由结构光扫描重建老北京城三维模型的实验设计

文章提出了一种可以通过结构光摄影测量获得特征点云的方法,所处理的数据来自老北京城3D重建工程。结构光扫描的明显特征是扫描得到的模型边缘部分点云几乎都丢失了,比如说房屋的顶部边缘点云。文中提出使用获取的立体像对提取出边缘特征点,并从提取出的边缘特征里面匹配得到同名像点,通过摄影测量交会解算出同名像点的坐标值,得到边缘部分的点云,从而完成对老北京城特征部分的重建。     

基于竞争注意力融合的深度三维点云分类网络

为了提高三维点云深度网络分类模型对全局特征的提取与表达能力,增强模型对噪声干扰的鲁棒性,提出可迁移应用于不同分类网络的竞争性注意力融合模块,学习多层级特征的全局表征和中间特征内在相似度,对中间特征通道权值重分配. 在基准网络Pointnet++和PointASNL中嵌入所提模块并进行实验,结果显示：所提模块具有独立性和可迁移性,聚焦更利于三维点云形状分类的核心骨干特征. 与基准网络相比,所提模块在保持分类精度稳定不下降的情况下,模型对点云扰动噪声、离群点噪声和随机噪声的抗干扰能力增强,在随机噪声数分别为0、10、50、100、200的情况下,准确度分别达到93.2%、92.9%、85.7%、78.2%、63.5%. 与传统滤波方法相比,端到端的学习减少预处理步骤和人工干预过程,同时具有更优的抗噪性能.     

aIB算法在古建筑信息模型特征提取中的应用与研究

古建筑信息模型特征提取在古建筑重建过程中具有重要的作用.针对三维激光扫描获取的散乱点云数据形成的古建筑信息模型在特征提取时存在的问题,采用二值化方法将图像数字化,提取特征数据集,使用aIB算法提取点云数据特征.aIB算法将原始点云数据集作为源变量X,将法向量作为相关变量Y,将特征变量作为目标变量T,将源变量X压缩到目标变量T中时,尽可能保持相关变量Y的信息,更加精确的获取点云数据特征,同时尽量压缩噪声数据.实验结果表明aIB算法可以有效提升古建筑信息模型特征提取的准确度.     

基于骨架提取的树木主枝干三维重建算法

为了实现树木主枝干的三维重建,提出了一种基于骨架提取的算法.首先,根据Dijkstra距离对点云数据进行分段.然后,提取出每个连通部分的骨架,并采用线性规划的优化模型求出距离与角度的权值,根据加权后的匹配度进行骨架的连接,得到整株树的完整骨架.最后利用圆柱体拟合出树木枝干的模型,对含笑树和樱花树分别进行了实验,得到了令人满意的实验结果.     

一种预拼装钢构件的点云自动分割算法

针对由非完整圆柱和特征相似平面组成的预拼装钢构件,提出了一种点云自动分割算法.首先通过降维投影对预处理后的空间点云做基于边界识别的空间分区,再采用随机采样一致性算法估计各分区满足几何约束条件的初值模型,并结合最小二乘拟合完成模型点云的二次过滤,达成对平面及圆柱模型点云的完整提取.在处理平面点云数据时,引入基于密度的空间...     

基于MLS点云模型特征的提取算法

针对以往特征提取算法提取边界特征效果不理想和特征识别时间较长的问题,提出了一种改进的点云模型特征边界线提取算法.该算法以移动最小二乘法为基础,在对已有的边界特征提取方法研究的基础上,结合研究对象棱角分明的特点,提取点云模型边界特征点集,利用双向搜索方法快速生成模型的特征边界线,并对得到的特征边界线进行特征修复,从而得到较为稳定的点云模型的特征边界线.实验结果表明,该算法能快速地提取点云模型的特征边界线,为后续基于特征边界的建模节约了大量时间.     

基于法向量和投影平面的点云特征提取方法

三维点云特征的提取,对于三维模型的表示、理解和识别都起着重要的作用.为了提高点云特征提取的准确性和运算速度,提出了一种基于法向量和投影平面的特征提取方法.根据矢量分布和聚类的性质提取轮廓点,使用矢量偏转角和距离对特征点进行排序,从而提取出点云特征.在Mod-elNet数据集和三维激光扫描的佛像密集点云上进行实验,结果表明,基于法向量和投影平面的特征提取方法对物体的表面轮廓具有较好的特征识别度,可以提取更多的有效特征点,运行时间较短,运算效率较高.     

基于法向量距离分类的散乱点云数据去噪

在三维点云数据的去噪中,很难实现既保持尖锐区域的特征,又使平滑区域高度光顺。为此,提出了一种基于法向量距离分类的去噪方法。首先计算点云数据的微分几何信息。采用鲁棒的方法对点云数据进行法矢量估算,并将其法矢量方向调整到一致。再根据采样点的局部二次曲面拟合来估算点云数据的曲率;然后通过计算从采样点到其切平面的法向距离,将点云数据划分为平滑区域和尖锐区域,并采用加权局部最优投影算法和双边滤波算法分别对平滑区域和尖锐区域进行滤波去噪。选用Bunny和Fandisk点云模型,分别采用单一的加权局部最优投影算法、双边滤波算法及两者相结合算法对点云模型进行去噪测试。测试结果表明:所提方法可有效去除噪声模型中的孤点,提高点云分布的均匀性;增强点云模型平滑区域的光顺度,保持了尖锐区域中的几何特征并避免了过度光顺和细节特征失真。对比测试数据可知,降噪点云模型的误差和偏差较小,Bunny模型的平均误差为0.001 1 mm,Fandisk模型的平均误差为0.000 7 mm。     

靠泊船舶的多点离岸距离提取技术

针对船岸距离信息误差所引起的逐年递增的靠泊事故率,本文提出了一种获取船舶离岸距离的方法.以船舶三维激光点云为基础,根据靠泊船舶点云数据的特点,建立了包含点云切割、降噪、筛选等方法的靠泊信息感知模型,用来提取靠泊船舶的多点离岸距离信息.本文使用"海洋岛"客滚轮靠泊点云数据对该方法的有效性进行了验证,模型输出的数据能反映船...     

面向复杂形面匹配的边界特征提取方法

针对车身封闭件装配过程中的匹配优化问题,提出一种面向复杂形面匹配的边界特征提取方法.对匹配边界特点进行分析,确定边界点的提取信息、采样间距大小及其搜索邻域.对采样后的点云数据,建立k-d树进行索引.对采样点在搜索邻域内的邻近点建立最小二乘微切平面,利用投影到微切平面局部坐标系内的邻近点分布特性,判断边界特征点及其匹配特征.案例分析验证了该方法在处理复杂形面匹配边界特征点提取时的有效性,在不影响匹配效果的前提下,本文方法可显著提高复杂形面边界特征的提取效率.     

基于KFCM的三维点云精简算法

毫米波雷达、TOF相机等扫描设备捕获的点云包含大量的冗余信息与噪声点,降低了点云配准的精度与处理效率。针对上述问题,提出基于KFCM的三维点云精简方法,将原始扫描点云以核函数映射至特征空间,同时更新聚类中心及隶属度矩阵,利用加权误差平方和建立目标函数且以其收敛为算法终止标准,最终将聚类中心作为精简结果输出。实验结果表明,本方法可在良好保持点云基本特征的前提下降低源点云分辨率以达到精简效果,且可通过调节参数控制输出点云的疏密程度,在与配准任务的适应性实验中可满足ICP等配准算法的需求。     

点云目标检测残差投票网络

高精度的三维目标检测是实现物体感知的关键技术,对自动驾驶、机器人控制等应用的落地具有重要意义.为提高三维目标检测的精度,对算法VoteNet改进,提出了一种基于残差网络的端到端的高精度三维点云目标检测网络ResVoteNet.具体来说,设计了适用于点云数据的残差网络骨架,提出了残差特征提取模块以及残差上采样模块,并集成...     

双目立体视觉方法测量雷管药量高度

介绍了双目立体视觉系统的基本原理、摄像机标定技术以及对得到的点云图进行的后续处理。采用维视图像的CCAS单双目视觉标定算法软件对所用的VS078FC摄像机进行了标定,结果精确度高,用时短,实用性强。应用Geomagic studio软件进行点云处理去除噪声,误差小,数据完整。     

基于几何图像的点云数据简化算法

提出一种基于几何图像的点云数据简化算法,该算法将基于几何图像的简化与随机采样相结合,首先将点集合的笛卡尔坐标转换为球面极坐标,再将球面极坐标重采样到灰度图像中,然后基于几何图像进行简化,最后引入随机采样来填补几何图像简化所产生的孔洞.实验证明了该算法的正确性和高效性.     

基于点云和设计模型的仿真模型快速重构方法

随着产品装配质量要求的不断提高,为了在CAD模型仿真试验中快速且准确地表达零件实际加工质量,提出基于点云和设计模型的仿真模型快速重构方法. 采用“一面两孔配准”方法,将零件实测点云数据配准到设计模型上;根据设计模型边界提取出曲面重构所需的控制顶点;采用非均匀有理B样条（NURBS）方法对控制顶点进行曲面拟合;根据仿真需求,结合边界表示法（BREP）和构造实体表示法（CSG）实现模型表面的局部和快速替换. 在CATIA中开发基于实测点云数据和设计模型的仿真模型快速重构模块,和基于可拓展标记语言（XML）和特征完全匹配的数字预装配模块. 以某航空企业典型零件和舱门预装配为例,验证该方法的重构精度和效率及其在预装配仿真中的高效性和准确性.     

基于改进的角度偏差法的采空区点云数据精简

在保证采空区几何特征不变的前提下,有必要对点云数据进行精简,提高三维建模及其应用的效率。介绍了点云数据精简算法的评价体系,探讨了空区探测系统扫测采空区的点云数据特点; 在对比最小距离法、平均距离法、角度偏差法、弦高偏差法等采空区点云数据精简方法的基础上,提出了保留采空区几何特征更为有效的点云数据精简方法——改进的角度偏差法。通过对比精简前后的扫描线周长、面积及标准差等指标,认为该方法不但保持了扫描线的细节,而且使精简后扫描线上的点分布较均匀,为后续三维建模及应用打下良好基础。     

基于径向基函数神经网络的机载LiDAR点云空洞填补方法

机载LiDAR技术为地表三维数据的获取和DEM、DSM的构建提供了有利的条件. 由于建筑物和植被遮挡等原因,造成了点云的缺失,形成区域的空洞,给地表建模带来不便,需要对LiDAR点云数据进行插值处理以修复缺失的数据. 对径向基函数(RBF)神经网络构建插值模型进行了研究,利用该模型对点云中缺失的空洞区域进行修复. 通过利用一部分采样点对RBF神经网络进行学习训练,得到模型中参数的具体值,然后利用这些参数值对空洞区进行插值. 实验验证了RBF神经网络模型的有效性及插值精度.