基于平面曲线协方差矩阵行列式的角点检测的研究

本文提出一种新颖的算法,在平面曲线轮廓支撑域采用协方差矩阵行列式(DCM)的方法,DCM被定义为角点响应函数,当DCM超过了阈值,局部的DCM的极值点被定义为角点.此外,本文针对两种模型对DCM做了理论分析.实验结果证明:我们提出的角点检测算法具有很好的定位、抗噪及旋转和尺度不变性.通过比较四种经典的角点检测算法,证明算法具有很好的检测性能.     

场景点云中小孔洞边界提取算法

计算机处理速度的提高和深度相机的广泛应用使点云数据在工业领域中的应用越来越广泛.针对巡检机器人非固定场景中小孔定位问题,提出小孔边界检测提取算法.对点云进行预处理;求取目标点对应近邻点的切平面上的投影点,通过投影点算出质心点位置,由质心位置将圆盘分为两个半圆盘,通过两个半圆盘中投影点数量比值作为边界点判定条件.实验表明,该算法可以较好地提取出边界点使得噪声对结果的影响成比例减小,鲁棒性好,运行速度快且稳定.     

散乱点云的孔洞识别和边界提取算法研究

针对逆向工程中已有孔洞识别算法执行效率低、孔洞边界点提取不完整等问题,提出一种新的基于KD树和K邻域搜索的点云孔洞识别及边界提取算法。该算法首先利用KD树建立散乱点云的拓扑关系。其次,计算点云密度、定义距离阈值作为判别参数,利用K邻域搜索计算每个点与其K个邻域点的距离,距离大于阈值的点即为边界点。再次,采用单坐标搜索法去除外边界,保留孔洞边界。最后,利用边界追踪算法获取完整的孔洞边界点。以涡轮叶片和挖掘机斗齿为研究对象,对点云上的自然孔洞利用该算法进行识别。结果表明,该算法能够快速地识别出散乱点云中孔洞,并能完整地提取出孔洞边界点,实用性强。     

基于点云的边界特征直接提取技术

边界作为反求工程CAD建模的重要几何特征信息,对重建曲面模型的品质和精度起着重要的作用。首先 对点云数据进行空间三维划分,建立基于空间栅格的边界提取模型,然后通过研究线性时间复杂度的种子边界栅格识别和生长算法以及空间拓扑构型推理算法,实现从点云数据中直接获取边界信息。应用实例表明,算法的运行速度快、稳定性好,能够可靠地提取空间任意分布点云数据的内外边界。     

基于孔洞分割的点云孔洞填充算法

逆向设计过程中,由于物体曲面形状复杂和扫描设备的原因,扫描得到的点云中难免有孔洞出现。为了产生封闭的实体曲面,需要对孔洞进行填充。国内外许多学者提出了许多关于孔洞填充的算法,不过这些算法主要针对曲率较小区域的孔洞。基于此,提出了一种新的改进算法,解决了高曲率区域的复杂孔洞填充问题。通过孔洞在投影面上的投影,判断是否存在交叉点,将孔洞分为简单的孔洞和复杂的孔洞。当遇到复杂孔洞时,采用分割的方法把复杂的孔洞分割成简单的孔洞,再对其进行修补。     

基于协方差矩阵的轮廓曲线拟合算法研究

针对工业视觉领域中,包含直线、圆弧特征的零件轮廓尺寸的检测,提出了一种基于协方差矩阵的轮廓曲线拟合算法.该算法首先采用8-连通法提取轮廓边缘数据,并排序成有序点集;然后计算轮廓曲线最小包围盒,根据已知曲线类型,初步确定特征点范围;其次基于协方差矩阵的特征值分析自适应地确定特征点的支撑区域,精确提取特征点;最后采用最小二乘法拟合曲线方程,重建轮廓曲线.对具体的零件进行实验分析,结果表明,采用基于协方差矩阵的轮廓曲线拟合算法实用性强,测量精度高,对在线视觉检测具有重要意义.     

基于局部基面参数化的点云数据边界自动提取

提出了一种反求工程中基于局部基面参数化方法的点云数据边界特征的自动提取方法。首先选择合适的局部基面 ,然后用点云垂直投影于局部基面投影点的参数化代替空间点的参数化 ,二次参数曲面逼近点云 ,再利用曲面的微分特性估计点云数据的曲率值 ,求出曲率极值点 ,从中提取边界点。通过这些边界点可以进一步拟合边界曲线 ,达到对点云数据进行自动分片的目的。该方法具有较强的可操作性和实用性 ,对于反求工程的自动化和智能化研究具有实际意义     

逆向工程中一种基于点云的制造特征识别方法

针对点云识别制造特征可以为逆向工程系统和CAX系统集成提供一个直接通道。利用特征组成面集及其之间的约束关系进行制造特征识别。首先利用模糊c-均值聚类方法对点云进行分区,利用分区过程中得到的隶属度找出面片的邻接关系,对分片点云进行曲面类型判别,利用最小二乘法进行平面或二次曲面的几何参数提取,对选取的面片进行平行、垂直、相切、凸凹等约束关系判别,与预先定义的特征规则相匹配,从而实现制造特征识别。实例验证了本文算法的有效性。     

逆向工程中分层点云数据的拼合及精简

在逆向工程多视图拼合过程中,由于数据测量误差以及计算等因素的影响,数据往往会产生分层的问题,这将对曲面重建工作造成很大困难。针对这一问题,文章提出了一种新的方法,对多个视图重合部分有分层现象处的点云进行二次拼合并精简,从而有效减小误差,为后续的数据分割和曲面拟合做好准备。     

应用改进迭代最近点方法的点云数据配准

提出了基于点云边界特征点的改进迭代最近点(ICP)方法来提高逆向工程中点云数据配准的效率和精度.首先,提出了基于点云边界特征点的初始配准方法.对点云最小包围盒进行三维空间划分,建立空间网格模型;运用边界种子网格识别及生长算法,从点云边界提取特征点,运用奇异值矩阵分解法(SVD)求出点云的变换矩阵,得到初始配准结果.然后,提出了改进的ICP精确配准方法.对点云对应点赋予权重,剔除权重大于阈值的点,通过对目标函数引入M-估计(M-estimation),剔除异常点.最后,在初始配准的基础上,运用改进的ICP方法精确配准.对经典ICP方法和改进ICF方法做对比实验,结果显示,改进方法的配准效率提高了70％以上,误差减小到0.02％.实验表明,本文方法大幅提高了点云配准的效率和精度.     

基于二元Lagrange插值的点云数据切片技术

针对低密度点云切片精度难以保证的问题,提出了一种针对各种密度点云数据的点云切片算法。首先,拟定切片方案,确定切片平面组并根据切片平面组获得带状点云数据。其次,利用带状点云的步进排序方法,对其进行排序,并按排序选取一定数目的点云作为插值节点。再次,基于二元Lagrange插值法在特定插值点处对所选插值节点进行插值,并依照点云顺序依次对带状点云进行运算,从而得到切片平面上的二维有序点列。最后,对此点列进行最小二乘拟合,得到点云数据的截面曲线。应用实例表明:该算法突出优点为适应性强,且准确快速、稳定可靠。     

基于线激光扫描的基准孔检测与定位方法

为了满足尖端制造领域中大部件的数字化钻孔与装配需求,利用线激光扫描仪和工业机械臂提出了基准孔自动检测与定位系统及方法.首先,对基准孔三维点云进行孔底点云插值补偿,采用双向梯度约束算法实现了基准孔的粗略边缘特征点提取;然后,针对提取的边缘特征点,采用基于角度判断的细化算法和基于平面拟合的压缩算法,实现了边缘特征点的精细化...     

基于模板的点云边特征提取技术

为了分析大型结构件互插装配的干涉问题,提出了基于模板的点云边特征提取方法.模板根据理论计算机辅助设计模型定制而成,包括理论边上的离散点,以及边在各点处的切矢.配准模板与点云数据,根据模板中每一离散点及其对应的切矢信息构建平面,利用其对点云数据切片获得二维截面数据.在每一截面数据中,以理论离散点为界,将截面数据分为两段,分别拟合这两段数据为两段曲线,其交点或切点即为实际边特征上的点.通过曲线拟合、截面优化,不但可以确切定位点云中的边点,而且可以插值求解点云中不存在的边点,保证了边特征的提取精度.     

非接触式激光测量点云数据预处理

作为逆向工程中形状表面数字化应用最广泛的方式,非接触式激光测量具有接触式测量无可比拟的优势。然而激光测量所得的数据点云存在明显缺陷无法直接应用于三维模型重建。本文重点讨论了激光测量所得点云数据的特点,并针对其缺陷提出一些处理方法,使之可以应用于三维模型的重建。     

基于激光点云与图像信息融合的交通环境车辆检测

随着无人驾驶汽车的快速发展,仅依靠单一传感器的环境感知已经无法满足车辆在复杂交通场景下的目标检测需求。融合多种传感器数据已成为无人驾驶汽车的主流感知方案。提出一种基于激光点云与图像信息融合的交通环境车辆检测方法。首先,利用深度学习方法对激光雷达和摄像头传感器所采集的数据分别进行目标检测;其次,利用匈牙利算法对两种目标检测结果进行实时目标跟踪,进而对两种传感器检测及跟踪结果的特征进行最优匹配;最后,将已匹配及未匹配的目标进行择优输出,作为最终感知结果。利用公开数据集KITTI的部分交通环境跟踪序列及实际道路测试来验证所提方法,结果表明,所提融合方法实时车辆检测精度提升12%以上、误检数减少50%以上。     

协方差矩阵在目标二维姿态测量中的应用

针对现有姿态测量方法计算量大的问题,本文提出了一种新的基于协方差矩阵的目标二维姿态测量方法。首先,将图像二值化,提取出目标的重心坐标;其次,计算出目标所在区域的协方差矩阵;最后,得到由协方差矩阵定义的椭圆区域,并求出椭圆的两个轴的大小和方向。两幅图像中目标区域所确定的椭圆长(短)轴的比值即为缩放比例,长(短)轴方向的差值即为旋转角度。仿真实验证明：该方法可以快速准确地计算出目标的旋转角度和缩放比例,旋转角度可以精确到 以内,缩放比例可以精确到 以内,计算时间仅为对数极坐标的1/16。     

基于曲率RGB的多视点云拼合方法

针对目前反求工程中多视点云获取和拼合的现状，提出了基于RGB的多视点云的拼合方法，该方法遵循实物内部拓扑不变性，由曲率的RGB值来选取拼舍的重叠子集，通过改进的ICP算法来实现重叠子集的拼舍，实现了在目标点云中局部最优的整体拼合，解决了反求工程中任意多视点云的拼合问题，实验结果验证了其有效性和精度。     

基于深度学习的三维点云分析方法研究进展

点云是目前自动驾驶、机器人、遥感、增强现实(AR)、虚拟现实(VR)、电力、建筑等领域最常用的三维数据处理形式,深 度学习方法能够处理大型数据,且可自主提取特征,因此点云深度学习方法已逐渐成为研究热点。 本文综述了近十年来基于深 度学习的三维点云分析方法的研究进展。 首先给出了三维点云深度学习的相关概念;然后针对点云目标检测与跟踪、分类分 割、配准和匹配以及拼接这 4 种任务,分别阐述了相应的深度学习方法的原理,分析并比较了各自的优缺点;随后整理了 18 种 点云数据集和 4 种点云分析任务的性能评价指标,并给出了性能对比结果;最后总结了点云分析方法目前存在的问题,对进一 步的研究工作进行了展望。