利用密集匹配点云的建筑物结构矢量化方法

针对在建筑精细信息分析、城市更新等领域中,包含结构信息的矢量化结果自动化程度不足的问题,提出了一种以密集匹配点云作为数据源的建筑物结构感知与矢量化方法.首先,在建筑物结构单体点云提取的基础上,利用矢量轮廓重建算法和基于建筑剖面轮廓的屋檐改正方法剔除屋檐的影响,进一步采用剖面特征追踪方法,并结合基于图像的剖面结构拓扑对比...     

倾斜摄影与地面激光点云融合精细化建模研究

无人机倾斜摄影获取的地面影像数据不可避免地会产生局部遮挡现象,导致在空三加密过程中出现点云漏洞的情况,导致最后生成的三维模型在相应部位出现拉花、变形现象。为解决此类问题,可利用地面激光点云分辨率高、抗干扰能力强等特点,将其与倾斜摄影融合建模,从而提高模型的精细度和可靠性。     

基于机械臂的Kinect车辆轮廓点云配准

车辆轮廓的三维点云模型在汽车智能化制造及维保过程中具有重要作用。为提高点云配准的精度和效率,以汽车维保机器人为研究对象,提出一种基于点云数据处理技术的车辆轮廓扫描定位及点云数据配准方法。在机械臂末端安装Kinect深度传感器实现精准移动,在汽车四周采集点云数据并进行预处理,根据机械臂运动学方程计算传感器采样位姿,完成初步配准。在此基础上,使用迭代最近点算法完成车辆轮廓点云的精确配准。实验结果表明,该方法可完成各视角点云数据的准确、快速配准,得到完整的三维点云数字模型。     

机载三维激光成像系统点云数据滤波与地面点提取算法研究

使用原始的las标准格式的雷达数据,首先根据激光的回波次数和反射强度信息进行滤波,经过初步滤波之后根据角度限制法则和窗口移动法进行地面点提取工作,使用Delphi编程语言实现了该算法,并使用不同的阈值对不同的数据进行了结果的对比。     

可变半径Alpha Shapes提取机载LiDAR点云建筑物轮廓

目的 机载激光雷达（light detection and ranging,LiDAR）能够快速获取建筑物表面的3维点云,为提取建筑物轮廓提供重要的数据支撑,但由于激光脚点的随机性和点云自身的离散性,常规固定半径Alpha Shapes（A-Shapes）算法难以兼顾轮廓提取的精细度和完整度,且在点数量较大情况下计算效率较低。因此,提出一种基于网格的可变半径Alpha Shapes方法用于提取机载LiDAR点云建筑物轮廓。方法 对3维点云进行投影降维,对投影后2维离散点的范围构建规则格网,接着根据网格内点云填充情况筛选出边界网格,计算边界网格的平滑度并加权不同的滚动圆半径,再以边界网格为中心生成3×3邻域网格检测窗口,利用滚动圆原理提取窗口内点集的边界点,迭代检测直到所有边界网格遍历完成,最后获取点云的完整轮廓。结果 在精度评价实验中,与固定半径A-Shapes方法和可变半径Alpha Shapes（variable radius Alpha Shapes,VA-Shapes）方法相比,若建筑物以直线特征为主且边缘点云参差不齐,则本文方法的提取效果不理想;若建筑物含有较多拐角特征,则本文方法的提取效果较好。在效率评价实验中,与A-Shapes方法、VA-Shapse方法以及包裹圆方法相比,若点云数据量较小,则4种方法的耗时差距不大;若数据量较大,则本文方法和包裹圆方法的耗时远小于固定半径A-Shapes方法。实验结果表明,本文提出的轮廓提取方法适用于多种形状的建筑物点云。从轮廓完整性、几何精度以及计算效率等几方面综合考虑,本文方法提取建筑物点云轮廓效果较好。结论 本文提出的基于网格的可变半径Alpha Shapes建筑物点云轮廓提取方法结合了网格划分和滚动圆检测的优点,能够有效提取机载LiDAR建筑物点云顶部轮廓,具有较高的提取效率和良好的鲁棒性,提取的轮廓精度较高。     

基于特征点匹配的排水管道声点云模型配准算法

三维重建技术逐渐成为获取全面、完备、准确的排水管道信息的关键手段。而实际检测受到管道堵塞等工况与管道检测规程等因素限制,造成所获得的管道声呐点云模型会出现位姿不同、部分重叠或空缺等情况,需要通过配准获取完整管道模型。同时,传统ICP算法针对管道模型存在效率低、精度差的问题。因此,该文提出基于特征点匹配的粗配准与改进的ICP精细配准相结合的点云配准算法。首先,利用ISS特征点检测法检测出模型特征点,通过FPFH对特征点进行进一步的描述;其次,采用RANSAC算法筛选出正确特征匹配点集,利用四元数法解算出初始变换参数完成粗配准;最后,在粗配准基础上,通过改进最近对应点查询的ICP算法完成精细配准。实验结果表明了该文算法的可行性与优越性,能为后续排水管道缺陷检测提供高完备、全面、准确的点云模型。     

多特征提取与匹配矩阵驱动的点云配准

针对三维点云配准时容易受到噪声、奇异值等不利因素影响的问题,提出一种多特征提取与匹配矩阵驱动的点云配准方法。利用多特征提取模块提取稳健的关键点和关键点的局部几何特征;分别计算出关键点的特征匹配矩阵和空间匹配矩阵,并对二者进行融合,提高正确匹配点对的概率;在前两方法的驱动下,利用加权奇异值分解计算点云间的刚体变换矩阵,降低噪声和奇异值等因素对配准的影响。实验结果表明,所提方法与现有的点云配准方法相比,具有更高的配准精度和较强的鲁棒性。     

基于角点的CT影像轮廓遮挡识别

针对CT影像中的启发式轮廓提取,提出了一种根据上层轮廓识别的当前轮廓遮挡的算法。使用基于曲线的弧长参数化方法识别遮挡,这种方法能够识别出轮廓的所有遮挡,但是,轮廓中的非遮挡部分也可能被识别为遮挡。利用DCSS（直接曲率尺度空间）在上下轮廓中自动识别和匹配角点,进一步设计基于角点的遮挡收缩技术,通过匹配的角点缩短或者删除被错误识别的遮挡。大量的实验研究表明,该算法可以有效、准确地识别所有轮廓的遮挡。     

基于无人机遥感影像的建筑物轮廓目标检测系统设计

使用?CCD成像元件系统和基于动态扫描检测系统受到噪声影响,导致轮廓检测不完整,为解决这一问题,提出了基于无人机遥感影像的建筑物轮廓目标检测系统设计。依据系统总体架构可确定系统分为数据采集模块和处理模块。选择TLC2543A/D转换芯片,使控制字从数据输入终端连续输入。使用半导体激光传感器测量位置信息,在雪崩光电二极管上成像。采用MCS-51单片机内部数据存储器,将正常运行程序传送到高层,以便?CPU读取程序。选择371-4615型号CPU板,协调控制整机。设计轮廓目标检测流程,采用激光三角法测量方法计算待测建筑物轮廓目标距离,避免检测背景噪声影响。提取建筑物斑块,拐角点定位,完成建筑物轮廓目标检测。由实验结果可知,该系统不会受到噪声影响,能够确定建筑物轮廓和拐角,对建筑物轮廓目标识别具有一定参考意义。     

基于特征的机载激光点云与影像数据的融合

影像数据具有连续、直观、容易判别、高分辨率的特点,能够反映出地表的真实纹理信息,与离散的激光点云数据配合可以相互补充;因此将点云与图像数据进行融合,具有很强的现实意义;首先介绍了整套无人机激光数据采集系统,讨论了具有尺度不变性的sift图像拼接算法,接着提出了一种基于点特征的直接线性变换方法;经实验证明,该方法实现了三维点云与二维影像数据的融合,使每个点云数据都具有真实的RGB颜色信息,并且取得了良好的效果。     

Non-rigid registration of mural images and laser scanning data based on the optimization of the edges of interest

The orientation and correction of mural images by registering them with laser scanning data is critical for the digital protection of ancient murals.This paper proposes a method for the non-rigid registration of mural images and laser scanning data based on the optimization of the edge of interest by using laser echo intensity information as an intermediary.First,the intensity image was generated from the laser echo intensity information,and registered with the mural image using a rigid transformation model.Second,the edges of interest in the mural image and the gradient field of the intensity images were processed as registration primitives.Third,every edge of interest was registered with the optimization base used in the rigid registration of the mural image and intensity image.Finally,the registration was completed after a non-rigid transformation model between these two images was constructed using the control points on the optimized edges.Our experimental results show that the proposed method can obtain high registration accuracy for different data sets.     

基于兴趣边缘优化的壁画影像与激光扫描数据非刚性配准

将壁画影像与激光扫描数据配准,并进行定位和纠正在壁画的数字化保护中有非常重要的意义.本文以激光扫描数据强度信息为中介,提出了一种基于兴趣边缘优化的壁画影像与激光扫描数据的非刚性配准方法:由激光扫描数据生成强度影像,以壁画彩色影像的兴趣边缘和强度影像的梯度场作为配准基元,在影像刚性配准基础上,对每条兴趣边缘进行优化配准,然后以优化后边缘的特征点为控制点,构造影像之间的非刚性变换模型,完成壁画影像与激光扫描数据的配准.实验结果表明本方法在不同数据中都能获得较高的配准精度.     

基于假设检验匹配约束的点云配准算法研究

针对点云配准中效率低、误差大、抗噪性弱等问题,提出了一种改进的基于t检验的迭代最近点(T-ICP)算法。在初始配准阶段,采用统计分析对源点云和目标点云中的离群点进行标记并提取非离群点,然后采用主成分分析法(PCA)计算非离群源点云和非离群目标点云之间的变换矩阵,并将变换矩阵应用于源点云。在精配准阶段,以迭代最近点(ICP)算法作为基本框架,通过对候选点对的邻域距离分布进行t检验来剔除错误点对,并采用均匀分布策略来搜索点对,保证点云的完整形态配准。实验结果表明,相较于迭代最近点算法以及近两年一些改进的配准算法,该算法在效率和精度上分别提高了10%~50%和4%~40%,并具有较好的鲁棒性。     

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。     

基于K-means聚类和RANSAC的图像配准算法研究

针对图像配准中特征点匹配方法存在实时性不高和精度低的问题,提出了一种基于K means聚类和RANSAC的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K means聚类对匹配点对进行预处理,剔除大部分错误匹配点,然后利用RANSAC进行二次优化,实现了图像的快速和精确配准。实验结果表明,该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

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.     

深度学习刚性点云配准前沿进展

随着3维采集设备的日渐推广,点云配准在越来越多的领域得到应用。然而,传统方法在低重叠、大量噪声、多异常点和大场景等方面表现不佳,这限制了点云配准在真实场景中的应用。面对传统方法的局限性,结合深度学习技术的点云配准方法开始出现,本文将这种方法称为深度点云配准,并对深度点云配准方法研究进展予以综述。首先,根据有无对应关系对目前的深度学习点云配准方法进行区分,分为无对应关系配准和基于对应关系的点云配准。针对基于对应关系的配准,根据各类方法的主要功能进行详细的分类与总结,其中包括几何特征提取、关键点检测、点对离群值去除、姿态估计和端到端配准,并重点介绍了最新出现的一些方法;针对无对应配准方法,详细介绍了各类方法的特点并对无对应与有对应方法的特点进行了总结。在性能评估中,首先对现有主要的评价指标进行了详细的分类与总结,给出其适用场景。对于真实数据集,给出了特征匹配、点对离群值去除的对比数据,并进行了总结。在合成数据集中,给出了相关方法在部分重叠、实时性和全局配准场景下的对比数据。最后讨论了当前深度点云配准面临的挑战并给出对未来研究方向的展望。     

基于特征点和改进ICP的三维点云数据配准算法

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。最近点迭代(ICP)算法是三维激光扫描数据处理中点云数据配准的一种经典的数学方法,为了获得更好的配准结果,在ICP算法的基础之上,提出了结合基于特征点的等曲率预配准方法和邻近搜索ICP改进算法的精细配准,自动进行点云数据配准的算法,经对牙齿点云模型实验发现,点云数据量越大,算法的配准速度优势越明显,采用ICP算法的运行时间(194.58 s)远大于本算法的运行时间(89.13 s)。应用实例表明:该算法具有速度快、精度高的特点,算法效果良好。     

三维点云配准方法研究进展

点云是一种3维表示方式,在广泛应用的同时产生了对点云处理的诸多挑战。其中,点云配准是一项非常值得研究的工作。点云配准旨在将多个点云正确配准到同一个坐标系下,形成更完整的点云。点云配准要应对点云非结构化、不均匀和噪声等干扰,要以更短的时间消耗达到更高的精度,时间消耗和精度往往是矛盾的,但在一定程度上优化是有可能的。点云配准广泛应用于3维重建、参数评估、定位和姿态估计等领域,在自动驾驶、机器人和增强现实等新兴应用上也有点云配准技术的参与。为此,研究者开发了多样巧妙的点云配准方法。本文梳理了一些比较有代表性的点云配准方法并进行分类总结,对比相关工作,尽量覆盖点云配准的各种形式,并对一些方法的细节加以分析介绍。将现有方法归纳为非学习方法和基于学习的方法进行分析。非学习方法分为经典方法和基于特征的方法;基于学习的方法分为结合了非学习方法的部分学习方法和直接的端到端学习方法。本文分别介绍了各类方法的典型算法,并对比总结算法特性,展望了点云配准技术的未来研究方向。     

基于特征区域的图像自动配准

为了解决基于特征的图像配准中的特征点的定义和提取问题,提出了一种以特征区域替代特征点的定义和提取方法。该方法应用Moravec算子选择候选特征区域,使用具有旋转不变性的Zernike矩表征该区域的特性;采用二级匹配策略进行特征区域的匹配,即基于自组织映射神经网络的初始匹配及精细匹配;建立图像的配准框架并实现图像的配准。实验结果表明,该方法能有效地提取图像的特征点并能准确地进行特征点的匹配,整个配准过程完全自动进行。