基于点云处理的小型工业零件高度精密测量

针对很多小型工业零件存在微米级测量的需求,提出了一种点云多次滤波与平面拟合相结合的测量方法。以上下平面平行的规则直三棱柱体工件作为测量对象,使用3D线激光传感器获取工件的点云模型并传输到计算机中进行处理,将点云数据首先通过统计滤波剔除噪声和离群值;其次利用体素滤波降采样精简点云数量;然后采用直通滤波分离出工件点云的上下表面;再分别对上下表面的点云通过随机抽样一致性（RANSAC）算法拟合出平面方程;最后计算上下平面之间的间距即为被测工件的高度信息。将该方法测得的高度与激光三角法原理测得的高度数据进行对比,结果表明,该方法测量精度提高了72.33%;同时对于不同的点云密度,利用所提出的方法进行测量,测得当降采样中体素立方体的边长为15cm时（点云数量精简了98.3%时）测量的误差最小,最小能达到5.1。该方法大大提高了工件的测量精度,可以广泛应用于工业测量中。     

基于单边雅可比方法的点云平面拟合

针对三维激光雷达点云数据中的异常值影响平面拟合精度的问题,提出了一种基于单边雅可比变换的点云平面拟合方法.该方法首先利用半径滤波法对点云数据进行预处理以剔除大部分噪声点,然后以单边雅可比旋转法对点云坐标数据构成的数值矩阵进行正交变换与归一化,得出奇异值分解,进而得出拟合平面的参数.通过仿真,将该方法与随机采样一致性方法...     

点云数据的补全与精简算法研究

随着三维点云技术的不断成熟，目前许多企业将其应用到了货物管理中。但在点云获取中设备会因为外界原因(光照、温度等)导致数据不完全(点云空洞),而且获取初始点云数巨多，降低了后期点云处理效率。提出了对点云的一种预处理，既要获取完整目标物的曲面特征，也要对点云进行高效地压缩。首先对原始点云进行条件滤波和统计分析滤波去噪，然后提出了一种由统计分析和三角格化结合的点云补全算法，最后将补全的点云使用改进的曲率精简法对点云进行处理，并将方法与其他方法做了对比实验。实验结果表明，方法可以将孔洞点云补全，保留货物平面特征和边缘细节信息，降低点云存储空间，为后期对点云处理提高效率有着重要意义。其中，补全算法使补全后的点云与补全之前的点云的最近点平均距离小于0.000 4 m,点云精简算法的精简率可达到90%。     

基于激光点云的中压配电网日同期线损检测系统设计

当前配电网线损检测的线路线损特征质量低,且电力设备采集到的数据不同期,导致配电网线损检测精度偏低、误检率较高。设计了基于激光点云的中压配电网同日期线损的检测系统。系统硬件部分由激光探测传感器、信号放大器、数据存储、处理单元和后台监控中心构成;软件设计部分采用主成分分析法(PCA)提取预测电力系统线损参数,利用激光探测传感装置提取点云特征,选定线损数据样本集,构建样本点的特征向量,求解SVM的判别函数,最终实现对中压配电网同日期线损的精确检测。仿真实验结果验证了所设计系统在中压配电网日同期线损检测上的可靠性,线损检测结果与实际拟合度高,并具有更低误检率。     

基于迭代最小二乘的平面标靶点云去噪方法初探

平面标靶在三维激光测量作业中起到公共点的作用,标靶点云数据的有效提取和高效去噪对测量目标的点云数据总体质量影响较大。鉴于此,提出了基于迭代最小二乘的平面拟合方法去除标靶噪声,并以此为基本原理利用MATLAB编写了平面标靶点云去噪程序。实验中,分别采集了方形和黑白扇形两种标靶的点云数据,然后用程序进行了降噪处理。降噪成果分析表明该方法能够有效去除标靶噪声,提高了标靶点云数据的可靠性,为进一步提取平面标靶中心点坐标提供了理论基础。     

一种面向复杂环境的自适应激光里程计设计

针对在复杂环境下使用传统三维点云配准算法构建的激光里程计精度低且建图易发生漂移的问题，本文设计了一种面向复杂环境的自适应激光里程计。首先通过三维激光雷达采集原始点云数据，经过点云预处理环节后，采用地面分割方法完成点云数据分割并获取路面点云丰富度信息；然后，使用NDT算法将前后两帧点云数据极大限度的进行拉近，实现点云数据的粗配准；最后，在环境判断结论指引下选择合适的ICP算法完成三维点云的高精度配准并根据输出的点云变换关系构建激光里程计。通过在数据集以及不同环境下的大量实车测试，得出该激光里程计在室内结构化环境中的平均位移误差为0026 m，在室外非结构化环境中的平均位移误差为01 m。结果表明，本文构建的激光里程计能够更好的适应复杂环境从而得到更加精确的三维点云地图与SLAM轨迹。     

基于三维点云数据的风机塔筒倾斜率快速获取方法研究

针对三维激光扫描仪获取的风机点云数据,提出了在风机塔筒不同高度任意截取横截面点云,利用最小二乘原理拟合横截面点云圆心坐标来求取倾斜率的方法。结合工程需要,编程实现倾斜率自动计算。经多个项目实践证明,本方法可高效、准确计算出风机的倾斜率,能更全面、更整体地监测风机运行状态。     

基于表面粗糙度聚类的机载雷达点云数据地物分类方法研究

在机载激光雷达的发展与应用下,获取地物的空间分布情况变得更加快速便捷。为了实现面向机载激光雷达点云数据的地物分类,本文首先利用高程直方图去除原始点云的离群点;其次利用VoxelGrid滤波器采样,在确保形状的前提下,大量降低点云数量;然后改进K-Means聚类方法,结合三维点云数据携带的高程信息对原始聚类中心和K值进行确定,并采用点云表面粗糙度做聚类分析,从而得到对地物的精确分类。通过对实验采集数据和公开数据上的结果对比可知,本文所提方法对点云数据分类的准确性高,总体分类精度分别为88.17%和90.47%,Kappa系数分别为0.81和0.85。     

基于激光点云数据的地形地貌测量研究

针对在实际测量地形地貌时激光数据过滤误差较大的问题,设计了基于激光电云数据的地形地貌测量及处理方法。采集激光点云数据,结合公共标靶法与最小二乘法补全点云数据且自动过滤非地面数据,对激光点云数据的平面坐标与高程实施转换,生成待测区域的地形地貌等高线,实现该区域的地形地貌测量。通过实验验证设计方法性能,结果表明,该方法可实现分散站点激光点云数据的拼接与过滤处理,过滤性能稳定且过滤误差较低,平均为2.1%,可精准测量实验地区的地形地貌,坐标值误差平均为0.187,满足实际应用中的地形地貌高精度测量需求。     

基于3D激光点云的输电线提取及建模方法研究

以电力系统中输电导线的巡视和维护问题为研究背景,基于UAV LiDAR获取的3D点云数据,提出了一种结合聚类分割思想实现自动提取输电线的方法,并进行了点云空间拟合建模研究。试验结果表明,该方法能较完整地提取电力线点云,拟合出的模型能较准确地预测电力线的空间分布。     

基于三维激光扫描点云配准的目标位姿测量

地外天体着陆探测是我国深空探测的重要形式和方法,针对地面探测模拟训练系统中探测车位姿提取的需求,提出了一种利用激光扫描仪和标靶球结合的方法进行特征识别,拟合出探测车的位姿数据,并建立地面模拟训练系统。首先对激光扫描数据进行滤波预处理去除点云中离群点,然后选择适当的参数对数据进行重采样。通过基于分类改进的区域增长法对点云进行分割,筛选出指定数量范围的点集并拟合多个标靶球位置信息以建立局部坐标系。通过实验数据分析,标靶球拟合精度满足3mm最大允许误差,点云处理速度得到有效提升,验证了特征识别方法的准确性和高效性。最后通过坐标系转换估计出探测车的位姿矩阵信息。     

视觉与二维激光雷达的目标检测方法

为了改进单一传感器对目标物体的检测范围小、检测特征少以及检测准确率较低的问题,提出一种视觉与二维激光雷达的目标检测方法。在视觉检测方面提出一种改进的GoogLeNet算法实现视觉对目标物体的识别,该方法相比GoogLeNet算法在对6种目标物体的识别准确率上提高了0.7%。在二维激光雷达检测方面采用欧氏聚类算法对二维激光雷达的点云数据聚类,接着使用RANSAC算法对聚类簇中的数据点进行筛选,最后使用卡尔曼滤波算法对目标物体的位置进行预测,实现二维激光雷达在特定平面上360°对目标物体进行跟踪检测和定位。实验结果表明,该方法使得移动机器人扩大了检测范围、增加了检测特征并提高了识别准确率。     

基于RANSAC分割的点云数据K-近邻去噪算法研究

针对基于TOF深度相机的空间目标表面重建的点云源数据容易受到仪器本身、扫描环境、外界干扰等影响,而含有大量的无效点和噪声点,增加了计算负担且影响了重建质量等问题,提出了一种基于随机采样一致性背景分割的点云K 近邻去噪方法,以消除目标数据的异常值和无效点。首先,改进RANSAC算法,通过设置不同的阙值对原始点云进行背景分割,以确保准确提取待重建目标的主要特征。然后,通过K 近邻点云平均算法和双边滤波算法移除离群点,最后使用体素化网格方法实现点云大数据的下采样,简化了目标点云,保留了局部特征,加快了曲面重建速度。实验结果表明,该算法能够有效的剔除噪声点,准确率高,实时性好,满足应用的要求。     

融合轮廓特征的线激光点云的快速配准算法

点云配准是计算机三维视觉的研究热点。传统点云配准算法存在着配准时间长和配准成功率低的问题,针对上述问题,设计了融合轮廓特征的线激光点云配准算法。该算法通过搜索轮廓特征关键点,并将这些关键点用于配准迭代并计算配准结果,减少了迭代次数且对源点云和目标点云初始位置要求较低。实验对比了迭代最近点(ICP)算法、Fast ICP算法和改进的点云配准算法,实验结果表明改进的点云配准算法的配准效果明显改善,与ICP和Fast ICP算法相比,改进的点云配准算法在速度上分别提高了14倍和2倍,并且未出现配准失败的情况。     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点，因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征，具有良好的三维点云特征学习能力，在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响，从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题，本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT，具体地，GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节，利用减法关系和邻域位置编码对三维点云邻域求取注意力特征，同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题，进而提升网络的分类准确率。实验结果表明，与PCT三维点云分类和分割网络相比，所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%，而在ScanObjectNN数据集上的分类精度提升了1.9%，在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化，充分验证了改进方法的有效性。     

基于椭球拟合的点云旋转不变网络

点云携带丰富的几何信息,在计算机视觉领域具有独特优势。 现有基于深度学习的三维模型分类与分割方法能有效识 别固定视角下的物体,但在实际应用中,物体方向未知,使得点云描述存在旋转变换问题,极大影响网络的识别精度。 针对点云 的旋转性问题,提出一种轻量级的基于椭球拟合的旋转不变网络( point cloud rotation invariant network based on ellipsoid fitting, EFRI-N)。 设计前置网络模块提取点云的旋转不变特征,包括椭球拟合和特征编码两个部分。 通过椭球拟合算法标识原始点 云的方向得到旋转不变坐标系,再将原始特征映射到该坐标系中,利用空间信息和角度信息进行编码得到点云的旋转不变特 征;为了获取更丰富的几何信息,在分类分割网络中加入多层级的特征连接增强特征传播及复用,提高模型表征能力。 采用国 际知名公共数据集 ModelNet40 和 ShapeNet Parts 进行分类、分割实验,结果表明,该方法在处理旋转点云的任务中优于主流算 法,网络识别精度提升了 1% ~ 62. 63%不等,并且网络的计算量和参数量都有着数量级的优势。 满足单目标场景下对点云旋转 不变性的使用要求,具有良好的应用价值。     

基于2D预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。