点云模型上近似测地线的计算

为了有效计算点云模型上任意两点间的近似测地线,将点云模型沿着直角坐标系中三坐标轴方向进行空间栅格划分后,建立表示点云模型的带权图,采用Dijkstra算法计算带权图上任意给定两点间的最短路径作为初始测地线;然后通过使能量函数最小化,用共轭梯度方法对初始测地线迭代优化,计算得到点云模型上任意给定两点间的近似测地线。该算法无需对点云模型进行网格化,无需对点云模型进行局部或全局的曲面重建,适合大规模点云模型上测地线的计算。     

三角网格表面任意两点间并行近似测地线算法

为降低求解三角网格表面任意两点间近似测地线长度和路径问题的时间开销,提出一种基于局部细分法的并行近似测地线算法。采用类矩阵乘最短路径并行算法求解点对间初始最短路径,并用源分割法映射子网格数据;所有处理器并行执行,对其所拥有点对之间的初始最短路径周围三角面片上的边进行细分操作;最后基于局部细化后的细分图并行,求得所有点对间的近似测地线长度和路径。实验结果表明,该并行近似测地线算法能够有效降低求解该类问题的计算时间,计算效率大大提高。     

改进的三角网格表面近似测地线算法

三角网格表面的测地线计算问题可转化为三角网格表面两点间的最短路径计算问题,为了快速地计算三角网格表面测地线,提出一种基于缩小最短路径搜索区域的三角网格表面近似测地线算法。将三角网格沿坐标系三坐标轴方向进行空间单元划分,使用A*算法求出两点间的最短路径盒子序列,进而得到新的搜索区域,计算三角网格上两点间的最短路径,迭代细分最短路径邻域内的边以构造新的网格求解测地线。实验结果表明,该算法能够快速准确地计算出三角网格表面任意两点间的近似测地线,有效解决大型三角网格上最短路径计算速度慢的问题,计算速度较改进前的算法提高了10倍~59倍。将该算法应用到虚拟肝脏手术系统的区域标定中,可满足虚拟场景中对计算实时性和效果真实性的要求。     

基于扩展测地线的鞋楦围长测量

通过扩展测地线的定义,把鞋楦围长测量问题转化为求解鞋楦曲面上带宽度属性的测地线问题.首先以传统测地线为初始曲线在鞋楦曲面上构造具有一定宽度的子曲面,对子曲面进行离散点采样并构造弹簧质点系统;用带曲面约束的弹簧质点系统的运动能量作为子曲面的运动能量,再基于迭代优化的方法最小化子曲面能量,基于测地线思想计算出的鞋楦表面最短路径即为鞋楦围长;此外,对耗时较多的曲面约束计算采用GPU并行加速,进一步缩短了计算时间.实验结果表明,鞋楦围长测量结果达到了行业精度要求.     

三角网格模型上任意两点间的近似最短路径算法研究

提出一种任意三角网格模型上两点间的近似最短路径算法．该算法首先将三角网格模型表示为带权图结构，然后用Dijkstra算法计算带权图中两顶点间的最短路径，并将其作为网格模型上该两点间最短路径的初始近似．通过不断地迭代对相关三角形边进行自适应细分，并构造每次细分后新的带权图，从而对网格模型上的两点间最短路径进行迭代逼近．该算法效率高，可以很好地控制精度，适用于大型三角网格模型两点间最短路径寻找．文中还讨论了该算法在任意三角网格模型区域划分中的应用．     

基于局部指纹曲面片的点云三维物体识别

提出一种新的基于局部描述符的点云物体识别算法。算法根据点云的位置信息提取出邻域以及曲率信息,进而得到形状索引信息。根据形状索引提取到特征点,在每个特征点根据样条拟合原理得到测地距离和矢量夹角分割曲面得到曲面片集。每个曲面片的等距测地线构成了曲面片指纹,通过矢量和半径的变化描述,可以把每个模型物体得到的曲面片集描述存入数据库。对于给定的一个物体,根据上面步骤同样得到其曲面片集描述,通过和数据库中模型物体曲面片集的比对,得到初始识别结果。对每对初始识别结果进行对应滤波后,通过最近点迭代方法得到最终的识别结果。最后通过具体的实验说明了算法的有效性和高效性。     

三角网格表面近似测地线的计算

为了有效地计算三角网格表面任意两点间的近似测地线,将三角网格模型表示成带权图,计算带权图上两点间的最短路径,并迭代细分最短路径邻域内的边以构造新的带权图求解.改进了细分顶点的生成策略,提出了邻域扩展的方法,提高了迭代运算速度,有效地解决了迭代细分算法容易陷入局部最优的问题;并把测地线距离应用于径向基函数,实现了一种曲面变形算法.实验表明该算法达到了较好的效果.     

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．     

基于遗传算法的曲面最短路径求解

对曲面上两点间最短路径的求解是一个应用非常广泛，但理论求解困难的问题。遗传算法是一种新型的、较成熟的全局随机搜索算法，具有优良的性态。该文将遗传算法引入到曲面最短路径寻优的问题中。首先在离散化的模拟数字高程上依据起点和终点，以实数编码产生一系列初始群体，定义相应的适应度函数，然后对群体进行复制、交叉和变异等操作，求解出一条曲面上两点间的最短路径。在文章的最后给出了一个数值仿真实例来了证明该算法的有效性和实用性。     

基于散乱点的增量式曲面逼近

针对用接触式三维点数据获取设备快速输入的物体表面散乱点云数据，提出了增量式B样条曲面快速逼近算法．该算法首先要获得重建曲面的边界数据，以生成初始曲面；然后对输入的散乱数据点云用投影法计算出其参数值；再用模板子块在曲面上移动，反算出模块子块的控制点；最后更新整个曲面的相应控制点，实现边输入、边逼近，即增量式曲面逼近．在输入过程中可看到曲面逐渐逼近目标曲面的过程，在误差大的区域可以增加输入点来改善曲面逼近效果．对于复杂曲面进行多次投影计算散乱数据点参数及曲面逼近，可达到良好效果．     

隐式B-样条曲线重建的直接Greville纵标法

提出了一种以隐式B-样条曲线为表达形式,基于直接Greville纵标的曲线重建方法。根据点云建立有向距离场,并作为B-样条函数的Greville纵标,然后根据高影响区内的平均代数误差优化Greville纵标;得到一个隐式B-样条函数,该函数的零点集即为重建曲线。该方法具有模型简单,重建速度快,无多余分支,无需手工调节任何参数的优点。实验结果证实了该直接法的效率明显高于点拟合法和普通场拟合法,以几何误差为准则的精度亦优于普通场拟合方法。     

面向RGBD深度数据的快速点云配准方法

目的 真实物体的3维重建一直是计算机图形学、机器视觉等领域的研究热点。针对基于RGBD数据的非匀速非固定角度旋转物体的3维重建问题,提出一种利用旋转平台重建物体3维模型的配准方法。方法 首先通过Kinect采集位于旋转平台上目标物的深度数据和颜色数据,对齐融合并使用包围盒算法去除背景噪声和不需要的外部点云,获得带有颜色信息的点云数据。并使用基于标定物不同角度上的点云数据标定出旋转平台中心轴的位置,从而获得Kinect与旋转平台之间的相对关系;然后通过曲率特征对目标点云进行特征点提取并寻找与相邻点云的对应点;其中对于特征点的选取,首先针对点云中的任意一点利用kd-tree搜寻其k个邻近点,对这些点进行曲面拟合,进而计算其高斯曲率,将高斯曲率绝对值较大的n个点作为点云的特征点。n的取值由点云的点个数、点密度和复杂度决定,具体表现为能反映物体的大致轮廓或表面特征信息即可。对于对应点的选取,考虑到欧氏距离并不能较好反映点云中的点对在旋转过程中的对应关系,在实际配准中,往往会因为点云重叠或距离过远等原因找到大量错误的对应点。由于目标物在扫描过程中仅绕旋转轴进行旋转,因此采用圆弧最小距离寻找对应点可有效减少错误点对。随后,使用二分迭代寻找绕中心轴的最优旋转角度以满足点云间的匹配误差最小;最后,将任意角度获取的点云数据配准到统一的坐标系下并重建模型。结果 使用斯坦福大学点云数据库和自采集数据库分别对该方法和已有方法在算法效率和配准结果上进行对比实验,实验结果显示在拥有平均75 000个采样点的斯坦福大学点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少86.5%、57.5%,算法运行时间分别平均减少87%、60.75%,欧氏距离误差平方和分别平均减少70%、22%;在具有平均57000个采样点的自采集点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少94%、75%,算法运行时间分别平均减少92%、69%,欧氏距离误差平方和分别平均减少61.5%、30.6%;实验结果显示使用该方法进行点云配准效率较高且配准误差更小;和KinectFusion算法相比在纹理细节保留上也表现出较好的效果。结论 本文提出的基于旋转平台标定的点云配准算法,利用二分迭代算法能够有效降低算法复杂度。与典型ICP和改进的ICP算法的对比实验也表明了本文算法的有效性。另外,与其他方法在具有纹理的点云配准对比实验中也验证了本文配准方法的优越性。该方法仅采用单个Kinect即可实现对非匀速非固定角度旋转物体的3维建模,方便实用,适用于简单快速的3维重建应用场合。     

Discrete plane segmentation and estimation from a point cloud using local geometric patterns

This paper presents a method for segmenting a 3D point cloud into planar surfaces using recently obtained discretegeometry results. In discrete geometry, a discrete plane is defined as a set of grid points lying between two parallel planes with a small distance, called thickness. In contrast to the continuous case, there exist a finite number of local geometric patterns （LGPs） appearing on discrete planes. Moreover, such an LGP does not possess the unique normal vector but a set of normal vectors. By using those LGP properties, we first reject non-linear points from a point cloud, and then classify non-rejected points whose LGPs have common normal vectors into a planar-surface-point set. From each segmented point set, we also estimate the values of parameters of a discrete plane by minimizing its thickness.     

伪点云修正增强激光雷达数据

目的 激光雷达在自动驾驶中具有重要意义,但其价格昂贵,且产生的激光线束数量仍然较少,造成采集的点云密度较稀疏。为了更好地感知周围环境,本文提出一种激光雷达数据增强算法,由双目图像生成伪点云并对伪点云进行坐标修正,进而实现激光雷达点云的稠密化处理,提高3D目标检测精度。此算法不针对特定的3D目标检测网络结构,是一种通用的点云稠密化方法。方法 首先利用双目RGB图像生成深度图像,根据先验的相机参数和深度信息计算出每个像素点在雷达坐标系下的粗略3维坐标,即伪点云。为了更好地分割地面,本文提出了循环RANSAC （random sample consensus）算法,引入了一个分离平面型非地面点云的暂存器,改进复杂场景下的地面分割效果。然后将原始点云进行地面分割后插入KDTree （k-dimensional tree）,以伪点云中的每个点为中心在KDTree中搜索若干近邻点,基于这些近邻点进行曲面重建。根据曲面重建结果,设计一种计算几何方法导出伪点云修正后的精确坐标。最后,将修正后的伪点云与原始激光雷达点云融合得到稠密化点云。结果 实验结果表明,稠密化的点云在视觉上具有较好的质量,物体具有更加完整的形状和轮廓,并且在KITTI （Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上提升了3D目标检测精度。在使用该数据增强方法后,KITTI数据集下AVOD （aggregate view object detection）检测方法的AP_3D-Easy （average precision of 3D object detection on easy setting）提升了8.25%,AVOD-FPN （aggregate view object detection with feature pyramid network）检测方法的AP_BEV-Hard （average precision of bird’s eye view on hard setting）提升了7.14%。结论 本文提出的激光雷达数据增强算法,实现了点云的稠密化处理,并使3D目标检测结果更加精确。     

基于场表示的平面无序点集曲线重建算法

由无序离散点集重建出曲线曲面模型，在反求工程与计算机视觉中都有着广泛的应用。针对平面无序带噪声的曲线重建问题，通过模拟带电粒子在空间中形成场分布的现象，构造了一个反映平面点集形状与分布稠密程度的场函数，以场函数曲面的脊线在平面上的投影作为平面无序点集的重建曲线。为求得重建曲线，可先在平面上选取一条适当初始曲线，由初始曲线沿着场函数的梯度方向运动，其极限位置便为重建曲线。大量实例证明，这种方法简单可行，可获得满意的重建曲线；同时，对于带插值约束条件以及分布不均匀的点集，也可以获得满意的结果。     

基于二次精简的散乱点云精简方法

在逆向工程中,点云精简是一个重要的步骤,精简的质量直接关系到后续曲面重构的效率。分析了常用的几种点云精简方法,并针对现有方法的不足,提出一种改进的方法。该方法使用 PCA主成分析法,利用点的k邻域点集拟合切平面,将点到该平面距离作为判断特征点的依据进行初始精简,再利用均匀网格的方法对初始精简后的点云进行重采样处理,保留部分关键特征点。通过初始精简和后期精简两步法完成对点云的精简步骤,并通过实验验证了该方法的有效性。     

几何特征保持的文物点云去噪算法

三维激光扫描是一种快速获取高精度点云的新技术,但由于受物体本身的构造、粗糙程度、纹理以及测量环境等因素的影响,获取的点云数据大多存在孤立的噪声点。针对文物点云数据模型中复杂噪声难以去除的问题,提出一种几何特征保持的点云去噪算法。首先通过栅格划分删除点云中的大尺度噪声;然后定义点云中数据点的曲率因子和密度因子,并通过对其加权构造模糊C均值聚类（Fuzzy C-means clustering, FCM）的目标函数;最后采用该特征加权FCM算法删除小尺度噪声,从而实现点云的去噪处理。实验结果表明,该几何特征保持的去噪算法对文物点云数据具有良好的去噪效果,是一种有效的点云去噪算法。     

An entropy target-point approach to multiobjective programming

In this paper, we present a method for solving multiple objective programming problems. The method can be interpreted as a ‘distance’ method, i.e. the method minimizes the ‘distance’ from a target point specified by the decision maker. The auxiliary ‘distance’ objective we use in our method is the entropy function. With this choice of auxiliary objective, we obtain a computationally efficient method. This algorithmic efficiency is especially emphasized when the method is to be used in an interactive scheme where the auxiliary problem has to be solved repeatedly for a number of different target points. Another attractive feature of the choice of an entropy auxiliary objective function is that it generates stable solutions.     

A fast registration algorithm of rock point cloud based on spherical projection and feature extraction

Point cloud registration is an essential step in the process of 3D reconstruction. In this paper, a fast registration algorithm of rock mass point cloud is proposed based on the improved iterative closest point (ICP) algorithm. In our proposed algorithm, the point cloud data of single station scanner is transformed into digital images by spherical polar coordinates, then image features are extracted and edge points are removed, the features used in this algorithm is scale-invariant feature transform (SIFT). By analyzing the corresponding relationship between digital images and 3D points, the 3D feature points are extracted, from which we can search for the two-way correspondence as candidates. After the false matches are eliminated by the exhaustive search method based on random sampling, the transformation is computed via the Levenberg-Marquardt-Iterative Closest Point (LM-ICP) algorithm. Experiments on real data of rock mass show that the proposed algorithm has the similar accuracy and better registration efficiency compared with the ICP algorithm and other algorithms.