三维点云分割研究综述

点云是在三维空间层面完整表达周围环境的重要数据形式.传统的自主移动机器人通过激光雷达或者RGBD相机等传感器可以获取点云数据.点云分割是认知与理解点云数据中所携带的信息的重要方法.本文对点云分割,包括传统点云分割、点云语义分割、点云实例分割等的发展现状进行了分析与阐述.     

基于改进SIFT-ICP算法的物体点云建模方法

为了实现对任意摆放的物体的识别与位姿估计,需要得到物体的三维模型,提出了一种高效准确的物体三维点云模型构建方法。首先通过RGB-D传感器获取物体多角度数据,然后利用尺度不变特征变换(SIFT)特征点匹配和改进的迭代最近点(ICP)算法计算出各角度下传感器的相对位姿,进而生成目标物体所在场景的完整点云,并通过物体分割和点云后处理得到目标物体的三维点云模型。实验结果显示,构建的物体点云模型清晰且不失真,并保留了表面完整的特征信息。     

基于BIM和深度学习点云分割的施工检查方法模拟研究

建筑信息模型(BIM)为工程建设提供了丰富的空间和属性信息,三维激光扫描等三维信息获取技术的发展使获取工程建设三维场景信息变得更加便捷、高效。通过融合实际工程点云与BIM,将有助于实现工程建设质量和进度管理的自动化。既有研究一般比对点云与BIM的全局信息,需要工程人员根据不同规则检查判断,结果难以定量呈现。同时,比对结果无法与BIM构件属性自动关联并服务于智能化分析。针对上述问题,该文引入深度学习点云语义分割技术,对框架梁柱节点实现构件的对象化比对,提高了点云与BIM比对的自动化和数字化程度。模拟试验研究表明,采用的PointNet++模型在框架节点点云语义分割任务中取得了较高的精度,并对数据误差具有较好的健壮性,可为对象化的施工偏差比对提供良好的数据基础。该文方法实现的框架节点施工点云与BIM模型的对象化偏差比对,将在施工偏差展示、测量数据数字化和施工进度管理方面具有良好的应用价值和发展潜力。     

点云数据获取及预处理的研究

该研究以较为完整地点云数据获取及预处理的相关流程为基线,首先论述了点云数据的特点和当前利用三维激光扫描技术获取的点云数据领域的发展现状,其在变形监测、文物保护、工民建等各类工程与领域都有较为广泛的应用。然后对点云数据的采集、数据预处理中的技术要点与难点进行了阐述,重点对点云数据的获取和预处理方面所涉及的先进方法进行了归纳总结,最后也提出了点云数据预处理领域待解决的一些突出问题。     

基于多视角区域生长的复杂点云模型分割

为提高三维点云模型在特征模糊区域的分割精度,提出了一种借助多视角区域生长的分割方法。基于网格法向量方向相异性原则,初次将模型划分为不同类别的子区域,在相应区域建立点云与多视角距离图像的一一映射关系。利用Canny算子对灰度的敏锐性获取独立连通域并计算其重心坐标,根据对应关系在三维点云中提取对应点作为种子点,然后引入网格法向量的偏移角度分离邻接面,同时对剩余彼此独立的分割面按照迭代搜索最近点的原则进行提取,并利用KNN算法去除离群点实现分割优化。在选取的模型数据集上进行实验,结果表明该方法能够实现复杂点云模型的合理划分,分割精度不低于80%。     

逆向工程中三维离散点云的平滑整定新算法

 目前逆向工程中关于三维数据的平滑整定一般都是建立在三维数据之间的拓扑关系上的.提出一种平滑整定新算法,该算法是针对散乱、无序的,没有任何拓扑关系的三维离散点云数据.根据概率统计学中的频数法从大量的离散三维数据点云中找到噪声点,然后基于三维数据点云所建立的K-D树空间数据结构,找到噪声点周围的k个最近点,根据噪声点周边k个最近点的信息对噪声点处的真实信息进行恢复.基于激光三维平面扫描机器人系统证明该算法对离散三维数据点云的平滑整定的效果是令人满意的,在逆向工程中对数据预处理是切实可行的.     

基于点云数据的曲面重构方法研究

点云数据的曲面重构是逆向工程的关键技术。本文在分析现有重构方法局限性的基础上,提出了一种以边界为中心的新方法。这种方法重构出的曲面间具有的内置连续性。     

基于点云与图像交叉融合的道路分割方法

道路检测是车辆实现自动驾驶的前提。近年来,基于深度学习的多源数据融合成为当前自动驾驶研究的一个热点。本文采用卷积神经网络对激光雷达点云和图像数据加以融合,实现对交通场景中道路的分割。本文提出了像素级、特征级和决策级多种融合方案,尤其是在特征级融合中设计了四种交叉融合方案,对各种方案进行对比研究,给出最佳融合方案。在网络构架上,采用编码解码结构的语义分割卷积神经网络作为基础网络,将点云法线特征与RGB图像特征在不同的层级进行交叉融合。融合后的数据进入解码器还原,最后使用激活函数得到检测结果。实验使用KITTI数据集进行评估,验证了各种融合方案的性能,实验结果表明,本文提出的融合方案E具有最好的分割性能。与其他道路检测方法的比较实验表明,本文方法可以获得较好的整体性能。     

一种城市环境三维点云配准的预处理方法

针对城市三维环境下LiDAR点云数据密度大、离群噪点多、分布散乱不利于后期点云帧间匹配的问题, 提出一种应用于城市环境下大规模三维LiDAR点云帧间匹配的预处理方法。首先, 将点云数据转化为均值高程图, 利用网格之间的高度梯度对点云进行地面分割处理; 然后, 通过三维体素栅格划分的方法改进了DBSCAN聚类算法, 用改进后的VG-DBSCAN对点云进行聚类, 聚类后目标点云与离群点分离, 从而剔除点云中的离群噪点; 最后, 采用Voxel Grid滤波器对点云降采样。实验结果表明, 所提方法可以对点云数据进行实时的预处理, 平均耗时为132.1 ms; 预处理之后点云帧间匹配的精确度提高了2倍, 平均耗时也仅为预处理前的1/6。     

一种基于点云语义图描述符的回环检测方法研究

随着计算机水平和机器人传感器技术的不断进步,移动机器人已逐渐向智能化发展。其中,定位与建图(SLAM)是其定位的关键技术,回环检测是SLAM系统的重要模块。为解决传统回环检测耗时长和效率低等问题,本文提出一种基于点云语义图描述符的回环检测方法,在KITTI里程计数据集00和05序列中进行回环检测性能测试,并与Scan Context、LEGO-LOAM和VFH三种算法进行对比。结果表明：该方法在100%准确率下的召回率和50%召回率下的准确率最高,回环检测性能最好。     

基于曲率约束的点云分割去噪方法

在点云去噪处理过程中,为提高对曲率变化较大区域的去噪效果,提出基于曲率约束的点云分割去噪方法。该方法通过曲率约束点云数据使模型特征得到有效保持,构建噪声光顺的映射函数使得噪声点回归光顺,能够避免使用传统滤波对点云数据模型产生过光顺,对后续处理奠定一定基础。实验表明,该方法相对于双边滤波能够有效地保持模型的特征,保留模型边缘信息,去除噪声效果更为明显。     

点云数据区域分割方法

为了便于逆向工程中模型的重建，针对散乱无组织的点云数据，提出了一种新的区域分割方法。首先对点云数据进行网格划分和稀化处理，对每个网格内的数据点用抛物面进行局部拟合，得到点云中每个点的法矢和曲率等微分信息，然后由“绝对标准”得到边界候选区域，再由“相对标准”得到最终边界点，连接这些边界点或对这些边界点进行曲线拟合，完成点云的区域分割。实践证明，通过该方法得到的边界点能满足工程应用的需要。     

基于三维点云聚类的坡度估计方法

为了提高火星探测器着陆时对坡度的估计精度,研究了一种基于三维点云数据聚类与随机搜索最优拟合平面的坡度估计方法。将通过激光雷达测量获得的三维点云数据进行稀疏表示,利用稀疏系数对数据点进行聚类与分割,划分子空间;对子空间中的数据点进行平面拟合,随机搜索最优拟合平面;根据最优拟合平面计算平面法向量之间夹角,其在数值上等于坡度角,从而完成坡度估计。实验表明:该方法可以对坡度进行较为准确的估计;与常用的坡度估计方法相比,相对误差较小。     

融合配准的多站室外大场景激光点云分割

针对室外场景范围广、分割难度大、识别效果不显著等问题,提出了一种融合多站点云配准的室外大场景分割方法.首先,根据室外场景视野大、点云数据量庞大特点,选取多个视角下重叠区域较多的建筑场景点集,结合SAC-IA和ICP方法进行点云自动配准,从而构建出点云密度相对均匀的室外大场景完整结构;然后,选用公共数据集Semantic...     

基于混合滤波和DBSCAN的点云去噪算法

为了避免点云在人工去噪时的复杂工作流程,进一步提高点云去噪效率,在相关研究基础上,设计了一种基于混合滤波和空间密度聚类的点云去噪算法。首先,通过直通滤波去除点云的无效点;其次,采用统计滤波删除点云的大尺度噪声点;再次,利用空间密度聚类算法移除点云的小尺度噪声点。最后,通过相关点云测量数据对设计的算法进行仿真实验验证,并与传统点云去噪算法的计算结果进行对比分析。结果表明,所设计的算法去噪效果优于传统点云去噪算法。     

An Improved Unsupervised Image Segmentation Method Based on Multi-Objective Particle Swarm Optimization Clustering Algorithm

Most image segmentation methods based on clustering algorithms use single-objective function to implement image segmentation. To avoid the defect, this paper proposes a new image segmentation method based on a multi-objective particle swarm optimization (PSO) clustering algorithm. This unsupervised algorithm not only offers a new similarity computing approach based on electromagnetic forces, but also obtains the proper number of clusters which is determined by scale-space theory. It is experimentally demonstrated that the applicability and effectiveness of the proposed multi-objective PSO clustering algorithm.     

激光点云中散乱电子元器件分割方法

目的 针对散乱电子元器件计数过程中电子元器件分割困难的问题,提出一种基于点云簇平均法线夹角、平均点云密度边缘提取和区域生长阈值自适应的散乱电子元器件分割方法。方法 通过体素化处理、RANSAC算法和统计离群滤波算法对原始点云数据进行预处理,去除大量无关点云;使用欧式聚类算法对预处理结果粗分割得到电子元器件点云簇,以点云簇为阈值设置单元,避免阈值设置不合理的情况;通常边缘点较非边缘点法线夹角更大、邻域点更少,提出通过点云簇平均法线夹角和平均点云密度自适应约束来去除点云簇中边缘点的方法;对去边缘点后的点云簇细分割,根据细分割后点云簇的平均法线夹角进行区域生长阈值的自适应选择,通过改进的区域生长算法将每个电子元器件从点云簇中分割出来。结果 实验结果证明,文中方法分割正确率达97%以上,每10个目标分割耗时约345 ms。结论 提出的方法具有良好的准确性和实用性,分割效果优于传统分割算法,能够准确地将每个电子元器件从复杂场景中分割出来。     

量子蚁群模糊聚类算法在图像分割中的应用

针对模糊C-均值算法对初始值的依赖,容易陷入局部最优值的缺点,本文提出将量子蚁群算法与FCM聚类算法结合,首先利用量子蚁群算法的全局性和鲁棒性以及快速收敛的优点确定图像的初始聚类中心和聚类个数,再将所得结果作为FCM聚类算法的初始参数,然后用FCM聚类算法对医学图像进行分割。实验结果表明,该方法有效解决了FCM算法对初始参数的依赖,克服了FCM算法及蚁群算法容易陷入局部极值的的缺点,而且在分割速度和精度上得到了较大提高。     

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法（SFFCM）。先用简单线性迭代聚类（SLIC）算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类（FCM）算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。