基于激光三维点云的机械工件识别方法

随着中国制造2025的到来,运用工业机器人在线加工机械工件是大势所趋。为了能够智能抓取工件,工业机器人需要识别工件的类型以及工件的位姿。针对流水线上识别工件类型难的问题,提出了一种基于激光扫描三维点云的工件类型识别方法,该方法主要能够识别工件是哪种工件。首先对流水线上杂乱无序的工件进行激光扫描,得到工件的三维激光点云数据,将三维激光点云数据初步去噪。运用MATLAB软件对得到的三维激光点云进行中心切片,得到点云的主视切片、俯视切片、左视切片;运用HALCON软件对点云切片去噪、增强、分割,提取中心切片的边界信息并得到提取区域的特征参数,进而识别工件的类型。最后运用自主研发设备进行实验,分别以步距为0.05 mrad、测距精度0.2 mm、测角精度为0.02 mrad进行扫描,实验结果表明,识别准确性达96.67%。该方法对同类问题有较大的借鉴意义。     

基于CCD图像的激光点云数据边界提取法

提出了一种融合激光和CCD图像的点云数据边界提取的方法。首先,将激光点标定到CCD图像上。然后,融合CCD图像数据与激光数据,提出了一种基于图像法的点云数据边界特征的提取方法,采用图像处理中梯度求解方法,对点云中每一点处的法向矢量和曲率进行估计,通过阈值得到候选边界点,再利用曲率极值法得到最终边界点。     

激光测距前沿回波大数据点云压缩方法

点云数据压缩时，外边界点易丢失，影响后续点云压缩品质。为此，提出激光测距前沿回波大数据点云压缩方法。首先通过主回波匹配、回波信号识别、多项式拟合滤波、时间误差修正等操作预处理激光测距前沿回波大数据；然后采用主成分分析法获取数据法矢，再分别提取边界特征点和尖锐特征点，保留点云模型完整边界；最后利用SIFT算法压缩点云数据并保存，完成激光测距前沿回波大数据的点云压缩。实验结果表明，所提方法能够提高压缩率、缩短压缩时间、降低压缩前后表面积比。     

基于曲面拟合系数特征的点云快速拼接算法

为实现不同视角点云的快速精确拼接,利用 多邻域曲率变化信息,通过多阈值自适应地进行关 键点选取,较好地排除噪声的干扰,保证了关键点质量。对以关键点为中心不同半径邻域曲 面进行拟合,利 用曲面拟合系数描述关键点的特征,用较小的计算量最大程度提取出了点云表面的几何形状 信息,识别精度 高。选取特征描述符间距离最小的对应点对作为初始对应关系进行初次配准,在变换后的对 应关系中设定 距离阈值,大于阈值的对应关系则予以去除,方法计算简单、剔除错误匹配点对效果良好 。运用聚类分 选方法对对应关系进行优化,保留局部特征向量相似程度最大的对应关系,使得对应关系分 布合理。最后 利用优化后的对应关系二次配准得到最终结果。实验结果表明,本文方法运行速度快且有较 好的抗干扰能力,适合实时三维测量应用。     

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。     

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。     

结合平面模型与区域增长的矿石点云分割

为了解决传统固定式破碎机在矿山井下利用石块三维信息来实现自动碎石的过程中出现的石块点云过拟合成平面,造成石块三维信息缺失的情况。文章提出了基于背景模型的方法获取石块的三维信息。利用破碎区域石块背景的不变性,将获取的石块点云与背景比较并过滤掉背景部分,最后利用区域增长算法对石块点云分割。实验结果表明,相比于基于平面模型与区域增长法,改进后的分割方法效果与鲁棒性更高。     

基于三维激光获取点云的三维模型构建

目前国内对一些大型古建筑文化遗产的传统测量方法往往难以获得十分准确的数据信息,这使得专家们在对一些大型古建筑进行修复时十分头疼.而且在用一些传统测量方法的测量过程中也存在对古建筑造成二次伤害的风险.现如今,随着科研技术的发展,激光扫描硬件的总体水平也在不断地进步[1].因此,三维激光扫描技术也越来越成熟.三维激光扫描仪在一些大型建筑的测量工作中使用得也越来越广泛.三维激光扫描仪的工作原理,是先对获取到的点云数据采取配准拼接处理,再对其进行去噪简化等操作,最后利用建模软件3DMAX对大型的古建筑进行三维模型的构建的过程.     

基于邻域点位置特征的点云数据精简

海量点云数据给存储、传输、处理等带来极大困难。针对现有算法在特征保留与精简后重建模型表面积、体积、重建误差不能兼顾的问题，提出一种基于邻域点位置特征的点云精简算法。该算法根据权值计算投影面、搜寻矩阵大小以及精简比例对目标点云进行精简。将目标点云网格化处理；寻找投影面垂直方向（正、负两个方向），以目标点为中心，获取搜寻矩阵范围内的点；根据搜寻矩阵内点与目标点的位置关系确定其权值；根据所设的精简比例对原始点云进行精简。将所提算法与曲率采样法、均匀网格法和随机采样法进行比较，并从特征保留、表面积和体积变化率这3个方面进行评价。实验结果表明：所提算法的精简结果对特征区域效果优于均匀网格法和随机采样法，与曲率采样法一致；精简结果误差、重建模型的表面积差和体积差总体优于曲率采样法，与随机采样法基本一致，略差于均匀网格法。因此，所提算法既能较好地保留特征，同时又能使重建后的结果模型表面积和体积变化以及误差都较小，综合效果好。     

一种基于IGA的融合点云和影像的建筑物提取方法

针对精细化实景三维建筑物建模,提出一种基于改进遗传算法（IGA）的建筑物LiDAR点云与正射影像融合提取方法：计算并提取基于点云和影像的特征,实现点云特征空间的扩张;再改进遗传算法选择点云特征,构建并优化特征空间;最后使用SVM分类器实现建筑物点云的精准提取。在ISPRS公开数据集Vaihingen测试数据的试验表明本文方法具有较高的建筑物提取精度;在实际生产数据的实验表明建筑物提取精度较高且稳定,证明了本文方法的先进性和普适性。     

基于局部和全局采样点云数据简化算法研究

3D激光扫描方法获取的点云数据存在大量冗余数据,为便于重建模型,对点云数据简化技术的关键是在简化数据的同时,最大限度地保留点云数据的原有特征,对点云数据简化技术进行了研究,提出了一种基于局部和全局点云特征相融合的简化算法,通过基于点云的网格分割的非均匀网格法来提取局部点云特征,并且通过基于空间体素化方法对点云进行全局采样,然后将二者特征融合,获取最佳的简化特征效果。实验表明,该算法能够适应各种类型曲面数据的简化要求,其点云简化最大误差为0.02812,点云简化平均误差为0.000472,并与非均匀网格算法和空间体素法做比较,其简化效率高,简化误差小。由此可见,该方法简化点云不但具有较高的简化效率,同时又很好地保留了原始数据的细节特征。     

一种基于动态点云的三维监控与压缩系统

动态点云能准确表达三维空间位置关系,相较于二维影像,在目标检测、人脸识别以及可视化等方面具有更好的表现,因此动态点云在视频监控领域具有较大应用前景。基于所提出的改进的动态点云编解码框架,实现一种基于动态点云的三维实时监控与压缩系统。首先,通过ZED 2i双目相机进行点云视频获取,以Jetson Nano作为数据处理器,应用基于统计学的滤波算法实现离群点与噪声的去除。其次,依据监控场景的静动特性进行前后景分割,分别应用提出的改进算法和PCL库的压缩算法进行编码。实验表明,在监控场景下,获取的动态点云序列取得了较好的主观效果的同时,实现了点云数据的高效压缩。     

恐龙谷南缘山区DIM点云的PTD滤波改进试验研究

无人机DIM点云滤波处理是地物分类、地物单体化提取和地形特征分析的关键步骤,为解决高原山区因地形复杂而导致DIM点云滤波处理难度大和精度低等问题。选择以滇中高原恐龙谷南缘山区为试验区,首先利用DJI Phantom 4 RTK采集影像数据,解算密集影像获取DIM点云;其次,考虑山体点与地面点有较大高程差,选择经典PTD滤波算法对实验区密集匹配点云进行滤波处理;最后,综合考虑实验区山顶和山脚存在较大高程差且山体两侧沟壑丛生,山体两侧地面点易被识别为非地面点,提出以脊-谷交汇地形特征点为PTD滤波算法的种子点,在山体两侧精细化构建不规则三角网的改进PTD滤波算法。结果表明：1)PTD滤波算法得到地面点较为完整保留整个实验区,但明显的地物如山体两侧低矮植被和山脚蔬菜大棚基本未被剔除,且山体部分的地面点易被识别为非地面点而在出现山体K1、K2、K3区域的空洞现象。2)针对恐龙谷南缘山区复杂地形,提出以脊-谷交汇地形特征点为PTD滤波算法的种子点,在山体两侧精细化构网,山体低矮植被部分清除,相对于PTD滤波算法蔬菜大棚大面积被清除。并且山体两侧地面点得到较为完成保留,未出现明显点云空洞的现象。     

视频点云压缩基于增强数据相关性的帧间编码改进方法

基于视频的点云压缩（V-PCC）在相邻帧对应的相似3D点云发生旋转时,旋转后的点云投影平面会发生变化,从而导致投影后的像素产生较大差异并减弱点云帧间的相关性,且点云采集时掺杂的噪点也容易影响编码效果。本文提出了一种基于增强数据相关性的帧间编码改进方法,其采用基于统计的方法去除离群点,并计算点云帧之间的相对运动,通过采用基于运动一致性的二叉树分割方法分割,对分割后的点云采用基于NDT粗配准和ICP精细配准的方法估计点云的运动信息,使用基于法向量双线性平滑的方法平滑点云,最后对平滑后的点云序列使用V-PCC编码。     

基于Transformer的道路场景点云分类与分割方法

针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为859,比其他模型平均高出35,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。