基于背包激光扫描点云强度的胸径提取方法研究

为了提高背包激光扫描点云林木胸径提取精度。以3块山区人工林做为研究对象,选取距离地面1.3 m处一定厚度的树干点云为胸径切片,切片厚度分别为0.2 m、0.4 m和0.6 m。对切片点云基于点云强度划分点云区间以获得多种胸径切片,将处理得到的切片点云映射到二维平面,采用最小二乘法对二维点进行胸径提取。结果表明：切片厚度为0.6 m、强度区间为［5,10］的切片点云提取胸径结果最好,3块样地胸径提取结果RMSE分别为0.46 cm、0.83 cm和1.03 cm,MAE分别为0.37 cm、0.66 cm和0.81 cm,相对精度分别为97.03%、94.73%和96.73%。相比于同等条件下完整点云结果,RMSE分别降低了61.34%、25.90%和61.71%,MAE分别降低了68.91%、31.96%和65.97%,相对精度分别提高了6.10%、1.95%和5.8%。并且使用点云数量分别降低了97.63%、97.25%、97.83%,平均用时分别提高了98.5%、97.6%、96.36%。通过使用最佳强度区间内的点云提取胸径,不仅可以减少点云数量节约时间成本,更能够提高胸径提取精度,并为提取其他林木参数提供参考。     

基于法向量距离的路面坑槽提取方法

以路面高程激光点云为研究对象,提出一种基于法向量距离的路面坑槽提取方法.首先对路面高程点云数据进行数据清洗;其次采用自适应最优邻域的PCA方法估算路面点云数据的法向量,通过计算路面点云中采样点到其局部二次曲面的切平面的法向距离作为法向量距离;以法向量距离描述采样点的三维空间特征,并通过阈值分割自动提取路面坑槽点云集合,...     

基于Kinect 2.0深度图像的快速体积测量

为了满足现实生活中对物体体积实时测量的需求,提出了一套基于Kinect 2.0深度图像处理的快速体积测量方案。首先,使用Kinect 2.0深度传感器获得深度图像及对应的点云数据矩阵,并对深度图像进行增强、二值化、目标提取等预处理,定位出目标物体。然后,通过像素点的统计和点云数据的处理得到目标物体的面积、高度。最后由面积和高度完成目标物体的体积计算。经验证这种方法的体积测量误差控制在3%以内,完全满足实时性的误差要求,又由于深度图像较彩色图像不易受光线、背景的干扰,使得该方法具有很强的鲁棒性。     

一种针对行道树残缺点云的三维绿量估计方法

针对车载移动测量系统获取的行道树激光点云残缺问题,提出了一种基于残缺率加权的三维绿量估计方法。首先计算树冠冠层不同方位上的点云残缺率,然后将平均方位残缺率作为权重计算冠层面积,进一步计算各冠层体积,累计得到树木三维绿量。实验以实际路段35棵行道树为例,对理论模型体积、实际点云体积和残缺率加权估计体积进行对比分析。结果表明,该方法估计的三维绿量更加接近树木的真实值,与标准体积对比的平均偏差为4.1%。     

基于RGB-D相机的多视角机械零件三维重建

为了低成本且高效的实现对机械零件的三维重建和参数测量,研究了利用RGB-D相机从6个角度拍摄机械零件,获得零件不同角度的深度图像与彩色图像,通过坐标转换将深度图像转换成点云数据。首先利用滤波算法去除点云噪声,分割出机械零部件的点云数据,并利用PCA主成分分析法计算点云数据的法向量;使用最近点迭代算法（ICP）实现相邻三视角点云数据的配准,得到正背面的点云,将正背面点云进行旋转融合得到最终的目标点云数据;最后使用泊松重建算法得到完整闭合的零件三维模型。实验结果表明本文的三维重建方法具有较好的鲁棒性和准确性,重建得到的三维模型细节清晰,点云误差较小。     

基于Bayes理论的散斑三维重建方法

传统双目三维重建对纹理信息不清晰的目标物体存在误匹配率高、重建点云稀疏等问题。为此,提出一种新的散斑三维重建方法。将数字散斑和基于贝叶斯(Bayes)理论的稠密匹配算法相结合,对纹理匮乏的物体实现高精度稠密重建。介绍基于Bayes立体匹配与数字散斑相结合进行三维重建的原理,证明两种方法结合使用的可行性,并对多对双目组成的多测量头系统进行标定,将多测量头获得的点云拼接,形成物体的完整轮廓。实验结果表明,在物体距离多测量头系统500 mm时,采用Bayes立体匹配算法的三维重建匹配精度可达到0.08 mm,在不损耗重建效率的情况下,点云数量和点云精度都有明显提升。     

基于Xtion传感器的玉米果穗三维形态指标测量系统

为了快速无损测量玉米果穗三维形态指标,设计了一种基于Xtion传感器的玉米果穗三维形态指标测量系统。采用Xtion配合电动转台采集多视角玉米果穗点云数据,利用ICP配准方法对完整果穗点云数据进行配准拼接,采取泊松重建方法对配准后的点云数据进行三维重建,最后利用散度原理进行果穗体积的计算。结果表明：测得的体积值与其真实值之间的误差在9%之内。该方法为自动化玉米果穗三维形态指标测量提供了切实可行的新途径。     

基于Metrascan与全站扫描仪的交通事故对象测量方法

针对交通事故现场测量的实际情况,提出了一种三维激光扫描和全站扫描仪相结合的对象测量方案。由于全站仪的有效测量距离远、精度高、测量时间短,利用全站仪获取交通事故现场路面的数据信息,弥补传统测量方法的局限性;针对交通事故的对象目标,以三维激光扫描技术得到的点云数据作为基础,全站仪测距技术所测得的数据即可以作为缺失部分点云数据的补充,也可以作为对象目标表面点云数据的核实,实现对象目标表面快速测量。     

保留路面特征的车载激光点云非均匀压缩方法

针对车载移动测量系统获取的海量路面点云数据的压缩问题,提出一种根据激光点高程和强度信息设计的路面点云非均匀压缩法。该方法基于点云密度和路面目标地物尺寸确定点抽稀和线抽稀尺度,按扫描线索引进行单条扫描线上激光点抽稀和多条扫描线抽稀;通过分析扫描线上窗口内激光点的强度和高程分布判断目标点是否为信息特征点,并予以保留。实验表明,该方法在点云数据压缩时能有效保留路面标识线、坑槽、修补等地物的边缘特征点。     

基于SFM与深度学习融合的水果体积测量算法

以生活常见的水果作为研究对象，结合SFM对图像序列的深度估计以及神经网络重建三维结构的优点，提出SFM算法融合深度学习三维重建的水果体积测量算法。对单目相机采集的水果多视角图像进行研究，分析图像重建以及估计大小的方法，搭建快速、便捷估计水果实际体积算法框架。使用神经网络快速推理水果结构，解决三维重建构建稠密点云耗时长的缺点，利用多视角图像获取稀疏点云，估计目标尺寸，提高采样的便利性。实验结果表明，该算法能快速重建水果三维模型，实现简单、快速、较精确的水果体积测量。     

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。     

基于面结构光的机械工件三维扫描系统设计

针对工业机器人对自动化装配过程生产效率的提高以及工件拾取对三维扫描技术的应用需求,设计了能够准确提取机械工件表面点云的视觉系统。扫描系统主要由计算机、投影仪和工业相机构成。基于光学测量和机器视觉的原理,主要研究设计了扫描系统工业相机和投影仪的标定策略、结构光栅编码解码的检测策略以及点云重构的几何策略。对于机械工件三维扫描重构的多余背景平面点云,研究设计了通过随机选取点云并反复迭代构造背景平面实现分割的有效方法。实验结果表明采用面结构光技术,由投影仪投影不同频率的结构光栅在机械工件上,工业相机同步采集被机械工件调制的结构光栅图像,对图像中的光栅条纹进行提取并计算,并利用三角检测算法提取机械工件表面点云的方案具有高准确性,能够有效重构机械工件表面点云。     

一种基于凸包近似的快速体积计算方法

体积是物体的基本几何属性,在许多应用场合需要频繁地被计算。目前基本上通过重构物体曲面而间接求取体积,增加了许多不必要的工作。提出一种快速求取点云模型体积的方法,使用增量式算法计算点云的凸包用来近似物体,将凸包分解成上下两个三角网格面,使用正投影法分别求取它们的投影体积,它们两者之差即是所求模型体积。实验表明该算法实现简单,可快速地求解处理具有任何几何和拓扑复杂性的点云模型。     

基于点云面的区域性三维重建及点云拼接*

目前基于点云面的三维重建方法中,重建的区域性选择存在着两个问题：重建区域过大会导致目标物体不明确,效果不佳,运行时间长;重建区域过小会导致目标物体不完整,信息丢失。针对重建窗口过大时,本文采用改进的snake的区域性重建算法,即通过轮廓提取只对窗口内的目标物进行重建;针对重建窗口过小时,本文采用基于投影面的点云拼接算法,即通过重建后的点云进行拼接的方法使目标物体恢复完整。以上两点改进弥补了点云三维重建及拼接时出现的应用局限性和不稳定性,减少重建时间,提高重建有效性,鲁棒性。     

基于三维激光扫描的物体重构建模

物体拍摄环境具有测量数据量大、物体外轮廓信息复杂等特点,采用当前方法能够获得物体精确的三维点云数据,但缺乏颜色和纹理信息,导致物体重构精度不高,真实感较差;为此,提出一种基于三维激光扫描的物体重构建模方法;该方法通过三维激光扫描技术获取物体点云数据,采用显式的欧拉积分方法对物体整个三维曲面进行平滑,依据三角生长法进行物体三维空间三角划分,将物体网格顶点向球面进行映射,由此构造物体三角网格模型,通过迭代最近点算法对物体非同步点云数据初步匹配结果进行精确配准,利用最近点搜索算法将经多视图立体视觉算法优化后的物体颜色信息和三维点云数据坐标相融合;实验结果表明,所提方法可以快速精确地建立物体三维重构模型,验证了所提方法的可行性。     

结合语义分割与模型匹配的室内场景重建方法

目的 由于室内点云场景中物体的密集性、复杂性以及多遮挡等带来的数据不完整和多噪声问题,极大地限制了室内点云场景的重建工作,无法保证场景重建的准确度。为了更好地从无序点云中恢复出完整的场景,提出了一种基于语义分割的室内场景重建方法。方法 通过体素滤波对原始数据进行下采样,计算场景三维尺度不变特征变换（3D scale-invariant feature transform,3D SIFT）特征点,融合下采样结果与场景特征点从而获得优化的场景下采样结果;利用随机抽样一致算法（random sample consensus,RANSAC）对融合采样后的场景提取平面特征,将该特征输入PointNet网络中进行训练,确保共面的点具有相同的局部特征,从而得到每个点在数据集中各个类别的置信度,在此基础上,提出了一种基于投影的区域生长优化方法,聚合语义分割结果中同一物体的点,获得更精细的分割结果;将场景物体的分割结果划分为内环境元素或外环境元素,分别采用模型匹配的方法、平面拟合的方法从而实现场景的重建。结果 在S3DIS （Stanford large-scale 3D indoor space dataset）数据集上进行实验,本文融合采样算法对后续方法的效率和效果有着不同程度的提高,采样后平面提取算法的运行时间仅为采样前的15%;而语义分割方法在全局准确率（overall accuracy,OA）和平均交并比（mean intersection over union,mIoU）两个方面比PointNet网络分别提高了2.3%和4.2%。结论 本文方法能够在保留关键点的同时提高计算效率,在分割准确率方面也有着明显提升,同时可以得到高质量的重建结果。     

误差云映射的深度融合3维重建

描述了一种应用于视频序列的3维稠密重建方法,主要针对基于多深度图恢复3维物体时存在的多对一映射重复投影问题,提出基于误差云概念的3维定点优化方法.该方法首先通过深度矫正,增加视频序列深度图的一致性;其次利用投影过滤分类算法,把所有投影点按照多对一映射的关系,以3维空间中所有不同点为类型,进行投影点依次映射,将每一点划分在各自的误差云类中以求得投影点与3维点的对应关系;随后采用空间高斯分布求出每个误差云所恢复出来的点坐标.最后通过多边形技术对恢复的点云数据进行网格化,使其重建出精确的目标物体或场景的3维轮廓.从实验结果可以观察到,本文3维重建方法可以有效减少深度图融合多对一映射重复投影问题所带来的负面影响,使重建结果更加接近于真实物体,达到较好的效果.     

飞行时间三维相机的多视角散乱点云优化配准方法研究

针对目前基于飞行时间(TOF)原理的三维相机实现物体完整表面的三维点云重建过程中,多视角散乱点云配准精度低的问题,本文提出了一种多视角散乱点云优化配准方法。该方法通过构建一个目标功能函数,并结合相邻点云的变换矩阵对该目标函数进行最小化求解,直接获取任意位置的点云到基准坐标系的绝对变换矩阵,避免了对相邻点云的变换矩阵进行累积而引起误差的累加。实验结果表明,该方法提高了多视角点云配准的精度,同时增强了物体点云模型重建的效果,在三维曲面重建中具有较强的实用性。     

一种基于投影的散乱数据表面增量重建算法

针对3维散乱数据场提出了一种表面重建算法.根据空间曲面的局平特性和平面三角化的基本原则,在参考点的切平面上对邻域点按角度排序,应用可见性准则删除不可见点后,相邻邻域点和参考点形成三角网格.将平面上的网格关系对应到空间,以增量方式重建反映散乱数据场拓扑关系的空间曲面.设定角度阈值优化网格,判断空间曲面的边界和孔洞.对多个数据场进行重建并对结果进行分析.对多个数据场进行重建并对结果进行分析表明,算法具有原理简单,重建速度快,重建效果好的特点.     

基于激光扫描辅助立体摄影的无规则物体的三维重建

提出一种形状不规则物体表面数据的测量和重建方法,利用立体摄影的非接触和高分辨率以及线式激光源良好的方向性和精确的图像匹配等优点实现表面数据的获取,再利用简单几何模型的自适应变形法进行表面的三维重建,并对重建模型的精度进行实验分析,结果显示该方法具有设备简单、测量和重建速度快、结果精度高等优点,适用于一般图像的三维重建。