基于多编码器和Residual-Transformer的点云补全网络

点云数据具有无序和稀疏的特点。通过不完整点云数据恢复丢失的三维几何形状的3D点云补全任务是3D视觉技术中一个具有挑战性的问题。现有的3D点云补全网络一般都通过编码器-解码器（Encoder-Decoder）模型直接从部分点云预测完整的点云形状,这会干扰原始部分点云,引入噪声,导致几何位移损失。因此提出一个端到端的网络模型,集中生成平滑和分布均匀的点云对象。所提网络模型主要包含三部分：缺失点云预测、点云融合和点云平滑。第一个模块主要通过多编码器从残缺的点云对象提取局部和全局信息,预测缺失几何部分。第二个模块通过采样算法融合点云。第三个模块基于Residual-Transformer (RT)预测点位移,在避免破坏原始输入点云的空间结构下,可以使点分布得更加均匀。在基准数据集Shapenet-Part上,大量的实验结果表明,所提网络在3D形状补全方面取得了更好的量化结果和更好的视觉效果。     

基于点特征传递的电力设备部件激光点云补全网络

针对电力场景下因激光雷达扫描范围有限、电力设备部件相互遮挡等因素导致电力设备部件点云缺失的问题,提出了基于点特征传递的电力设备部件激光点云补全网络PPC Net(Power Point cloud Complete Net)。该网络使用多尺度特征融合编码器提取不同尺度输入残缺点云的全局和局部特征,以避免多维度映射特征导致的电力设备部件细节特征丢失问题,并引入EdgeConv加强对点云邻域信息提取;在精细完整点云生成阶段提出DT模块整合父级点到子级点的特征传递,以保留生成点云的局部特征;设计平滑优化模块,经三级平滑采样算法输出分布均匀、表面平滑的电力设备部件完整点云。在自建电力设备部件点云数据集ELE及公开数据集PCN上实验表明,PPC Net对残缺的电力设备部件点云有较好的补全效果,并在一般形状点云上有良好泛化性。     

基于三维点云模型的人体头部尺寸测量系统

提出了一种基于三维点云模型的人体头部尺寸自动测量方法,并设计与实现了人体头部尺寸测量系统。该系统采用基于几何特征分析的方法来识别头部测点,并根据测点计算头部的各项尺寸。实验证表明,系统具有测量速度快、精度高的特点。目前已成功应用于头盔和面罩等产品的设计中。     

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。     

基于压缩感知的三维人体点云的压缩及重建

经过激光扫描得到的三维人体点云数据量庞大,给模型的存储和传输带来困难,影响了其在体域网中的应用。针对这一问题,将压缩感知理论应用于人体点云模型的压缩与重建中。在压缩之前使用改进的三维栅格法做点云精简,针对人体点云的特点对数据进行分块稀疏变换,利用正交匹配追踪算法重建原始模型。最终实验重建误差约为 ,证实了该算法的有效性和可行性。     

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。     

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.     

基于面结构光的工件内壁点云旋转拼接研究

针对某些工件内部空间有限、测量困难的问题,提出了一种基于面结构光的点云旋转拼接方法。介绍了面结构光单一视野的重建方法,采用四步相移与互补格雷码结合的方法获取绝对相位值,通过多项式拟合法对相机、投影仪进行标定。基于机械臂末端腕关节旋转平面（简称:旋转平面）对点云的配准进行了研究,提出了基于辅助相机的标定方法,给出了相机成像坐标系和旋转平面坐标系之间的变换关系。实验结果表明:该方法适用于工件内壁测量,拼接平均误差不大于0.05 mm,满足实际应用需求。     

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BP网络的人体穴位分布模型设计

本文以山东建筑大学机器人研究所研发的中医按摩机器人为背景,基于BP网络的学习功能,提出一种中医按摩机器人自动寻找人体穴位方法.利用三维坐标测量仪检测若干人体坐标数据,以其中的几个关键穴位坐标为样本,用BP网络进行训练仿真,以得到其他的穴位坐标,实现中医按摩机器人的穴位定位功能.     

基于OpenGL实现三维重构点云处理

研究了利用OpenGL函数库、以C Builder6．0为开发平台实现三维重构点云处理的方法。实验结果表明：可以方便、快捷地实现点云的旋转、平移、缩放、排序、重新采样及构造曲线等复杂的点云处理功能，减少了程序代码长度，提高了编程和执行效率。     

基于概率密度函数的辐射源定位点融合算法

针对空中观测平台对地面辐射源目标定位得到多个定位点的问题,提出了基于概率密度函数的定位点融合算法。在分析最大似然估计法的基础上,提出了概率密度函数求和法和修正最大似然估计法两种融合算法,通过概率密度函数相加求和与数据窗口选择,实现对辐射源多次定位点的融合,提高了定位精度。算法解决了个别定位点误差过大以及多个辐射源同时存在且其定位点不可区分时的融合问题。仿真实验结果表明,该方法可以有效融合多辐射源定位点,提高定位的精度,并且概率密度函数求和法融合性能更为稳健。     

基于散射点位置信息的雷达目标识别

文章利用雷达目标散射点位置相对慢变这一特性,结合初级几何理论,利用遗传算法提取低雏稳健特征,提出了一种基于散射点相对距离比例的特征提取方法。仿真实验表明,该特征在降低特征向量维数的同时,取得了与一维距离像相当的识别结果。     

基于方向对称变换的人脸定位方法

本文定义了一种新的对称变换－－方向对称变换,它与常用的广义对称变换相比能够提供更多的信息来描述物体的形状。在此基础上提出了一种快速的人脸定位方法,与应用广义对称变换方法相比不仅可以提高定位准确率,而且能够大幅减小计算量。     

基于特征点定位与肤色分割的胡子检测算法

针对具有一定程度偏转和模糊的人脸图像难以实现胡子检测的问题,提出基于人脸特征点定位与肤色分割的胡子检测算法.该算法的设计思路是首先使用主动形状模型(ASM)算法定位人脸特征点进而获取下巴区域,然后利用提出的自动选择聚类中心(ASCC)的肤色分割算法分离出下巴的非肤色区域,最后在下巴非肤色区域中使用胡子颜色判别法检测得到胡子.在LFW人脸库上的实验表明,该算法能够准确地检测出入脸的胡子,特别地,对有一定程度偏转和模糊的人脸图像,算法依然能获取良好的检测效果.     

基于纹理特征和颜色匹配的车牌定位方法

在分析车牌定位现有算法的基础上,根据车牌的特点,提出一种新的综合利用车牌纹理特征和边缘颜色对的车牌定位方法.首先根据车牌的纹理特征和结构特点进行粗定位,确定车牌的候选区域,然后对候选车牌区域进行边缘颜色对的检测,根据车牌背景与字符有固定颜色搭配的特点,确定车牌区域.实验结果表明,该算法能有效地对车牌进行定位,提高了车牌定位的可靠性.     

基于边缘检测与HSI彩色空间的车牌定位方法

提出了对采集到的图像进行一系列预处理并在此基础上对车牌粗定位和精确定位。首先,对车牌图像进行灰度化、平滑去噪,边缘检测后,提取边缘比较密集的车牌候选区域;然后,对裁剪出的彩色图像在HSI彩色空间的基础上进行边缘提取操作,取得图像饱和度和亮度边缘,并进行边缘合成;最后,利用色调信息的提取来判定车牌区域。该方法能使车牌区域得到有效的增强,达到精确定位目的。