向量相似度可复原三维点云压缩算法

针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。     

基于改进Voronoi区域面积的Mark Meyer曲率估算方法

以微分几何曲率计算公式为理论基础,对常用的Mark Meyer离散点云曲率估算方法进行改进,提出基于Voronoi区域面积的改进Mark Meyer算法。针对Mark Meyer算法中Voronoi区域面积的计算进行改进,对于Voronoi区域中存在钝角的情形进行详细论述并且改进钝角三角形的计算公式,同时给出更为准确的面积计算方法。将该算法应用于球面、柱面、抛物面、马鞍面,计算结果表明该算法提高了离散点云曲率估算的精度和稳定性。     

智能配镜三维特征参数提取方法研究

摘 要：针对智能配镜中三维面部特征点提取算法复杂度较高的问题,提出一种将三维点 云转换为映射图像定位特征点的方法。采用 Voronoi 方法计算面部三角网格各顶点处的高斯曲 率、平均曲率。选取鼻尖、眼角等曲率特征明显的区域估计面部点云姿态。根据曲率旋转不变 性,使用初选的点云方向向量简化旋转矩阵的计算,使面部点云正面朝向视点。将点云映射转 换为图像,三维网格模型中三角面片一对一映射到图像中的三角形。搭建卷积神经网络,使用 Texas 3DFRD 数据集进行模型训练。进行人脸对齐,预测所得各面部特征点分别限制在图像某 三角形中。根据图像中三角形映射查找三维网格模型中对应三角面片,通过三角面片顶点坐标 计算配镜所需的面部特征点位置坐标,实现配镜特征参数的提取。     

多阈值提取平面点云边界点的方法

针对基于切片技术的点云数据重建算法需要提取切片内点云边界点,及现有算法效率低、提取效果不好等问题,提出一种多阈值提取平面点云边界点的算法。通过选取判断点的k个近邻点,计算相邻两点与判断点连线间夹角,由于边界点必存在最大夹角,通过判断最大夹角是否超过设定阈值,从而快速提取边界点。通过对阈值设值分析,不同点云数据的边界提取实验及几种方法间比较,该方法不受点云形状影响,均能较好提取边界点,且优于其他3种算法。结果表明该方法在保证原始点云特征信息的前提下,可较好提取边界点,提高后续点云重建速度与效率。     

散乱点云的三角网格重构

基于增量扩散法的思想,提出并实现了一个散乱点云的三角网格重构算法,算法首先利用体素网格的散列表对散乱点进行组织,然后在确定了初始种子三角形的基础上,基于活动边扩展规则构造新的三角形,使网格不断向周围扩展直到活动边表空为止,最后算法合并棱边并计算每个三角形的顶点法矢,最终构造出散乱点云的三角网格。     

基于多判别参数混合方法的散乱点云特征提取

针对以往散乱点云特征提取算法存在尖锐特征点提取不完整以及无法保留模型边界点的问题,提出了一种多个判别参数混合方法的特征提取算法。首先,对点云构建k-d tree,利用k-d tree建立点云k邻域;然后,针对每个k邻域计算数据点曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离;最后,据此四个参数定义特征阈值和特征判别参数,特征判别参数大于阈值的点即为特征点。实验结果表明,与已有算法相比,该算法不仅可以有效提取尖锐特征点,而且能够识别边界点。     

基于特征点提取的三维点云模型水印算法

为了有效提高三维水印的透明性、抗噪能力和水印提取准确度,针对三维网格中不固定点云数据,提出一种基于局部特征点提取的三维点云模型水印算法。根据协方差分析提取出三维模型初始特征点,以初始特征点为核心,在它K近邻邻域中,构建不跨越区域最小三角形为嵌入单元的底面,将剩余顶点按照升序排列,寻找合适的嵌入顶点,构建局部嵌入单元,通过改变嵌入顶点信息来嵌入水印。其中通过顶点在平面投影产生的夹角确定水印索引值,实现盲水印。算法通过保留特征点信息,改变非特征点嵌入水印信息能有效提高透明性和抗噪能力,通过限制嵌入单元区域提高水印提取准确率,同时实现了盲水印检测。     

基于局部重建的点云特征点提取

为了有效地提取点云数据中的特征信息,针对采自分片光滑曲面的散乱点云数据,提出一种基于局部重建的鲁棒特征点提取方法.首先基于局部邻域的协方差分析计算每个数据点的特征度量,并通过阈值过滤获取初始特征点集合;然后在每个初始特征点的局部邻域内构建不跨越特征区域,以反映该点局部特征信息的三角形集合;再利用共享近邻算法对构造的三角形法向进行聚类,得到对应局部区域数据点的分类集合;最后对每一类点集拟合平面,通过判断该点是否同时落在多个平面来进行特征点提取.实验结果表明,该方法简单、稳定,对局部邻域选取的大小不敏感,具有一定的抗噪能力;能够在有效提取显著特征的同时,尽可能多地保留相对较弱的特征.     

方向感知的网格模型特征识别

针对网格模型平滑区域提取特征困难,以及现有特征识别方法无法检测仅沿某一特定方向分布的特征点的问题,提出一种方向感知的网格模型特征识别方法。首先,分别从x、y、z三个方向探测网格顶点邻接面法向量沿不同方向变化的情况。设定合适的阈值,只要检测到在任何一个方向上顶点邻接面法向量的变化超过阈值,该顶点即被识别为特征点。然后,针对现有网格模型特征识别算法无法检测三维医学模型普遍存在的一种仅沿z轴方向分布的梯田型结构的问题,单独探测医学模型网格顶点邻接面法向量沿z轴方向变化的情况,将变化超出阈值的顶点识别为梯田型结构顶点,正确地将非正常梯田型结构从人体模型正常结构特征中分离出来。与二面角法的对比实验的结果显示：在相同阈值设置下,所提方法能更好地识别出网格模型特征,解决了二面角法在没有明显折线的平滑区域上无法有效识别特征点的问题;同时,也解决了现有网格模型特征检测算法因不具备方向探测能力而无法将医学模型非正常梯田型结构与正常人体结构区分开来的问题,为医学模型后续数字几何处理工作提供了条件。     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

基于结构光的三维点云重建方法研究*

结构光三维成像是近年来三维成像领域的研究热点之一。整体设计及实现了条纹结构光三维重构系统,并重点研究了点云生成三角网格方法。该系统使用整体阈值与局部滑动阈值相结合的方法提取到条纹中心特征点,以像素索引值为中间媒介进行编码值插值计算,并利用像素索引值为媒介对点云进行三角网格化处理。利用像素索引值的方法简化了点云插值和点云生成三角网格的处理过程,并且能够精确得到每个点上的颜色值并进行颜色渲染。最后利用提出的方法对石膏模型和实际人脸面部进行了三维测量和重建,并分析了该方法测量的精度。结果表明提出的方法达到了实验精度的要求并取得了非常好的三维重构效果。     

一种基于降采样后关键点优化的点云配准方法

针对工件点云数据多而导致点云配准耗时长的问题,提出一种基于降采样后关键点优化的点云配准方法。计算点云若干体素的重心,利用kd-tree快速遍历重心的邻近点来代替该体素;提出自适应的点云平均距离计算方法,对降采样后的点云提取ISS3D关键点,并采用基于球邻域的边界点判断方法对其优化;对优化后的关键点进行FPFH特征描述,利用SAC-IA求解近似变换阵,使用ICP算法精配准而解得工件的精确位姿信息。实验结果表明,相较于其他四种配准算法,配准精度分别提高了96.9%、98.1%、93.3%和3.5%,配准速度分别提高了77.2%、77.7%、76.9%和85.4%,表明了该方法的有效性。     

激光点云的稀疏体素金字塔邻域构建与分类

目的 在点云分类处理的各环节中,关键是准确描述点云的局部邻域结构并提取表达能力强的点云特征集合。为了改进传统邻域结构单尺度特征表达能力的有限性和多尺度特征的计算复杂性,本文提出了用于激光点云分类的稀疏体素金字塔邻域结构及对应的分类方法。方法 通过对原始数据进行不同尺度下采样构建稀疏体素金字塔,并根据稀疏体素金字塔提取多尺度特征,利用随机森林分类器进行初始分类;构建无向图,利用直方图交集核计算邻域点之间连接边的权重,通过多标签图割算法优化分类结果。当体素金字塔的接收域增大时,邻域点密度随其距离中心点距离的增加而减小,有效减少了计算量。结果 在地基Semantic3D数据集、车载点云数据和机载点云数据上进行实验,结果表明,在降低计算复杂性的前提下,本文方法的分类精度、准确性和鲁棒性达到了同类算法前列,验证了该框架作为点云分类基础框架的有效性。结论 与类似方法相比,本文方法提取的多尺度特征既保持了点的局部结构信息,也更好地兼顾了较大尺度的点云结构特征,因而提升了点云分类的精度。     

基于区域中心签名的点云局部特征描述算法

针对目前点云局部特征描述子存在对噪声、点密度变化等因素鲁棒性差的问题,提出了一种基于区域中心签名的点云局部特征描述新算法。以查询点为中心构建一个球形包围盒,沿径向方向均匀划分为五个主区域,再沿不同的方位角、仰角方向将主区域划分为若干体积沿径向逐渐增大的子区域;采用顶点坐标、顶点数量、中心值编码子区域局部特征,进而通过不同子区域局部特征的融合,生成区域中心签名描述子。以斯坦福数据集为验证对象,对该算法和经典描述子进行了对比分析,结果表明,该算法具有更好的性能。     

基于多核并行和动态阈值的点云配准算法

针对点云配准中存在错误匹配点对、精度不高等问题,提出一种基于多核并行和动态阈值的点云配准算法。该算法采用改进的SAC-IA算法进行点云粗配准,利用OpenMP实现点云查询点的法向量、FPFH等特征的并行加速提取以及对应点对的并行查找,从而使整个配准算法的速度得到保持甚至提升。在点云精配准阶段,使用改进的ICP算法进行精配准,改进点着眼于错误对应点对的剔除及其阈值的动态确定,即以配准点重心作为参照点,按照动态阈值,使用点对距离约束剔除错误对应点对。实验结果表明,本文算法在提升配准精度的情况下,配准速度也得到了提升。     

点云密度和体素大小对单木LAI反演的影响

为了提高立体像素法对单木叶面积指数(leaf area index,LAI)的反演精度,探讨了点云密度和体素大小对单木LAI反演结果的影响。获取滇朴和雪松2种具有典型代表性的单木地面激光雷达点云数据和实测LAI数据,分别对单木点云进行0.02~0.1和0.2~1倍不同程度抽稀,以点云平均最邻近距离表征点云密度,探讨了在不同点云密度下估测LAI随体素大小变化的关系。结果表明:(1)点云密度和体素大小对单木LAI的反演精度影响较大。相同体素大小下,反演的LAI值随点云平均最邻近距离的减小而增大,即点云密度越大,估测LAI越大;相同点云平均最邻近距离即同一点云密度下,反演的LAI值随体素的增大而增大。(2)以反演精度最高的体素大小为最优体素,不同点云密度下最优体素值不同,应根据点云密度选取体素大小以提高精度。