基于深度图的道路场景三维点云分割优化方法

点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率，提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图，建立三维点云与深度图之间的投影关系，利用相邻激光雷达扫描线的角度阈值进行地物分割，再对分割后的地上物体进行分割，去除噪声点。通过使用KNN(K-Nearest Neighbor)插值优化算法对分割结果进一步优化，较好地克服了过分割问题，提高了点云分割的准确率。实验结果表明，该方法的运行时间达到86 ms,相较传统深度图的自适应DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法准确率提升了5%,达到90.5%。     

基于激光雷达的室内玻璃三维重建算法

针对激光雷达在室内地图重建过程中,扫描不到透明玻璃的问题,文章提出了一种玻璃检测三维重建算法,实现了三维地图中玻璃的重建。该方法将三维激光雷达扫描的点云经过点云滤波、分割、聚类以及运动匹配,提取出感兴趣的透明玻璃上的点云,从而识别出室内场景中的透明玻璃。实验结果显示,该算法能有效地使用激光雷达数据检测玻璃并进行三维地图重建。     

基于点云簇组合特征的激光雷达地面分割方法

针对三维激光雷达在地面分割过程中存在分割不足和过分割的问题,提出一种基于点云簇组合特征的激光雷达地面分割方法。首先将三维点云投影到扇形栅格中进行连通域聚类,将梯度相差较小的栅格聚为一类。然后根据路面点云符合平面和直线几何特征的特点,对每一簇进行特征值计算以挑选路面栅格簇的候选簇,接着对其进行径向方向上的梯度检查以剔除误判栅格。最后使用三次B样条曲线进行平滑拟合,实现地面点与非地面点的分割。在不同路面状况的场景中对所提方法进行验证。实验结果表明,所提方法在含有多障碍物路面的准确率为97.50%,计算时间为27ms,说明所提方法的地面提取准确率更高,路面适应性更强。     

基于法线估计的鼢鼠头骨三维点云分割算法

针对复杂背景分割时出现的低效率、过分割等问题,提出一种基于法线估计的三维点云分割方法。首先,改进随机采样一致性(RANSAC)算法,引入法线约束去除背景中大部分平面点云,使得目标点云与大量点云分离,然后采用欧式聚类分割从中提取目标点云。利用鼢鼠头骨三维点云数据进行试验,结果表明,融合的点云分割算法可以将目标鼢鼠头骨点云精确分割,完全去除冗余点云,速度快、准确率高,相较同类型方法表现更优。     

高旋掠飞弹载激光雷达对地面装甲目标的分割与识别

为了完成搭载单元激光雷达的高旋掠飞弹药对地面装甲目标的提取与识别,充分考虑高旋掠飞弹药的稳态扫描过程,提出了一种用于弹载单元激光雷达一维距离像的目标分割与识别方法.首先通过基于梯度的自动生长阈值分割算法对一维点云数据进行预分割,并获取初始聚类数与聚类中心;接着基于改进的kmeans算法对分割结果进行调整,实现对装甲目标...     

合并分割块的点云语义分割方法

随着激光雷达等三维点云获取工具的快速发展,点云的语义信息在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域更具重要意义。针对基于分割块特征匹配的点云语义分割方法无法处理过分割和欠分割点云块、行道树和杆状物的语义分割精度低等问题,提出了一种基于分割块合并策略的行道树和杆状物点云语义分割方法,该方法可对聚类分割后感兴趣的分割块进行合并,通过计算其多维几何特征实现对合并后的物体分类,并使用插值优化算法对分割结果进行优化,最终实现城市道路环境下行道树和杆状物的语义分割。实验结果表明,所提方法可将城市道路环境下的行道树、杆状物等点云数据的召回率和语义分割精度平均提升至89.9%以上。基于分割块合并的语义分割方法,可以很好地解决城市道路下行道树和杆状物语义分割精度低等问题,该方法对于三维场景感知等问题的研究具有重要意义。     

利用车载激光点云的分车带识别及单木分割方法

提出了一种基于车载激光点云数据的城区分车带识别及单木点云分割方法,首先通过布料模拟算法进行点云滤波去除地面点,然后利用基于八叉树连通性分析对非地面点进行聚类并构建聚类单元的最小包围矩形,基于先验知识和高差约束进行分车带识别,最后根据单木的空间几何特征,引入基于局部最高点的区域生长算法实现分车带内点云单木分割。选取北京市某道路的车载激光点云数据进行实验,结果表明:该方法能够从车载激光点云中快速识别出分车带点云并完成单木分割,能达到较好的识别和分割效果,具有抗噪性强和提取精度高的特点。     

三维激光点云下利用Mean_shift的欧式目标分割

随着计算机视觉领域的发展,利用激光点云获取目标三维数据成了当下热点.对目标点云进行有效地分割变得尤为重要.相比于现存的区域生长分割,RANSAC分割与欧式聚类分割等传统的分割算法,提出了Mean-shift的欧式聚类算法.这一算法先对目标点云进行Mean_shift密度聚类粗分割,再结合欧式聚类对粗分割后的点云进行细分...     

顾及地物邻域特征的LiDAR点云布料模拟滤波优化

布料模拟滤波算法在LiDAR点云的地物分离中起到重要作用。但是,此方法得到的地面点云中往往含有残留的非地面点云,导致滤波分类结果不彻底、不准确。本文提出一种顾及地物邻域特征的布料模拟LiDAR点云滤波自动优化算法,可以快速精准地解决这一问题。首先,对LiDAR点云进行布料模拟滤波处理,在其分类结果的基础上对非地面点云进行组件分割,得到具有缓冲区域的一系列点云子集;其次,拟合子集所在地面点云得到主平面,对地面点云进行高程归一化处理;最后,利用第三势差算法对每块地面点云进行滤波优化处理。选取三组有代表性的实验数据进行测试,结果表明：相较于布料模拟滤波算法,本文方法整体精度得到提升,尤其是在布料模拟滤波算法的Ⅱ类误差上有着明显优化效果,Ⅱ类精度平均提升12.3%,可有效解决布料模拟滤波算法分类结果中存在残留的问题。     

基于改进欧式聚类算法的双目主动视觉点云目标检测研究

双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。     

基于切片采样和质心距直方图特征的室外大场景三维点云分类

三维(3D)点云数据在智能驾驶、遥感测量和虚拟现实等领域的应用越来越广泛。针对室外大场景,提出了一种兼顾快速性与准确性的三维点云分类算法,该算法首先对原始点云进行离群点去除,并在现有地面滤波算法的基础上,结合点云法向量差信息滤除地面点;然后再使用具有噪声的基于密度(DBSCAN)的聚类算法对非地面点云进行分割,同时针对点云的过分割问题采用了就近融合的策略;再提取出不同物体点云的全局特征,包括垂直方向切片采样直方图和质心距直方图,以及点云的二维投影图像方向梯度直方图(HOG)特征;最后,通过支持向量机(SVM)分类器分类,得到较为精确的三维点云分类结果。实验结果表明:所提算法可以将复杂的室外大场景分类为较为准确的单个物体,并且具有较高的精确率以及召回率;相较于其他算法,所提算法的效率有了较大提高。     

基于点云凹凸性和欧式聚类的工件分割方法

在激光点云下对电子元器件的分割中,工件之间容易出现散乱分布的复杂情况,导致传统点云分割算法无法实现正确的分割与计数。提出一种利用LCCP与欧式聚类的点云分割方法。使用基于表面凹凸性的LCCP算法进行点云粗分割,分离相互堆叠和碰撞面积不大的工件,并提取其余碰撞工件的粗分割点云簇;其次,利用基于法线估计的边界检测方法剔除所提取点云簇的点云边缘点,使相互接触的工件点云在空间上产生分离后,再使用欧式聚类算法进行细分割;最后合并粗分割与细分割的结果以完成分割。结果表明,在复杂情况下所提方法能准确分割目标工件,分割正确率相比于LCCP、区域生长和欧式聚类算法分别提升了35.9%、66.7%和80%,平均每10个目标耗时约290 ms,具有良好的准确性和实用性。     

三维激光点云的网状RANSAC分割与计数

随着工业现代化进程的加快,三维激光点云技术开始出现在工业目标检测中,对激光点云的目标分割提取也成了工业检测中的关键。常用的三维点云分割方法,如区域生长分割、RANSAC(随机抽样一致)分割、K-means(K均值聚类)等无法做到高水平的目标分割与提取。利用MEMS(micro electromechanical system)3D相机对4组目标进行点云数据采集,利用网状RANSAC分割算法,将目标三维点云进行封装,栅格化分割成网状模块,对每个网状模块中的点云进行平面粗分割,整合模块,用欧式聚类对分割后的目标进行细分割,得到最终的目标提取结果并成功完成计数统计。试验结果表明,所提出的网状RANSAC分割算法的分割完整度为91.0%,平均耗时8.25 s,均优于其余三种传统算法,并且成功完成计数。     

基于三维激光雷达的道路障碍物目标位姿检测算法

提出一种基于随机采样一致(RANSAC)的道路障碍物目标位姿检测算法,利用这一算法对道路障碍物目标进行检测,构建目标障碍物的盒模型,输出盒模型的位姿信息。引入扇形盒分割方法,改进地面分割模块,使用基于激光雷达参数的自适应阈值方法改进聚类分割模块。基于三种激光雷达数据集进行实验验证,本文算法能够准确地对道路障碍物进行位姿信息检测,且具有较高的实时性。相较于最小包围矩形法及三点估计法,本文算法的准确度分别提升8.14%、6.57%,检测时间分别缩短23.81%、24.71%。     

基于LiDAR点云的单根电力线分离提取与多维度拟合重建

激光雷达技术能够快速高效地获取高精度的三维点云数据,机载LiDAR不受天气影响且能在复杂地理条件下工作,已成为电力线巡检的重要方法。而从获取的LiDAR点云数据中高效提取架空电力线点云是机载LiDAR电力巡检后期数据处理的重要内容。本文基于某地输电线走廊的LiDAR点云数据,设计了一套单根电力线分离提取和多维度拟合重建的方案。该方案首先使用统计滤波算法去除LiDAR数据中的异常离群点;再采用布料模拟滤波算法,结合数据高程信息去除地面点,利用PCA主成分分析法与快速欧式聚类算法,从电力线走廊点云中分离提取单根电力线;最后基于提取结果对单根电力线进行多维度拟合重建。实验结果表明,本文方法能精准且快速地分离提取单根电力线并进行多维度拟合重建,在电力线智能巡检中具有良好的工程应用价值。     

末敏弹线阵列激光雷达的距离像分割方法

为了增强末敏弹在不同场景下对地面装甲目标的探测识别性能,充分考虑末敏弹弹载线阵激光雷达的应用背景,提出了综合交叉扫描线法和梯度连通域的地物距离像点云分割算法,用以提高对地面和目标的分割效果。首先,将激光雷达扫描得到的原始距离信息转换为距离水平地面高度值,通过交叉扫描线法将空间斜面转化至水平面,增强不同地形上的适应性;然后,采用地面点云连通域算法提取地面点云和形态学梯度阈值法分割得到目标点云;最后计算了地物分割效果的几何相似度。实验结果表明:该算法对于正斜坡、侧斜坡等多种地形都有较好的适用性,在不同高度、地形、坡度都能够准确、有效地分割地物点云,进而提高末敏弹对装甲目标的识别性能。     

一种用于道路障碍物识别的激光点云聚类算法

提出一种适用于道路障碍物识别检测的聚类算法,该算法用来处理各向异性分布的激光点云数据。算法的基本思想是:针对点云空间分布的实时变化,提出在线学习合并阈值的层次聚类算法,以确定聚类数搜索范围上界和初始聚类中心的待选点集;然后提出距离乘积最大化方法,对待选点集进行初始化排序,既结合点云的空间密度分布改善了聚类结果,又克服了传统K-means算法初始聚类中心难确定的问题;最后选取Silhouette和距离评价函数为聚类有效性指标分析算法的聚类效果,确定最佳聚类数。用以上自适应、在线学习的算法对2.5D激光雷达采集的点云数据进行聚类,并与其他两种聚类算法进行实际试验比较发现,本算法可以正确分割大多数空间分布各异且相互连接的障碍物。     

基于多聚类的混合数据分割算法

为解决点云特征区域分割过程中的过分割和欠分割问题,提出一种多聚类混合数据分割算法。算法首先利用改进的K-means聚类将散乱点云模型划分出平坦区域与特征区域;再利用基于高斯球的Mean-shift聚类对特征区域进行细分割,接着使用区域生长对细分割后的结果进行调整,最终实现点云数据的准确分割。并用该算法与K-mans、Mean-shift算法对相同模型在相同参设下进行分割实验,其结果表明,该算法能有效、准确地根据点云特征类型实现数据分割,同时有效避免特征的过分割和欠分割现象。     

一种基于机载LiDAR数据的山区道路提取方法

为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题, 采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云, 根据山区道路特性, 计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度, 组成点的分类特征; 随后手动采集正负样本训练点云随机森林分类模型, 将地面点云通过模型分类得到初始道路点云; 再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云; 最后矢量化道路点云获取道路中心线。结果表明, 以Entiat River地区山区LiDAR点云数据进行实验验证, 道路点云提取的正确率达到95.29%, 完整率达到92.96%, 提取质量达到88.88%。该方法能解决多重阈值难以确定的问题, 能较高精度地提取到山区道路点云, 进而获取有效道路中心线, 对山区道路信息的研究有一定的参考价值。     

PTD算法在激光三维点云数据滤波中的应用

提高激光三维点云数据滤波精度,有助于构建高精度的地表模型,为此,提出了基于点云地面点滤波算法的激光三维点云数据滤波方法。采用双边滤波算法消除激光三维点云数据中存在的噪声,提取的法向量、回波率以及后向散射系数,将其输入支持向量机完成激光三维点云数据的分类,采用点云地面点滤波算法实现三维激光图像双边滤波处理。结果表明,本方法的数据滤波处理误差低于2.0%,信息熵与峰值信噪比为9.74和23.44 dB,获取的三维激光图像清晰度高。