改进的三维点集凸包求取算法

为提高三维点集凸包的求取效率,提出充分利用凸包极值点和性质改进的三维点集凸包求取算法.首先,求出三维点集中的极值点,并由它们形成初步凸包;其次,根据初步凸包与点的位置关系,排除其内部点;最后,依次考察其外部点,求出符合要求的点集、棱边集和面集,并对凸包进行扩展,得到凸包的点集、棱边集和面集.与普通算法进行时间的复杂度分析比较及实验表明,该算法效率较高.     

基于分层学习的三维模型兴趣点提取算法

针对基于学习的三维模型兴趣点提取问题,提出一种兴趣点分层学习的全监督算法.提取三维模型表面所有顶点的特征向量后,将人工标注的兴趣点分为稀疏点和密集点,对于稀疏点使用整个三维模型进行神经网络训练,对于密集点则找出兴趣点分布密集的区域进行单独的神经网络训练;然后对2个神经网络进行特征匹配,得到一个用于三维模型兴趣点提取预测的分类器.测试时,提取新输入的三维模型上所有顶点的特征向量,将其输入到训练好的分类器中进行预测,应用改进的密度峰值聚类算法提取兴趣点.算法采用分层学习的策略,解决了传统算法在模型细节处难以准确提取密集兴趣点的问题.在SHREC’11数据集上的实验结果表明,与传统算法相比,该算法提取兴趣点的准确率更高,出现的遗漏点和错误点更少,对解决越来越精细的三维模型的兴趣点提取问题有较大帮助.     

利用Kinect深度信息的三维点云配准方法研究

针对三维重建中的点云配准问题,提出一种基于点云特征的自动配准算法。利用微软Kinect传感器采集物体的多视角深度图像,提取目标区域并转化为三维点云。对点云进行滤波并估计快速点特征直方图特征,结合双向快速近似最近邻搜索算法得到初始对应点集,并使用随机采样一致性算法确定最终对应点集。根据奇异值分解法求出点云的变换矩阵初始值,在初始配准的基础上运用迭代最近点算法做精细配准。实验结果表明,该配准方法既保证了三维点云的配准质量,又降低了计算复杂度,具有较高的可操作性和鲁棒性。     

基于深度学习的点云目标检测方法

随着自动驾驶技术和点云处理技术的不断发展,如何对点云数据中的点的相关特征进行分析就成为关键问题.针对点云特征分析问题,很多的文献中对点云特征值采取手动输入的方法.然而,该类方法无法适应实际环境中复杂多变的情况.为了解决该问题,该文提出了一种新的基于深度学习网络的三维点云检测框架.该框架以深度学习作为点云分析工具,并引入...     

两个三维点集的非精确匹配方法

本文提出了两种高效率的用于匹配两个三维点集的方法,第一种方法是对文献[1]所提出的方法的改进,但第一种方法需要知道三个匹配点,为了放宽条件,我们提出了第二种方法,第二种方法具有更好的适用性,它可以解决任意两个三维点集的匹配问题,这两种方法都是基于先分别对两个点集中的全部点进行排序,然后进行小范围的局部匹配的思想;假定两个点集中都有几个点,它们的计算复杂性是O(n log n),而其它的方法都是O(n~2)。在点集较大的情况下(大于20个点),这两种方法将获得快速而有效的结果,并且容易逼近总体上的最佳匹配。     

两种数据源耦合处理及三维建模研究

针对如何将无人机倾斜摄影技术测量和三维激光点云这两种不同数据可以有效的耦合在一起,解决二者在空间上的耦合这一问题开展研究,采用点云实体融合的方法实现无人机倾斜摄影影像和地面激光点云的融合.实现点云融合的关键,是要解决地面激光点云与无人机倾斜影像自动高精度配准、地面激光点云与无人机倾斜影像点云的去冗和融合问题.主要解决如何将无人机倾斜摄影测量数据和三维激光测量点云数据的高效耦合,并对耦合结果实现三维模型构建的实验验证.构建三维模型是所有作战模拟、作战仿真、装备虚拟训练等的基础,本研究为获取战场信息、构建形象直观、易于理解的三维战场态势图模型,以提高指挥员对战场理解的准确程度、辅助指挥决策等,具有重要的军事意义.     

基于SketchUp的建筑物实景三维模型重建

随着三维激光扫描仪的价格不断下降,激光扫描技术的不断完善和数据处理方法的不断提升,三维激光扫描技术应用越来越广泛。本文通过STONEX X500Plus三维激光扫描仪采集传习馆点云数据,利用SketchUp软件,详细介绍建筑物三维建模的主要技术流程,实现建筑物点云数据实景三维建模。     

一种改进的基于特征点求解的骨架提取算法

基于特征点求解和Reeb图思想,实现了一种新的骨架提取算法。首先求取模型特征点集,以特征点为计算依据,根据三角网格中每个顶点与特征点的不同对应关系得到网格分支点,聚合成一系列骨架点,依据骨架点携带的拓扑信息,连接拓扑相邻的骨架点得到模型骨架。采用了改进的特征点提取算法,其时间复杂度由O（n^3）提高到了O（n^2log（n））,实验表明算法能够快速提取骨架,针对一般模型的骨架提取效果令人满意。     

基于Kinect的轴类零件三维重建研究

使用Kinect采集的深度数据,进行了轴类零件三维重建算法的研究。首先借助Kinect获取深度和彩色数据,通过坐标转换将深度信息转换成三维点云数据;其次提取出感兴趣目标的点云数据,根据点云数据的噪声特点,并对其进行滤波降噪处理;然后进行点云分割获得点云集,最后对各点云集进行结构参数化分析。实验结果表明,本文算法能够精确、高效地实现轴类零件的重建。