散乱点云精简的一种改进算法*

非接触式扫描获取的散乱点云数据存在大量冗余,为方便模型重构,点云数据精简是不可或缺的点云预处理步骤,提出一种散乱点云数据精简的改进算法,首先将包围点云数据的最小包围盒划分成若干个子空间,根据每个含有点的子空间,获取K邻域点集的拟合平面,计算K邻域中各点到拟合平面距离的累加和。对各个K邻域的距离累加和升序排列,根据预定精简百分比,将包围盒划分为待保留和待删除两个区域,实现了对同一数据在不同区域采用不同算法,完成不同比例的精简。实例验证表明,该算法在保留几何特征的同时,更能有效地避免“空白区域”,且提高了计算效率。     

散乱点云特征边缘交互提取

为了在具有多个特征边界的散乱点云上提取指定目标特征边界,提出了一种基于目标特征边界交互提取的算法。拾取目标特征及其周围的点云。利用KD树建立散乱点云的空间拓扑关系,计算出每个数据点的k邻域。通过数据点k邻域构成的最小二乘平面的投影点角度差,根据角度差的最大值来判断该点是否为边界点。拾取目标特征边界上的某个点作为种子点,按照某一个固定方向搜索边界点,直到搜索整条封闭边界为止。实验表明,该方法能够准确获取散乱点云上任意指定目标特征的边界。     

基于三维激光雷达的道路边界提取和障碍物检测算法

为了快速有效地提取智能车辆在不同环境下的道路环境信息,提出基于三维激光雷达的道路边界提取和障碍物检测算法.首先,对三维激光雷达点云数据进行栅格化滤波处理,利用单束激光点云空间邻域联合分割的方法进行空间分析,得到点云平滑度特征图像.然后,采用自适应方向搜索算法获取道路边界候选点,并进行聚类分析和曲线拟合.最后,对道路边界约束下可通行区域内点云进行聚类分割,获得道路内障碍物方位和距离信息.实验表明,文中算法能够实时准确地提取道路边界和障碍物位置信息,满足智能车环境建模和路径规划的需求.     

心内膜散乱点云边界点检测算法研究

针对心内膜散乱点云预处理中的边界点检测,利用截线云理论将散乱点云进行等间隔区域分层,将点云投影至点云切片,得到切片的散乱点集,同时建立链表结构分区存储点云数据;由平面上点的二维坐标定位,提出区域"十"字算法进行切片数据边界点提取,获取切片数据的最外层点,将检测到的边界点存回原始三维数据源,完成预处理过程。实验结果证明,该算法对边界点具有较强的识别能力,能够在快速、有效地简化点云数据的同时保持原始特征的信息,可以提高后续三维建模的精度和速度。     

保留边界的点云简化方法

针对点云简化算法中边界点丢失的问题,提出了一种保留边界的三维散乱点云的非均匀简化算法。首先利用kd-tree建立散乱数据点云的空间拓扑关系,计算出每个数据点的k邻域;然后针对目前依据点云分布均匀性算法提取边界效率低的问题,提出一种改进的点云边界点判定算法;最后保留所有边界点,对非边界点,根据曲面变分值和k邻域点已保留比例,进行点云的非均匀简化。实验结果表明,该算法精度高,空间复杂度低,而且简化后点云边界保留完整。     

集图卷积和三维方向卷积的点云分类分割模型

现有的深度学习方法在提取点云的局部特征时往往忽略了节点间的位置关系和方向信息，导致不能有效地学习点云的局部特征。为解决这一问题，提出一种集图卷积和三维方向卷积的点云分类分割模型GCN3D。GCN3D模型将图卷积神经网络应用在点云分类分割领域。将点云视作图上的节点，对每个节点求其K近邻，建立局部K近邻邻域内两两节点之间的边，并通过图卷积神经网络参数化边特征以捕捉节点间局部位置关系并更新中心节点特征；使用方向编码模块将节点的邻域划分为八个方位的细粒度的邻域小块，并按照三维空间坐标轴的方向依次将局部邻域结构内的节点特征映射到不同细粒度邻域空间内以提取节点间的方向信息，并且叠加两个方向编码模块增大网络的感受野，提高模型对于稀疏点云数据的鲁棒性并获取局部邻域多尺度特征。在ModelNet40数据集和ShapeNet数据集上分别进行点云分类和点云部分分割的实验。结果表明，相比没有考虑局部特征信息的PointNet,GCN3D模型在ModelNet40数据集上的总体分类精度提高了3.8个百分点，平均分类精度提高了4.3个百分点；在ShapeNet数据集上的平均交并比提高了1.5个百分点。相比其他深度...     

逆向工程中的三维测量数据点云的分割

以线激光一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．根据线激光测量方式和三维点群分布的特点，建立了恰当的数据结构在计算机中表示散乱点群．并通过树形的空间结构完成对密集散乱点群空间分割，由此实现对散乱点群数据的几何分割。     

保留几何特征的散乱点云简化方法

针对散乱点云简化时经常丢失过多的几何特征,提出一种保留几何特征的简化方法。首先采用均匀栅格法划分点云空间;然后分别以点云中的数据点为球心构建包围球,并在包围球中查找数据点的K邻域;随后构造一个非负函数用于度量重建曲面在各点处的曲率,进而提取并保留点云中的特征点;最后根据法向量的内积阈值对包围球中的非特征点进行适度简化。实验结果表明该方法不仅能够充分保留点云中的几何特征,而且具有速度快的特点。     

结合动态图卷积和空间注意力的点云分类与分割

目的 随着3维采集技术的飞速发展,点云在计算机视觉、自动驾驶和机器人等领域有着广泛的应用前景。深度学习作为人工智能领域的主流技术,在解决各种3维视觉问题上已表现出巨大潜力。现有基于深度学习的3维点云分类分割方法通常在聚合局部邻域特征的过程中选择邻域特征中的最大值特征,忽略了其他邻域特征中的有用信息。方法 本文提出一种结合动态图卷积和空间注意力的点云分类分割方法（dynamic graph convolution spatial attention neural networks,DGCSA）。通过将动态图卷积模块与空间注意力模块相结合,实现更精确的点云分类分割效果。使用动态图卷积对点云数据进行K近邻构图并提取其边特征。在此基础上,针对局部邻域聚合过程中容易产生信息丢失的问题,设计了一种基于点的空间注意力（spatial attention,SA）模块,通过使用注意力机制自动学习出比最大值特征更具有代表性的局部特征,从而提高模型的分类分割精度。结果 本文分别在ModelNet40、ShapeNetPart和S3DIS（Stanford Large-scale 3D Indoor Spaces Dataset）数据集上进行分类、实例分割和语义场景分割实验,验证模型的分类分割性能。实验结果表明,该方法在分类任务上整体分类精度达到93.4%;实例分割的平均交并比达到85.3%;在室内场景分割的6折交叉检验平均交并比达到59.1%,相比基准网络动态图卷积网络分别提高0.8%、0.2%和3.0%,有效改善了模型性能。结论 使用动态图卷积模块提取点云特征,在聚合局部邻域特征中引入空间注意力机制,相较于使用最大值特征池化,可以更好地聚合邻域特征,有效提高了模型在点云上的分类、实例分割与室内场景语义分割的精度。     

棱边特征曲面拓扑逼近重建算法

针对含有棱边特征的曲面模型难以正确重建这一问题,提出一种基于网格曲面延拓求交重建棱边特征区域的算法.首先对点云进行邻域高斯映射聚类分析,剔除棱边特征点,对剩余点云以种子点增长算法实现平坦连通区域的分割;然后将增益优化后的边界样点邻域点集作为曲面局部样本,采用三次Bézier曲线延伸方向为制导对点云进行扩展,提高曲面延拓区域的光滑性;最后对延拓后的平坦区域重建结果进行求交,采用曲面裁剪的方法重建棱边特征.以斯坦福大学提供的采样点云作为曲面重建数据,实验结果表明,在重建含有棱边特征曲面的过程中,该算法可有效地避免孔洞与棱边凹痕等错误的出现,且对非均匀采样数据具有良好的适应性.     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

基于形状特征的点云简化技术研究

为了提高实体反求的效率,提出一种点云简化方法。该方法通过建立点云的栅格化拓扑关系,有效地收集每个测量点的邻域点,并在邻域内建立局部坐标系。同时,拟合局部抛物面估算各个测量点的曲率值,并根据曲率变化收集形状特征点。最后,依据邻域内形状特征点的分布状况,对点云实施简化。该简化方法充分地保留了原始点云的形状特征,同时删除了大量的冗余点,具有一定的先进性,为反求工程的曲面重构提供了良好的基础。     

Point cloud simplification for the boundary preservation based on extracted four features

This paper proposes a simplification algorithm based on four feature parameters, aiming at solving the problem that the edge features cannot be retained due to the incompletely extracted sharp features during point cloud simplification. Firstly, K neighborhood searching is carried out for point cloud, and K neighborhood points are quickly found by a dynamic grid method. Then, four features including: the curvature of the point, the average of the normal angle of a point from a neighborhood point, the average distance between the point and the neighborhood point and the distance between the point and the center of gravity of the neighborhood point, are calculated according to the K neighborhood of the data point. The four parameters are used to define the feature discrimination parameters and feature thresholds, to compare the size and extract the feature points; finally, the non-feature points are reduced twice by the method of the bounding box, and the reduced point cloud and feature points are spliced to achieve the purpose of simplification. The experimental results show that the distance between the point and the center of gravity of the neighborhood has a great influence on the simplified model boundary, which effectively guarantees the accuracy of the simplified model.     

一种改进的点云数据精简方法

针对Kim的算法在简化散乱点云时经常丢失过多几何特征的不足,提出一种改进的精简方法。首先对点云进行最小二乘抛物面拟合求出所有点的主曲率;然后以数据点主曲率的Hausdorff距离为依据,提取并保留点云中的特征点;最后对具有不同特征的测量数据进行了精简分析。仿真实验结果表明,改进方法既能较大程度地简化数据点云,简化结果比较均匀,又具有不破坏细小特征的特点,能够充分保留原始点云中的几何特征;而且在保证简化质量的前提下提高了算法的效率。该方法能够为后续的三维重建提供有效的数据信息,节约后续工作的处理时间和硬件资源。     

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构, 提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.     

基于离散曲率的点云光顺算法

通过对三维激光扫描仪扫描测量数据的误差来源进行分析,设计了一种基于离散曲率的点云光顺处理的快速算法,该算法以曲率特征为索引,能够快速判别点云数据的特征点,对非特征点采用[w]邻域内[X,Y]两个方向拟合三次B样条曲线做光顺处理。最后通过实例证明了所提方法的有效性。     

特征保留的点云数据自适应精简算法

提出一种特征保留的点云数据自适应精简算法。该算法首先构造散乱点云数据的局部拓扑信息,通过一种改进的二次栅格法快速建立K邻域,由此估算点的邻域弯曲度,再进行分类。算法在保留特征点后对其余点应用自适应精简距离进行阈值精简,故算法不仅可以完整保存实物模型整体轮廓,而且能够最大限度地保证模型区域特征。数值实验结果表明,该算法能够得到不错的精简效果,且具有较小的计算时间复杂度。     

散乱点云数据曲率估计方法

针对带有强噪声离散点云数据曲率计算问题,提出一种基于稳健统计的曲率估计方法。首先,用一个二次曲面拟合三维空间采样点处的局部形状;其次,随机地选择该采样点邻域内的子集,多次执行这样的拟合过程,通过变窗宽的最大核密度估计,就得到了最优拟合曲面;最后,将采样点投影到该曲面上,计算投影点曲率信息,就得到采样点曲率。实验结果表明,所提方法对噪声和离群点是稳健的,特别是随着噪声方差的增大,要明显好于传统的抛物拟合方法。     

Contour curve reconstruction from cloud data for rapid prototyping

In this study, a method for generation of sectional contour curves directly from cloud point data is given. This method computes contour curves for rapid prototyping model generation via adaptive slicing, data points reducing and B-spline curve fitting. In this approach, first a cloud point data set is segmented along the component building direction to a number of layers. The points are projected to the mid-plane of the layer to form a 2-dimensional (2D) band of scattered points. These points are then utilized to construct a boundary curve. A number of points are picked up along the band and a B-spline curve is fitted. Then points are selected on the B-spline curve based on its discrete curvature. These are the points used as centers for generation of circles with a user-define radius to capture a piece of the scattered band. The geometric center of the points lying within these circles is treated as a control point for a B-spline curve fitting that represents a boundary contour curve. The advantage of this method is simplicity and insensitivity to common small inaccuracies. Two experimental results are included to demonstrate the effectiveness and applicability of the proposed method.     

基于多判别参数混合方法的散乱点云特征提取

针对以往散乱点云特征提取算法存在尖锐特征点提取不完整以及无法保留模型边界点的问题,提出了一种多个判别参数混合方法的特征提取算法。首先,对点云构建k-d tree,利用k-d tree建立点云k邻域;然后,针对每个k邻域计算数据点曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离;最后,据此四个参数定义特征阈值和特征判别参数,特征判别参数大于阈值的点即为特征点。实验结果表明,与已有算法相比,该算法不仅可以有效提取尖锐特征点,而且能够识别边界点。