双边特征聚合与注意力机制点云语义分割

机器视觉是环境感知的重要手段之一,是自动驾驶、机器人、工业检测等领域的研究热点,而点云数据的精细分析是其中的一项关键技术.针对大尺度真实场景点云数据分割精度低的问题,提出了一种适用于点云数据语义分割的网络结构.首先,构建了一个双边特征聚合结构,通过分别处理点云的几何信息和语义信息,达到充分利用点云特征信息的目的.其次,...     

基于Imageware的点云分割

Imageware是当前应用最为广泛的逆向造型系统之一,它是一个非参数化的交互式建模工具.在由数据点云构建物体表面模型中,对数据点云恰当的分割是逆向建模的一个很重要步骤.提出了针对于Imageware逆向建模系统的逆向特征分类思想,总结并提出了基于边、基于面和基于特征的方法,并通过实例证明了其可行性.     

局部阈值自适应的地面点云分割

为了进一步提高自动驾驶感应模块中激光雷达点云地面分割算法的分割精度,提出一种基于种子点距离阈值和路面波动加权幅值自适应的地面点云分割算法。该算法在极坐标栅格地图划分的基础上,将种子点的选取判断阈值与二维平面的水平距离特征相关联,通过点云间的水平距离变化控制种子点集的更新;在道路模型拟合过程中,为解决斜坡路面模型更新停滞问题引入坡度连续性判断准则,根据路面波动加权幅值的变化建立点云的分割阈值方程,最终实现关于点云距离特征的自适应阈值分割。对开源数据集Semantic KITTI进行点云二分类数据处理,并在此基础上测试算法性能。实验结果表明：与现有算法相比,本文所述地面分割算法的精确率和召回率均提升了2%～4%,具有较高的准确性。     

三维散乱点云的分割与几何形体重构

研究了由三维点云重构几何形体模型的方法与步骤。提出了点云分割的2种交互方法——基于特征识剐的分割和投影裁剪分割。给出了表面数据点群的边界搜索算法和表面求交算法，实现了一种从三维点云到几何形体的分割与重构方法。     

基于自注意力特征融合组卷积神经网络的三维点云语义分割

针对现有算法忽略点云数据全局单点特征和局部几何特征的深层关系,导致捕获的局部几何信息缺乏鉴别性且难以有效识别复杂形状的问题,提出基于自注意力特征融合组卷积神经网络的三维点云语义分割算法.首先,设计轻量化网络框架的代理点图卷积提取点云局部几何特征,并加入组卷积操作减少计算量和复杂度,以较少的冗余信息增强特征的丰富性;其次...     

顾及长尾分布的机载LiDAR点 CNN 语义分割

针对目前PointNet++系列网络模型倾向于牺牲尾类分割精度以保证全局分割精度这一现象,构建顾及数据长尾分布的机载LEDAR点云语义分割网络,主要涉及两方面内容,聚类最远点采样和空间自注意力机制下的局部特征学习。聚类最远点采样通过类内点云最远点采样、划分区域最远点采样以及基于置信度的均值漂移（Mearshift）聚类组合策略,最大程度保留尾类样本并通过循环赋权方式使每类样本均能被网络充分学习;空间自注意力机制下的局部特征学习为结合不同空间编码方式增强采样点邻域拓扑结构的学习,以利于从稀疏样本数据中完整学习目标空间结构。公开数据集实验表明,本文网络模型整体分割精度和平均F,较 PointNet++分别提升6.3%和6.6%,并优于其它6种PointNet++系列网络模型及新公布的10种网络模型,具有良好的泛化性能与应用价值。     

基于特征融合的改进型PointPillar点云目标检测

针对PointPillar在自动驾驶道路场景下对点云稀疏小目标检测效果差的问题,通过引入一种多尺度特征融合策略和注意力机制,提出一种点云目标检测网络Pillar-FFNet。针对网络中的特征提取问题,设计了一种基于残差结构的主干网络;针对馈入检测头的特征图没有充分利用高层特征的语义信息和低层特征的空间信息的问题,设计了一种简单有效的多尺度特征融合策略;针对主干网络提取的特征图中信息冗余的问题,提出了一种卷积注意力机制。为验证所提算法的性能,在KITTI和DAIR-V2X-I数据集上进行实验。实验结果表明,所提出的算法在KITTI数据集上与PointPillar相比,汽车、行人和骑行者的平均精度最大提高分别为0.84%,2.13%和4.02%;在DAIR-V2X-I数据集上与PointPillar相比,汽车、行人和骑行者的平均精度最大提高分别为0.33%,2.09%和4.71%,由此证明了所提方法对点云稀疏小目标检测的有效性。     

散乱噪声点云的数据分割

提出基于边界曲线微分几何特征的新方法分割散乱噪声点云.改进TAUBIN方法以精确恢复散乱噪声数据的主曲率和主方向.通过分析散乱点在主方向的曲率变化,达到识别G1、G2连续边界点的目的.获得的边界点形成边界带,将点云分割为多块子区域.最后采用区域增长的方法提取各子区域.试验结果表明所提出的方法能够克服噪声影响,有效提取散乱噪声点云的G1、G2边界.对复杂曲面模型,该方法也能够直接获得较好的G2连续边界.     

基于高空激光雷达扫描系统的稀疏点云分割

针对高空激光雷达扫描系统的性能和复杂大尺度路面稀疏点云数据的分布特征,提出一种基于高空激光雷达扫描系统的稀疏点云分割方法.采用基于点云分块的区域生长算法,在坡路等复杂地面情况下点云数据出现曲面时可以快速准确地分割地面;采用基于密度的DBSCAN聚类算法,使得路面点云稀疏情况下也可以准确地将非路面点云聚类并标记.在港口轮...     

针对点云缺失情况下的导线分割算法研究

提出了一种导线模型(XY面投影重合、XY面投影不重合,简称"模型一"和"模型二")识别方法和基于该模型的导线分割算法,解决了点云缺失情况下导线分割困难、分割精度低的问题。经实验验证,模型一和模型二分割准确度为92.5%、90.9%。     

基于PointNet++的煤场点云分割与识别方法

为了实现煤场环境下的实时监控与安全监测,对煤场环境应用了一种基于PointNet++的目标分割与识别的方法。利用二维激光扫描仪做直线运动的装置采集三维点云数据,通过设置目标安全距离,采用基于欧氏距离的点云分割算法对原始点云进行分割,调用训练好的PointNet++网络对分割后的目标点云进行识别,对识别结果进行判断,并分析目标物体的工作状态是否安全。实验结果表明：煤场环境典型物体点云的分割精确率与召回率均大于90%,目标识别准确率达到98%,验证了基于PointNet++点云分割与识别方法的可行性。     

铁路场景三维点云分割与分类识别算法

铁路限界侵入检测对保障高速铁路安全具有重要意义,基于激光三维点云分割与分类识别的异物侵入检测具有准确、直观的优点,在诸如隧道口和站台的铁路重点区域监测中具有广泛应用前景。设计了一种带动二维激光雷达进行俯仰运动的装置用于铁路三维点云的采集,基于法线方向一致性原则提出采用区域生长分割算法解决欧氏聚类分割和随机采样一致性(RANSAC)分割造成的过分割和欠分割问题;针对分割后的单物体点云,提出利用视点特征直方图(VFH)进行不同目标的三维点云特征提取,基于不同物体VFH建立KD树,并利用最近点搜索方法完成单物体点云分类识别。铁路场景典型物体的分类实验结果表明,本算法对铁路场景典型物体的分类识别准确率大于90%。     

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。     

面向服务机器人三维地图创建的大规模点云分割

为了使服务机器人能在室内环境中识别物体并且利用点云自动创建三维VRML地图,针对室内场景中大规模且无规则的点云分割,提出了一种结合RANSAC和聚类的分割算法。该算法充分考虑到室内场景的特征,利用RANSAC提取大平面点云,并在点云当中去除地面等平面环境中的点云数据,最后使用聚类分割物体。此算法充分利用了室内环境的大平面特征和空间上分离特征,有效避免了无规则点云的分割和室内复杂环境导致的分割和运算困难的问题。不同室内环境中的对比实验比较清晰地分割出环境中的主要物体,得到了比较满意的效果。     

基于深度学习的零件点云分割算法研究

针对目前基于PointNet++的深度学习点云分割框架,对零件点云进行几何面级的分割精度不高的问题,对现有分割框架的采样算法、特征提取、特征传递进行了研究。运用了基于曲率的最远点采样算法,在零件面与面交界处获得了更多的采样点;结合了PointSIFT和PointCNN分割框架,采用了X变换矩阵,让点云特征具有空间转换不变性,SIFT组合选择了不同方向的近邻点进行组合;设计了SIFT-X卷积算子,能让网络编码不同方向的点云特征,提升了网络的表征能力从而提高分割精度。研究结果表明:上述方法能提高零件点云面要素分割的精度和mIoU值。     

逆向工程中的数据点云的分割

逆向工程中由数据点云构建物体表面模型中，对数据点云恰当的分割是表面建模的一个很重要步骤。文中以激光-机器视觉测量方式得到的曲面数据云为基础，探讨了曲面密集三维散乱点群数据的分割技术。根据激光测量方式和三维点群分布的特点，建立了在计算机中表示散乱点群数据结构。建立树形空间结构完成对密集散乱点群进行空间分割，由此实现对散乱点群数据的几何分割。     

遥感图像云检测的多尺度融合分割网络方法

在进行可见光遥感图像高精度云检测时,云自身特征的多变性,以及地物与云之间的特征相似性,会降低检测精度。因此,提出一种带权重的多尺度融合分割网络云检测方法。首先,通过有云区域和无云区域的特征学习,降低对云状的敏感性,同时利用全卷积网络进行端到端训练,实现对每个像素点分类。该方法能够自动提取深层特征,并可将云的深层语义特征与浅层细节特征结合,不但有利于区分下垫面中与云特征相似的地物,还可提高云边缘检测效果,从而提升云量值的检测精度。与其他深度学习分割网络的实验比较分析表明,所提方法可以实现95. 39%的像素分类准确度,云量值检测误差优于1%,为解决遥感图像云污染问题提供了新的思路。     

语义流引导采样结合注意力机制的脑肿瘤图像分割

U型网络结构的脑肿瘤自动分割方法由于多次卷积和采样操作会造成信息损失,导致分割效果不佳。为解决这一问题,提出了能够利用语义信息流引导上采样特征恢复的特征对齐单元,并在此基础上设计轻量级的双重注意力特征对齐网络（DAFANet）。首先,将特征对齐单元分别引入3D UNet、DMFNet和HDCNet三个经典网络,以验证其有效性和泛化性。其次,在DMFNet基础上构造轻量级的双重注意力特征对齐网络DAFANet,利用特征对齐单元强化上采样过程中的特征恢复,3D期望最大化注意力机制同时作用于特征对齐路径和级联路径,用于重点获取上下文的全程依赖关系。同时使用广义Dice损失函数提升数据不平衡时的分割精度并加快模型收敛。最后,在BraTS2018和BraTS2019公开数据集进行验证,文中所提算法在ET,WT和TC区域的分割精度分别达到80.44%,90.07%,84.57%和78.11%,90.10%,82.21%。相较于当前流行的分割网络,具有对增强肿瘤区域更好的分割效果,更擅长处理细节和边缘信息。     

基于平面层结构勘察的点云快速分割

针对具有空间连通域特征的点云,提出了一种新颖的基于平面层结构勘察的快速分割方法。首先建立点云的平面层结构,并进行最优勘察,同时进行平面层连通性的判断,最终确定最优平面层,并实现迭代分割。算法应用于实际项目中采集的点云的分割,并分别对不同规模的点云的分割结果进行了讨论。结果表明,算法对具有空间连通域特征的点云能有效并较快地进行分割。