基于深度图的道路场景三维点云分割优化方法

点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率,提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图,建立三维点云与深度图之间的投影关系,利用相邻激光雷达扫描线的角度阈值进行地物分割,再对分割后的地上物体进行分割,去除噪声点。通过使用KNN(K-Nearest Neighbor)插值优化算法对分割结果进一步优化,较好地克服了过分割问题,提高了点云分割的准确率。实验结果表明,该方法的运行时间达到86 ms,相较传统深度图的自适应DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法准确率提升了5%,达到90.5%。     

基于深度学习的三维点云语义分割方法综述

随着激光雷达,RGB-D相机等3D传感器在机器人,无人驾驶,VR领域的广泛应用,深度学习在三维点云数据的研究进几年来得到了广泛关注.其中点云识别、分割、成为学术界、工业界的热门话题之一.深度学习技术的发展在点云的语义分割领域提供了新的可能性.文章着重介绍这一主题的相关研究,主要从基于多视图,基于体素,基于树和对点的直接...     

合并分割块的点云语义分割方法

随着激光雷达等三维点云获取工具的快速发展,点云的语义信息在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域更具重要意义。针对基于分割块特征匹配的点云语义分割方法无法处理过分割和欠分割点云块、行道树和杆状物的语义分割精度低等问题,提出了一种基于分割块合并策略的行道树和杆状物点云语义分割方法,该方法可对聚类分割后感兴趣的分割块进行合并,通过计算其多维几何特征实现对合并后的物体分类,并使用插值优化算法对分割结果进行优化,最终实现城市道路环境下行道树和杆状物的语义分割。实验结果表明,所提方法可将城市道路环境下的行道树、杆状物等点云数据的召回率和语义分割精度平均提升至89.9%以上。基于分割块合并的语义分割方法,可以很好地解决城市道路下行道树和杆状物语义分割精度低等问题,该方法对于三维场景感知等问题的研究具有重要意义。     

基于薄膜疵点的改进区域增长分割算法研究

为了提高薄膜疵点图像的分割精度,考虑经典手动区域增长存在门限选择困难、增长精度较低、基于像素的自动增长对噪声灵敏、分割速度缓慢,提出一种基于游程的区域自动增长算法。首先对采集到的薄膜疵点进行改进中值滤波,消除噪声,防止边缘细节的信息丢失,然后用传统增长方法对薄膜图像进行分割,并针对分割方法不足进行相应的改进,最后采用改进增长方法对图像进行处理,使分割出的目标更加完整,并通过实验验证其优越性。     

基于多约束连通图分割的机载LiDAR点云滤波方法

点云滤波是机载LiDAR点云后处理应用的必要环节.现有的大多数点云滤波方法往往在地形平坦的区域滤波效果比较好,而在地形起伏较大区域滤波效果较差.为进一步提升点云滤波方法的精度及对复杂环境的适应能力,提出一种基于多约束连通图分割的滤波方法.通过设定垂直性、高差、距离三个约束条件构建点云连通图,实现点云分割,并基于地面覆盖...     

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。     

基于最小割的彩色点云分割

提出一种基于最小割的彩色点云分割算法,首先找到彩色点云中每个点的临近点,然后与父点连接,再找到距离最近的2个块并连接,重复连接距离最小的2个块,直到只剩1个块,从而生成1张点云图.根据2点之间的欧氏距离和颜色空间距离设置2点连线的权值,当选择待分割点后根据设定的阈值大小和分割范围,查找被选点分割范围内的所有符合条件的点,然后通过区域生长算法对符合条件的点进行生长,进而得到颜色相近的三维连通区域.实验证明所提方法可行,可有效解决三维分割中连通性的问题.     

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。     

三维激光点云的网状RANSAC分割与计数

随着工业现代化进程的加快,三维激光点云技术开始出现在工业目标检测中,对激光点云的目标分割提取也成了工业检测中的关键。常用的三维点云分割方法,如区域生长分割、RANSAC(随机抽样一致)分割、K-means(K均值聚类)等无法做到高水平的目标分割与提取。利用MEMS(micro electromechanical system)3D相机对4组目标进行点云数据采集,利用网状RANSAC分割算法,将目标三维点云进行封装,栅格化分割成网状模块,对每个网状模块中的点云进行平面粗分割,整合模块,用欧式聚类对分割后的目标进行细分割,得到最终的目标提取结果并成功完成计数统计。试验结果表明,所提出的网状RANSAC分割算法的分割完整度为91.0%,平均耗时8.25 s,均优于其余三种传统算法,并且成功完成计数。     

顾及多尺度监督的点云语义分割

针对复杂场景点云分割精度不高、神经网络隐藏单元缺乏直接监督,难以提取语义明确的点云特征等问题,提出了一种将多尺度监督和SCF-Net相结合的点云语义分割网络。首先构建了一个类别信息生成模块,记录编码器中隐藏单元感受野内的类别,用于解码器中辅助分类器的监督学习。其次将解码阶段的点云类别预测任务分解成一系列点云感受野类别预测任务,通过对解码器中每一层添加辅助分类器,预测当前阶段点云感受野类别,编码阶段生成的类别信息作为标签监督网络学习。模型从粗到细地推理点云感受野类别,最终预测得到点云语义标签。实验结果表明,该方法能够有效提取点云关键信息,提高语义分割精度。     

基于多信息深度学习的3D点云语义分割

点云语义分割是三维点云数据处理的基础步骤,是三维场景理解分析、重建和目标识别的关键环节.针对目前对三维点云进行语义分割使用的点云信息少和精度不高的问题,本文在利用点云三维坐标信息的基础上,增加了点云RGB信息和所属房间的归一化坐标信息,从而丰富了神经网络输入端的信息量,进一步提高了模型的分割精度,最后利用PointNe...     

基于空间图卷积的三维点云语义分割

随着科技智能化建设需求的提高,语义分割技术受到图形、图像领域内学者的广泛关注,其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此,提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征,并使用残差网增强特征的传递,对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题,同时,点云深度学习网络中,残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验,实验结果表明,PCGCN在ShapeNet数据集的准确率达到85.1%,在S3DIS数据集的准确率达到81.3%。     

面向局部学习的点云分割分类网络

在各种3D对象表示中,三维点云越来越受欢迎,其中基于点的方法在各种数据集上都表现出了良好的性能。针对PointNet++只关注了点本身的信息,并未关注相邻点的信息,同时它采用最大池化聚合局部信息,导致丢失次最大值信息。由此,文中提出Con PointNet++网络,该网络利用增强局部信息模块,以关注相邻点的信息,从而增强局部信息特征提取；采用局部注意力机制下的融合池化模块,将最大池化与注意力池化特征信息融合,得到更为丰富的局部特征信息。本文方法在室内数据集 S3DIS的Area_5区域上评估模型语义分割能力,mIoU达552;在数据集ModelNet40上评估模型分类效果,OA达912。与其他方法相比,所提模型性能均有提升,进一步证明了本文方法的有效性。     

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.     

结构光3D点云的PIN针针尖提取

在工业生产中对PIN针检测有越来越高的精度要求,针对点云数据存在毛刺现象、孔洞、离群点及大量不同类型的噪点等问题,本文提出采用结构光技术对PIN针的针尖平面在三维空间中进行提取的方法.首先,利用几何特性和直通滤波进行点云粗提取,快速准确地定位目标点云并去除大量非目标点云及离群点;然后,通过KD-tree对目标点云进行索...     

基于深度学习的点云语义分割综述

近年来,深度传感器和三维扫描仪的普及,使三维点云得到了快速发展.点云语义分割作为三维场景理解和分析的关键步骤,受到了研究者的广泛关注.深度学习具有优良的高层语义理解能力,基于深度学习的点云语义分割已成为当前研究的热点.首先,从语义分割的概念出发,简要叙述了点云语义分割的优势和现存的挑战;进而详细介绍了点云分割算法和常见...     

结合超体素与PFCM的点云分割方法

为了实现点云数据的区域划分,提出了一种结合超体素与粒子群优化模糊C均值(PFCM)的聚类分割算法(SPFCM).用随机采样一致性算法去除点云平面,根据3-D点云的空间位置、曲率以及快速直方图特征,利用八叉树体素化点云得到超体素.采用PFCM算法对超体初步划分,并对粘连的点云再划分,克服了PFCM算法对于堆叠物体无法分割...