基于改进型B样条分层插值的汽车零件检测研究

在汽车零件的在线装配过程中,为了减小由理论数模与实际位置之间的偏差导致的装配误差,设计了改进型B样条分层插值算法。首先,根据点云重建曲面的曲率分布对初始数据进行分层,然后再通过三次B样条插值算法获得实际零件点云与数模点云的偏差分布,最后由绝对距离偏差值推导得到路径补偿归一化系数,从而实现对汽车零件自动检测的扫描路径优化。仿真对包含直角、棱边及孔洞特征的零件进行分析,结果显示点云去噪效果良好,重建曲面形貌符合实体零件特征。实验对比了直接重建与采用三次B样条分层插值算法优化后的重建效果,通过对300个测试点的数据统计,三个坐标轴方向的位置优化前后平均误差分别为3.345 mm和0.599 mm。可见,优化后位置预测精度得到了较好的提升,为提高扫描路径精度奠定了基础。     

基于体素化网格下采样的点云简化算法研究

针对三维点云数据冗余量大、重建时间长、效率低等问题,提出一种基于体素化网格下采样的点云简化算法。该算法首先求出点云数据集的最小三维长方体包围盒,把点云数据划分进三维体素栅格中去;其次计算点云的k邻域,进行曲面法向量估计;然后,在三维体素栅格中选择满足要求的数据点,实现点云下采样;最后,调用Power Crust对下采样点云数据进行曲面重建,在三维可视化类库Visualization Toolkit(VTK)进行显示。实验结果表明,该算法能够加快三维点云数据的重建速度,较好地保持了点云特征,提高曲面重建的效率和鲁棒性,适合实时处理。     

自适应精简点云改进预处理优化三维重建算法

针对初始点云离群点噪声大、冗余性高导致三维重建效率低、重建曲面表面粗糙等问题，提出一种自适应精简点云改进预处理算法。首先使用统计滤波消除离群点噪声，并在基于体素重心邻近特征点下采样中引入双曲正切函数，在保持点云特征不变的情况下精简点云数据；然后建立移动最小二乘法拟合函数，确定其二次基函数和高斯权函数，完成点云数据平滑优化；最后使用投影三角化算法完成点云曲面重建。实验结果表明，所提算法在有效去除离群点的同时，还能精简点云数据、提升曲面重建效率，且重建后的模型表面光滑、孔洞减少。     

一种基于移动最小二乘法的点云数据孔洞修补算法研究

使用测量仪器获取点云数据的过程中,由于测量仪器自身缺陷、物体局部遮挡等因素,导致原始点云数据存在孔洞,严重影响曲面重建,需要实施孔洞修补,以便获取完整的模型。采用非封闭孔洞相连的散乱点云的边界确定孔洞修补范围,有效提取非封闭的孔洞边界点及附近模型的边界点,根据孔洞及其周围点的信息,基于移动最小二乘法重构一个隐式曲面,并且通过一定步长实施隐式曲面采样,完成孔洞修补。实验结果显示该算法可以修补不同类型的孔洞,并且修补数据与原始点云数据较好的融合在一起,恢复原始模型。     

基于激光雷达的空间物体三维建模与体积计算

求取体积参数是空间体对象形态分析的基本内容。采用激光雷达对空间物体进行扫描获得激光点云并求得其体积。首先使用三维激光雷达扫描物体获得原始点云;点云经过三维空间变换后,对点云进行缺失数据修补;再通过滤波和下采样处理进行点云去噪和点云数据的精简;最后采用一种隐式曲面重建算法构建三维点云的mesh网格模型,进而由网格模型求取体积。通过实验验证,使用激光雷达分别扫描了两个实验对象,将实验体积结果与实际的体积数据相比,误差分别仅为0.456%和0.394%,表明该体积计算方法有良好的曲面重建效果和体积计算精度。     

基于移动最小二乘法的点云数据孔洞修补算法

由于受到多种因素的综合作用,点云数据不完整,曲面上出现了一些孔洞,为了提高点云数据的孔洞修补精度,解决目前一些方法的局限性,提出基于移动最小二乘法的点云数据孔洞修补算法。首先对当前点云数据孔洞修补研究现状进行分析,并得到点云数据曲面上的孔洞数据,采用移动最小二乘法对点云数据孔洞进行修补,最后通过具体应用实例对其可行性进行测试。结果表明该方法可以对点云数据孔洞进行有效修补,能够获得比较理想的点云数据曲面重建效果。     

基于稀疏重建和激光实境复制的电力工程建模方法

由于机载激光雷达生成的原始点云数据存在质量较差且离散点多的问题,故难以直接应用于模型重建与电力工程的管理中。因此,文中基于稀疏-稠密算法和点云数据提出了一种电力工程模型重建算法。利用无人机机载激光雷达来获取多帧输电线路点云数据,并使用索引树近邻搜索法对原始点云数据进行坐标转换及离散数据过滤,进而得到重建的点云数据。通过稀疏重建算法对重建后数据中的框架特征加以提取,同时引入稠密算法进行框架填充,完成输电线路内容的重建。经实验测试表明,所提算法的点云提取误差仅为8.42 cm,在对比算法中性能最优。且重建后的模型可应用于电力工程验收、巡检等实际场景中,具有良好的工程意义。     

基于紧支径向基函数内插的图像修复算法

该文提出一种基于紧支径向基函数插值的图像修复算法,该算法将图像看成残缺的三维散乱点集,将图像修复问题转化为三维数据的曲面重建问题。采用径向基函数曲面重建的方法构造出逼近三维点集的隐函数曲面,实现对残缺部分的插值,并对重构曲面采样得到残缺部分的像素值。紧支径向基函数可使求解权系数的线性系统的系数矩阵具有稀疏带状结构,从而降低算法的复杂度。实验结果表明,该算法是一种实用对图像修复算法,可得到良好的修复效果。     

点云数据提取二次曲面特征算法研究

采用三维激光扫描技术可以直接得到真实物体表面的空间采样点,即点云数据,利用点云数据即可以重构三维物体表面。对重构的物体进行修复,并获得相关物理参数,是目前逆向工程重点研究问题。文章就点云数据的一些处理算法进行研究,根据点云数据的特征,利用曲面边的法向量夹角几何特征建立点云数据分割模型对点云数据分割。提取出点云数据的几何特征。对于重构的物体采用k—邻域法建立降噪模型,德洛内三角剖分法和多项式样条插值法建立三维曲面修复模型。并算法应用于具体数据中,取得良好的效果。     

基于回波信号插值重建的峰值判别技术

在脉冲式激光测距技术中,测量距离和目标反射特性变化等因素会引起微弱回波信号的峰值判别误差,造成激光飞行时间的测量误差,峰值判别误差是影响激光测距精度的主要因素之一.针对激光测距中微弱回波信号不规则引起的峰值判断精度低的难题,采用FPGA控制采样电路对回波信号进行高频采样,通过软件对采样数据进行插值重建,根据重建图形判断出回波信号的峰值点位置作为计数停止点,有效提高了回波信号峰值判别精度.实验证明:采用该项技术的激光测距机能够达到0.1 m测距精度.     

基于PCA-TrICP的多源点云无缝三维重建

针对三维重建时使用单一数据源的局限性问题,融合异源的倾斜影像和三维激光点云进行三维实景重建.在前期工作中,利用倾斜摄影技术对校园图书馆建立初始模型,生成影像点云,并使用三维激光扫描仪获取其立面数据,完成去噪及拼接等预处理工作.针对预处理过后的影像点云和激光点云数据的配准,首先使用主成分分析方法对数据降低维度,对齐跨源点...     

（英）改进的三角网构网算法用于LiDAR树冠体积提取

在分析现存点云处理方法的特性后,通过改进三角网构网算法的算法机制,提出了一种基于空间分割的分块优先级机制的三角网表面重建算法,用于重构树冠表面,实现树冠体积的准确提取.通过可视化方法对比了多种算法的点云构网效果,以实验区选定的30棵树为研究对象,利用T-LiDAR获取树冠点云数据,通过人工方法、传统算法和本文的改进算法计算树冠体积,对这些结果进行了对比分析.分析发现: 四种方法之间均显示出较好的相关性(R2>=0.831), 其中所提出的改进Delaunay方法拥有理想的精度,较好稳定性和最少的耗费时间.实验结果表明,提出的算法在点云(尤其是T-LiDAR数据)树冠的体积提取中具有很大的优势.结合T-LiDAR数据还可以实现树冠表面积和生物量等树冠因子的高精度快速提取.     

一种基于飞行时间相机的点云目标提取方法

基于飞行时间(Time of Flight,TOF)原理的深度相机成像方法不同于二维图像来计算三维信息,而是通过光在空气中的飞行时间,来计算出目标的距离,从而直接获取场景目标的三维点云信息。本文通过研究基于飞行时间红外相机的三维重建技术,设计了一种基于飞行时间红外相机的点云目标提取方法。利用飞行时间相机直接获得场景的三维点云数据,提出一种双阈值空间滤波算法,对点云数据进行空间滤波,并对滤波效果进行了对比评价。在双阈值空间滤波算法的基础上提出了一种改进的基于法向量的随机抽样一致性(RANSAC)算法,实现了对三维点云数据的目标提取,为基于飞行时间相机的场景目标三维重建奠定了基础。     

基于点云边界质心的粗配准方法

点云配准的质量直接影响着三维重建的质量。针对传统K-4PCS耗时长且易出现错误匹配等问题,文中提出一种基于边界质心的点云粗配准方法。通过对点云进行边界提取,既保留点云外表特征,又减少了点云数据的大小,提高了粗配准速度。为了加快边界点的提取速度,使用K-D tree算法完成对k近邻点的搜索。通过配准边界点的质心,减少点云初始距离并增加重叠度,保证了粗配准的精度。实验结果证明,文中方法在粗配准速度和精度方面都优于传统K-4PCS算法,其速度约为传统K-4PCS算法的2倍,平移和旋转精度也比传统K-4PCS高了40%以上。文中所提方法对提高点云粗配准的速度和精度具有一定的参考价值。     

线结构光测量的NURBS算法曲面重构

针对传统的曲面重构算法效率低下和繁琐的问题,提出一种基于线结构光测量获得三维点云数据和NURBS算法曲面重构方法。利用线结构光的非接触性、高效率和高精度的特点获取三维模型的三维数据并且能够避免视觉测量中的配准问题,然后利用高斯滤波、非均匀网络压缩原理、八叉树算法对三维对云数据进行去噪、压缩、数据索引后,有效提高了数据的重构效率,最后采用NURBS算法对曲面进行重构。以普通硬盘为例,运用所提方法进行曲面重构,实验表明曲面重构方法比传统曲面重构方法速度更快,误差小于0. 05 mm,具有很好的精确性和高效性,为以后的曲面重构研究领域的提供了重要的研究方法。     

改进贪婪投影三角化算法的激光点云快速三维重建

通过三维激光扫描仪获取的点云数据具有密度大、精度高等特点。本文针对贪婪投影三角化算法在对采集的大量点云数据进行三维重建时耗时长,重构的模型表面不够光滑,存在细小孔洞的问题,提出一种改进的点云三维重建算法。该方法首先用体像素网格滤波算法对点云进行下采样;然后使用移动最小二乘算法对输入的点云进行平滑及重采样,并且使用八叉树来代替KD树进行近邻域搜索;最后使用基于移动最小二乘算法的点云法线估计的贪婪投影三角化算法对点云进行重建。经过实验验证,该方法可以缩短重建时间,减少孔洞,并构建出平滑、点云拓扑结构更为准确的模型。     

基于置信度的飞行时间点云去噪方法

飞行时间（Time-of-Flight,ToF）三维成像方法由于多路径干扰和混合像素等问题降低了目标物体深度测量的精度。传统的方法通过优化重构异常点云数据或滤除噪声点云数据来提高目标的准确性,但是这些方法复杂度高且容易导致过度平滑。三维点云图像中的有效点云与噪声点云之间的关系很难用数学模型来表示。针对上述问题,本文提出了一种基于置信度的飞行时间点云去噪方法。首先,分析多帧点云数据的概率相关性,以点云数据的置信度作为判别有效点云与噪声点云的依据;其次,利用多帧点云之间的矢量对偶性,提出了一种快速提取不同置信度点云的算法,其时间复杂度为O(L);最后使用该算法提取多帧三维图像中置信度高的点云数据获得目标物体的真实测量数据,并重点对4组不同场景的点云数据进行对比实验。实验结果表明,该算法能够在有效滤除噪声的同时,显著提高目标物体的距离测量精度,增强目标物体的特征,因此具有广泛的应用价值。     

倾斜影像辅助的无人机载LiDAR高陡边坡形变监测

针对高海拔峡域地形地貌环境下基于轻小型无人机载LiDAR对高陡边坡激光点云扫描数据缺失导致DEM重建及形变分析精度低的问题,优化设计了一种垂直于山脊线、变高飞行的无人机点云/多视影像数据采集,以及影像密集匹配点云辅助下LiDAR三维激光点云的滑坡群DEM重建方案,实现了复杂地形地貌下LiDAR点云数据安全、高效的采集,改善了高陡边坡DEM重建及形变监测的精度和完整性。该方法基于迭代最邻近点算法,将倾斜影像生成的点云数据与同期获取的LiDAR点云数据配准和融合,实现了LiDAR点云数据缺失补偿,进而构建出完整、高精度的DEM,并与往期倾斜影像生成的DEM进行差分,对三个典型滑坡体进行了高程形变分析。以青海龙羊峡水电站的高陡边坡滑坡群为研究区,利用实测的GNSS地面控制点进行实验验证,得出结论：融合后的LiDAR点云精度为0.063 m,比融合前提高了0.018 m;重建的三个典型滑坡体的DEM高程精度为0.08 m,提升了边坡DEM重建的完整性和精度;对三个典型滑坡体2018、2021年两期高程形变分析,表明：滑坡群中多个边坡发生不同程度的土体滑动,高程方向的形变高达50多米,滑坡群形变...     

基于机载激光点云的电网绝缘子识别方法

为了解决无人机机载激光雷达采集到的点云数据存在密度高但分布不均匀的现象, 以及绝缘子表面纹理信息不全等问题, 提出了一种基于机载激光点云的电网绝缘子识别方法。首先分析杆塔中不同部位的强度值直方图, 用强度值滤波剔除大部分的杆身点云; 然后采用主成分分析法计算局部点云特征值, 根据特征值构建的局部熵函数和空间分布特性删除冗余的平坦区域点云, 并通过栅格修补的方法避免出现点云空洞; 最后针对传统采样一致性初始配准(SAC-IA)算法精度低和速度慢的问题, 通过增加采样点对的距离约束关系和自适应调整参数改进SAC-IA算法完成绝缘子的位姿估计。结果表明, 该方法能正确高效地识别杆塔中的绝缘子, 运行时间大幅减少, 提取正确率达到95.16%。该研究在无人机自主巡检航线规划中具有良好的应用价值。     

基于Frobenius范数奇异值分解的快速ICP算法

迭代最近点法(ICP)及其变体是三维点云刚性配准的典型方法,但此类通过迭代计算逐点距离矩阵实现点云配准的方式,严重制约了点云的配准效率。本文提出一种快速ICP算法,利用Frobenius范数表示待配准的两幅点云之间的误差函数,获得误差值最小点位置,并对此位置进行奇异值分解,从而得到旋转矩阵和平移向量,极大压缩了迭代次数和配准时间。在Standford数据集和3DMatch数据集上进行试验,与传统ICP算法及其变体、3种基于学习的点云配准算法进行对比,本文方法配准效率最优;在达到相近的配准精确度时,提出的快速ICP方法的迭代次数仅为传统ICP算法的0.2倍,在Standford数据集上配准所需时间为传统ICP算法的1/4,在3D Match数据集上配准所需时间为传统ICP算法的1/8倍。本文提出的快速ICP算法在数据量大的点云场景下,具有更高的效率。