基于SIFT特征的多视点云数据配准和拼接算法

针对无特征标志点的大场景多视点云数据,提出了一种新的基于SIFT特征的配准和拼接算法。算法提出了有效纹理图像的概念,并对有效纹理图像进行SIFT特征提取和匹配;然后将提取的SIFT特征点和匹配关系反射到三维点云数据,获取多视点云数据的特征点和匹配关系,完成多视点云数据的拼接。算法在有效纹理图像中提取和匹配特征点,排除了点云数据中孔洞和无效数据的干扰,并且算法只利用较高鲁棒性的特征点对进行拼接,计算简单,匹配精度和效率都得到提高。对室内和室外两个大场景的2个视点数据进行实验,实验结果证明拼接速度和精度都有较大的提高。     

基于改进ISS邻域的复杂曲面三维激光点云智能拼接方法

由于三维激光点云拼接中对点云数据拼接有效点数量不足,导致拼接的效果不好,提出一种复杂曲面三维激光点云智能拼接方法,在ISS特征提取算法中加入邻域半约束改进策略,进行点云数据特征提取,同时对两片点云的拼接进行坐标系转换,得到三维激光点云数据拼接模型。采用粒子群算法对模型进行求解,获取变换矩阵的全局最优解,将得到变换矩阵应用于模型中,进而完成复杂曲面三维激光点云智能拼接。仿真实验结果表明,所提方法能够有效降低三维激光点云智能拼接点的距离误差,保持在0.022 mm以内,拼接速度达到5 ms/个,拼接有效点数目最高达到了145个。     

基于视点特征直方图的激光点云模型的位姿估计

提出一种基于视点特征直方图的点云模型位姿估计 算法。首先在目标物体周围采 集三维点云,拼接后获得物体的完整点云模型;然后对点云模型计算其视点特征直方图, 构建特征数据 库;对待估计点云同样计算其特征直方图,使用KNN算法在数据库中搜索与之最接近的位 姿作为初始位 姿估计值;最后使用迭代最近点(ICP)算法将待估计点云精确配准到模型点云,从而获得坐 标系之间的相 对位姿。实验表明,这种方法对于物体位姿识别有很强的稳健性,能很好实现目标物体的 三维位姿计算。     

基于机器人与激光传感器的点云快速拼接

三维激光扫描技术作为一种快速获取物体表面模型的技术,具有采集速度快,无需接触测量目标等优势。介绍了一种工业机器人结合三维激光扫描获取点云数据的系统的搭建方法,通过激光器获取得到点云数据,然后利用机器人给出的四元数得到两组点云之间的刚体变换关系使两组点云数据统一到相同的坐标系下,完成点云数据的快速拼接,方法简单快速,不受被扫描物形状大小的限制,可实现被测物的快速扫描及点云数据的快速拼接。     

一种新的点云拼接算法

迭代最近点(ICP)算法广泛运用于三维点云数据的多视拼接,其精度和迭代收敛性严重依赖于待拼接数据的初始拼接位置,这就决定ICP只能是一个性能优越的精确拼接算法。粗拼接算法旨在为ICP提供一个良好的初始拼接位置。基于信息论中熵的概念,分析了点云的空间分布规律与所处位置的关系,在此基础上提出了一种新的粗拼接算法—迭代最小空间分布熵法。实验表明,该算法有效可行,可以提供很好的初始拼接位置,在误差允许范围内,该算法可以直接实现点云拼接。     

基于多视角红外传感器的三维重建方法

为了实现有特征物体和无特征物体更精准的三维重建，本文研究了多视角传感器下三维点云的自动拼接算法。首先由不同视角的传感器双目标定后进行轴线数据的标定，接着在三维空间内对多条轴线数据进行分析并提出了一种基于多视角传感器轴线融合的点云拼接方法，从而计算出误差最小的最优轴线数据，最后以拟合出的轴线数据为轴心在世界坐标系内进行三维点云的拼接。实验结果表明，在1.3～1.9 m的测量范围内，本文所提出的拼接方法对直径为144.954 2 mm的标准球进行三维重建的误差在0.037 mm以内，重建无特征点物体和有特征点物体都能有较好的拼接效果且拼接时间不受点云总量大小的限制。该拼接方法基本满足三维重建的稳定性好、效率快、精度高等要求。     

一种点云配准新方法在隧道变形监测中的应用研究

由于地铁隧道在施工过程中存在通视条件差、施工线路长等问题,采用三维激光扫面仪进行变形监测具有较高的测量精度和极高的数据采集效率。但传统的点云数据拼接方法采用的是相邻两站点云数据进行两两拼接,化归到同一坐标系中。然而对于隧道采集到的多站数据而言,误差将不断累积,导致精度降低。文章通过对地铁隧道点云拼接方法进行研究,提出一种点云配准新方法。经实验表明,采用该方法进行点云数据拼接,其精度得到明显提高。     

基于机械臂辅助的多视角三维点云拼接算法

针对如何快速且准确地获取模具内部完整三维点云数据的问题，提出一种机械臂与三维视觉设备结合的三维点云拼接算法。在初拼接阶段，采用手眼标定方式获取手眼矩阵，并将各幅点云转换到机器人基坐标系，完成初步拼接，得到良好的配准初始位置。在此基础上，提出改进的迭代最近点（ICP）算法，通过结合内部形体描述子（ISS）特征获得关键点，并用随机一致性算法剔除错误匹配点，在点的匹配过程中采用点到面的方式进行匹配，最终得到完整的拼接点云。实验结果表明，所提算法在与ICP算法及其他改进的ICP算法的配准性能对比中具有良好的稳健性，算法耗时及配准误差明显下降，完整的拼接点云误差为0.12 mm，具有较高的工程实践价值。     

基于海量点云数据的输电线路三维建模研究

为保障电网输电线路管理的规范化与精益化，设计了基于海量点云数据的输电线路三维建模方法。首先采集输电线路原始点云数据，对其进行预处理，根据点云数据提取输电线路轮廓线，然后采用3D MAX软件构建输电线路的完整三维几何模型，最后通过纹理映射此模型获取到最终输电线路三维模型。结果表明，该方法可精准拼接原始点云数据，有效去除点云数据的噪声点及障碍物等，提升点云数据的整体质量，可为电网输电线路规范化管理提供有效帮助。     

基于点云迁移的人体点云位置及颜色补全

由于三维扫描设备获取的点云存在目标遮挡、设备视角等问题,致使点云有所缺失。点云补全是为下游任务进行点云预处理的重要工作。然而现有的点云补全工作集中在对简单物体的补全上,缺乏对较复杂人体点云补全的研究。为将点云补全任务引入下游人体重建相关任务中,本文提出了一种由粗到精的人体点云预测方法,对人体位置及颜色缺失信息补全。通过创建具有精细服饰纹理的人体点云数据集,采用点云迁移的网络结构,充分利用点云全局粗糙信息,结合多层网络预测完整点云,优化了上采样方案;然后,在上采样后的点云上进行了颜色补全,通过部分点云颜色信息进行特征值扩散和提取;最后,通过一个多层感知机进行颜色预测。在人体数据集上的实验结果表明,该方法相比现有主流方法不仅在客观指标上具有更好的表现,主观质量上也能保证获得更加完整、边缘清晰的点云。     

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RANSAC三维点云的平面提取算法

针对三维激光扫描点云的表面特征获取时间长,提取效果与减少运行时间不能兼得的问题,本文基于随机抽样一致算法(RANSAC)提出一种自动快速识别点云平面特征的算法。通过对RANSAC算法进行改进,提出基于迭代采样子集判断优化的方法,能够快速准确地识别并提取物体的平面特征。实验结果表明,本算法能有效准确地找到扫描物的平面。     

一种动态特征匹配的部分重叠点云配准方法

点云配准方法能够有效地完成对不同重叠率、不同规模点云间的配准,可确保三维重建模型的精度。针对该问题,提出一种动态特征匹配的部分重叠点云配准方法,首先基于欧氏距离分割法将点云分割为子点云;然后提取子点云特征,考虑到不同点云的规模不同,提取的特征规模也是不同的,提出利用动态时间规整算法(DTW)完成子点云间的映射;最后利用迭代配准算法求取拼接点云间的平移、旋转矩阵,利用该矩阵完成点云间的配准和拼接。实验结果表明,提出的方法能够有效地解决部分重叠点云和不同规模点云的配准问题。     

面向室内动态场景的VSLAM

传统VSLAM算法基于静态场景实现,其在室内动态场景下定位精度退化,三维稀疏点云地图也会出现动态特征点误匹配等问题.文中在ORB-SLAM2框架上进行改进,结合Mask R-CNN进行图像的语义分割,剔除位于动态物体上的动态特征点,优化了相机位姿,得到了静态的三维稀疏点云地图.在公开的TUM数据集上的实验结果表明,结合...     

基于三维彩色点云的物体识别算法

随着新一代深度传感器的出现,使用三维(3-D)数据成为物体识别研究的热点,而且提出了很多点云特征描述子.针对传统的采用点云形状特征描述子在目标描述方面的不足,提出了一种基于三维彩色点云的物体识别算法.首先提取点云数据的视点特征直方图(VFH)和颜色直方图(CH),然后对提取的形状特征和颜色特征分别通过支持向量机(SVM)进行预分类,最后将上述2个识别结果进行决策级融合.提出的算法在Washington RGB-D数据集进行训练和测试.结果表明,该方法与传统的采用点云形状特征描述子相比,其物体的正确识别率有了显著的提高.     

融合深度卷积网络与点云网络的三维车辆检测方法分析

在常规的车辆目标检测中,YOLO,SSD,RCNN等深度模型都获得了较好的检测效果,但是在无人驾驶系统中,车辆的速度、方向、相对距离等因素对于系统来说十分重要,所以采用二维车辆检测对于驾驶场景的理解还远远不够。激光点云数据蕴含着丰富的三维环境信息,融合点云数据和深度网络的三维车辆检测已成为未来的发展方向。文章给出了一种基于点云网络与卷积神经网络的三维车辆检测方法,首先,使用CRC和输入尺寸有关的SDP技术来提高车辆检测的准确性;其次,采用点云网络结构(Pointnet)来处理点云数据,实现三维目标检测,研究表明设计网络结构在检测精度上有着较大的优势。     

基于交叉自注意力机制的LiDAR点云三维目标检测

针对基于深度学习的激光雷达(light detection and ranging, LiDAR)点云三维(3D)目标检测对小目标的检测精度较低和噪声干扰问题,提出一种基于交叉自注意力机制的3D点云目标检测方法CSA-RCNN (cross self-attention region convolutional neural network)。利用交叉自注意力(cross self-attention, CSA)同时学习点云的坐标和特征,并设计多尺度融合(multi-scale fusion, MF)模块自适应捕捉各层级多尺度特征。此外,还设计重叠采样策略对感兴趣目标区域选择性地重采样以获得更多前景点,有效降低了噪声采样。在广泛使用的KITTI数据集上进行算法性能测试,结果表明,本文方法对行人等小目标的检测精度有较大提升,平均精度均值相比PointRCNN等4种经典算法均获得提升,显著提高3D点云目标的检测性能。     

基于激光点云的建筑裂缝提取方法研究

提出一种面向对象的激光点云建筑裂缝提取方法,在对激光点云进行分割的基础上,通过计算面片与水平面之间的夹角、面片面积、面片相似度等特征,依据建筑裂缝先验知识,利用面向对象的激光点云分析方法对裂缝周围面片进行识别,选取建筑裂缝数据进行实验,结果表明,该方法可对建筑裂缝进行有效提取。     

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。