用

在传统的基于[K]近邻的算法中,需要为算法设置邻居参数[k]的值,只有具备相关的先验知识才能确定合适的参数值。为了减少参数对于离群点检测的影响,提出了一种无需参数的基于Delaunay三角剖分的离群点检测算法。Delaunay三角剖分是数值分析以及图形学中的重要基础理论,它的构建无需任何参数,在三角剖分图中的每个数据对象与它空间上相邻的点都存在边直接相连,因此可以形成一种有效的邻居关系。算法首先通过Delaunay三角剖分形成每个点的空间邻居集合,然后根据每个点与它们空间邻居之间的分布特征,计算它们的离群程度,根据离群程度的大小判断该点是否为离群点。通过实验与相关的算法比较,算法具有更好的效果。     

基于多尺度特征点识别与局部谱特征的离散数据匹配

为了实现部分重叠且不同视角的测量数据配准,提出多尺度特征点检测算法,可以从大量的原始数据中提取少量特征点。该算法包括离散曲率计算、双边滤波和特征点计算等步骤,特征点个数可以由尺度参数粗略控制。提出局部形状谱描述器来描述每个特征点的局部形状特性,首先利用局域点的距离和曲率信息构造关系矩阵,然后通过计算关系矩阵的特征值来构造谱描述器,利用该描述器可以方便地计算不同点集中各个特征点的对应关系,进而实现两个数据点集的配准。通过实例验证了该算法有较好的抗噪性和运行速度。     

改进重构权值的局部线性嵌入算法

目的 局部线性嵌入（LLE）算法是机器学习、数据挖掘等领域中的一种经典的流形学习算法。为克服LLE算法难以有效处理噪声、大曲率和稀疏采样数据等问题,提出一种改进重构权值的局部线性嵌入算法（IRWLLE）。方法 采用测地线距离来描述结构,重新构造和定义LLE中的重构权值,即在某样本的邻域内,将测地距离与欧氏距离之比定义为结构权值;将测地距离与中值测地距离之比定义为距离权值,再将结构权值与距离权值的乘积作为重构权值,从而将流形的结构和距离两种信息进行有机的结合。结果 对经典的人工数据Swiss roll、S-curve和Helix进行实验,在数据中加入噪声干扰,同时采用稀疏采样的方式来生成数据集,并与原始LLE算法和Hessian局部线性嵌入（HLLE）算法进行比较。实验结果表明,IRWLLE算法对比于LLE算法和HLLE算法,能够更好地保持流形的近邻关系,对流形的展开更加完好。尤其是对于加入噪声的大曲率数据集Helix,IRWLLE展现出极强的鲁棒性。对ORL和Yale人脸数据库进行人脸识别实验,采用最近邻分类器进行识别,将IRWLLE算法的识别结果与LLE算法进行对比。对于ORL数据集,IRWLLE算法识别率为90%,原LLE算法的识别率为85.5%;对于Yale数据集,IRWLLE算法识别率为88%,原LLE算法的识别率为75%,可见IRWLLE在人脸识别率上也有很大提高。结论 本文提出的IRWLLE算法对比于原LLE算法,不仅将流形距离信息引入到重构权值中,而且还将结构信息加入其中,有效减少了噪声和流形外数据点的干扰,所以对于噪声数据具有更强的鲁棒性,能够更好地处理稀疏采样数据和大曲率数据,在人脸识别率上也有较大提升。     

非规则三维碎片部分匹配算法研究

针对三维碎片拼合中的碎片匹配问题,在提取碎片轮廓线的基础上,提出了一种快速的碎片匹配算法。该算法首先对轮廓特征点按其邻域曲面片的形状进行分类;其次根据特征点类型标志、曲率及特征段Hausdorff距离对不同轮廓线上的特征段进行相似性度量;最后利用法矢对相似度较高的轮廓段进行可匹配性验证。该算法较适合于用散乱点云表示的三维碎片模型。     

邻域自适应SMOTE算法研究

针对SMOTE(synthetic minority over-sampling technique)等基于近邻值的传统过采样算法在处理类不平衡数据时近邻参数不能根据少数类样本的分布及时调整的问题,提出邻域自适应SMOTE算法AdaN_SMOTE.为使合成数据保留少数类的原始分布,跟踪精度下降点确定每个少数类数据的近邻值,并根据噪声、小析取项或复杂的形状及时调整近邻值的大小;合成数据保留了少数类的原始分布,算法分类性能更佳.在KE E L数据集上进行实验对比验证,结果表明AdaN_SMOTE分类性能优于其他基于近邻值的过采样方法,且在有噪声的数据集中更有效.     

障碍环境中线段组最近邻查询方法研究

为了解决现有成果无法有效处理障碍环境下的线段组最近邻查询问题,提出了障碍环境中线段组最近邻查询方法。查询过程分为过滤阶段和精炼阶段两个部分。在过滤过程中,首先根据线段Voronoi图的性质以及线段障碍组最近邻查询的定义,提出了针对数据线段的剪枝定理,并提出了OLGNN_Line_Filter算法;根据线段障碍距离的定义,进一步提出针对障碍物的剪枝定理,并给出了OLGNN_Obstacle_Filter算法。在精炼过程中,为了得到更精确的查询结果,提出了相应的精炼定理和精炼算法STA_OLGNN。理论研究和实验表明,所提算法能够有效地处理障碍环境下的线段组最近邻查询问题。     

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。