自动计算重叠度的多源点云配准方法

针对多源点云配准存在噪声、部分重叠、不同模型的配准参数难确定等问题,提出一种基于贡献因子的改进TrICP算法。首先,使用改进体素降采样以及随机降采样对点云进行降采样。然后,利用改进算法的贡献因子来保留对配准贡献度更大的点对,使用奇异值分解法（SVD）对变换矩阵求解,同时计算距离曲线上的点经过原点的斜率来自动计算重叠度,实现点云的全自动配准。使用斯坦福大学的Bunny点云以及“茂县624”滑坡现场点云数据对改进算法及TrICP等多个算法进行对比实验。结果表明:相对于TrICP,改进算法在Bunny点云以及滑坡体点云上,配准速度分别提升50%和67%,且精度更高,并在添加大量噪声情况下仍能正确配准,这表明该算法能对含大量噪声、部分重叠、非同源的激光与影像重建点云进行可靠高效的自动配准,实现多源数据优势互补以获取目标的精准点云信息。     

基于三维激光点云数据的钣金件误差检测分析

针对传统的钣金件误差检测方法无法全面有效率的获得零件误差信息,设计了一种基于三维激光点云数据处理的钣金件误差检测方法。该方法将通过三维激光扫描仪得到的钣金件点云数据进行预处理,然后通过特征匹配将标准钣金件的CAD模型和测试点云数据进行特征对齐,使它们呈现于同一坐标系下,最终根据钣金件点云数据中的各点到CAD模型的最短距离确定其误差。根据实际工程需要,文章提出了一种基于阈值的最短距离算法,该算法不仅可以有效地识别并剔除点云数据中的隐藏噪声点,而且计算效率高,精度易于控制。实验结果表明,该方法可以较好地得到钣金件的误差信息。     

三维点云混合去噪算法研究

针对三维点云模型数据在去噪平滑过程中存在的不同尺度噪声和算法计算耗时问题,提出一种点云噪声基于分类思想的去噪算法。此算法将噪声分成两类,分别为尺度大的噪声和尺度小的噪声,首先使用统计滤波配合几何滤波去除尺度大的噪声;然后利用改进之后的双边滤波算法对小尺度噪声实现平滑去噪,实现点云模型的去噪和平滑。与传统的双边滤波相比,利用改进之后的双边滤波算法对点云模型数据进行平滑,有效提升了计算的速率。实验结果显示,此算法既能快速平滑点云数据噪声又能很好地保留被扫物体的几何特征。     

基于WHI及ICP的点云配准算法

针对两步点云配准中精度差、计算效率低、易受噪声干扰的问题,提出一种基于WHI特征描述符结合改进的ICP点云配准算法。首先,对大数据量的点云通过ISS算法提取特征点集作为配准点云;然后,计算特征点云的WHI特征描述符,利用随机采样一致性算法完成粗配准;最后,基于安德森加速迭代ICP算法对粗配准点云进行精确配准。通过多组点云数据集对所提算法进行验证,实验表明,该算法配准精度高、速度快,在含有噪声数据集的优势更明显。在不同的点云模型下,所提算法的配准效率提高2倍以上,在噪声环境下具有一定的鲁棒性。     

基于随机采样一致性算法的激光点云大数据自动配准技术

激光点云大数据中存在冗余数据，导致其大数据自动配准过程中存在配准速率慢、精度差等问题，为此提出基于随机采样一致性算法的激光点云大数据自动配准技术。将初始半径和最小邻域拟作自定义变量，使用密度聚类法剔除冗余激光点云数据，运用双边滤波平滑点云信息；分析不同角度下两组激光点云数据的刚体变换关联，获取对应且不共线的采样点，将模型点配准率作为激光点云采样数据和真实数据一致性衡量指标，完成激光点云大数据初始配准；通过迭代最近法找出两个点云集合的最近点，利用M-估计方法优化误差惩罚函数，实现激光点云大数据自动配准。仿真结果证明，应用所提方法得到在未引入噪声时的激光点云数据配准重合度为0.97,噪声环境下的点云配准重合度为0.96,配准平均耗时为59.6 s。     

改进贪婪投影三角化算法的激光点云快速三维重建

通过三维激光扫描仪获取的点云数据具有密度大、精度高等特点。本文针对贪婪投影三角化算法在对采集的大量点云数据进行三维重建时耗时长,重构的模型表面不够光滑,存在细小孔洞的问题,提出一种改进的点云三维重建算法。该方法首先用体像素网格滤波算法对点云进行下采样;然后使用移动最小二乘算法对输入的点云进行平滑及重采样,并且使用八叉树来代替KD树进行近邻域搜索;最后使用基于移动最小二乘算法的点云法线估计的贪婪投影三角化算法对点云进行重建。经过实验验证,该方法可以缩短重建时间,减少孔洞,并构建出平滑、点云拓扑结构更为准确的模型。     

基于不同尺度算法的激光雷达点云去噪研究

为了提高激光雷达点云去噪效果，提出不同尺度算法。首先采用均值法删除激光雷达点云数据的重复点；其次对噪声点进行判断；再次对偏离主体点云较远的大尺度噪声动态设置距离阈值，初始时设置较小的距离进行噪声点的大范围删除，再逐渐增加距离值，小范围删除噪声点；最后采用改进双边滤波算法处理与主体点云混在一起的小尺度噪声点，使数据点向法向方向聚集，不断调整采样点的位置及坐标，移动采样点的位置至修正后的位置，从而达到光顺去噪。实验显示，所提算法能够保持扫描目标点云数据的整体与局部特征，信噪比指标均值为17.56 dB,均方根误差指标均值为0.34,平滑度指标均值为0.21,优于其他算法。     

自适应精简点云改进预处理优化三维重建算法

针对初始点云离群点噪声大、冗余性高导致三维重建效率低、重建曲面表面粗糙等问题，提出一种自适应精简点云改进预处理算法。首先使用统计滤波消除离群点噪声，并在基于体素重心邻近特征点下采样中引入双曲正切函数，在保持点云特征不变的情况下精简点云数据；然后建立移动最小二乘法拟合函数，确定其二次基函数和高斯权函数，完成点云数据平滑优化；最后使用投影三角化算法完成点云曲面重建。实验结果表明，所提算法在有效去除离群点的同时，还能精简点云数据、提升曲面重建效率，且重建后的模型表面光滑、孔洞减少。     

一种改进的激光点云滤波算法

针对常规的点云滤波方法在去除接近模型噪声的过程中会对模型造成较大破坏的问题,提出一种结合双张量投票和多尺度法向量估计的点云滤波算法.首先采用主成分分析法在较大的尺度下估计各点的法向量,对各点进行双张量投票以提取特征点.然后对提取出的特征点在较小的尺度下估计法向量,并结合随机采样一致性方法对小范围噪声平面进行剔除.最后采用曲率对剩余的噪声进行滤波,获得最终的点云数据.实验结果表明,所提算法可以有效剔除噪声点,并较好地保留三维模型的尖锐特征,为后续点云配准和三维重建奠定基础.     

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。     

SLAM激光扫描的建筑物建模方法与应用Building modeling method and application of SLAM laser scanning

基于SLAM激光扫描系统对目标建筑物进行点云数据采集,通过点云去噪、重采样等预处理得到了建筑物目标点云,利用特征提取算法提取建筑物轮廓线,分别采用点云数据直接建模法和基于轮廓线建模方法对目标建筑物进行了建模对比,利用传统全站仪获取的10个特征尺寸进行了精度验证。试验结果表明,直接建模法的建筑物模型精度为0.058 m,基于轮廓线建立的模型的精度为0.032 m,基于建筑物线特征约束的建模精度明显高于点云数据直接建模精度,为SLAM激光扫描系统在建筑物三维模型建立中的应用提供了方法和参考。     

基于无监督网络框架的文物点云模型去噪

数字化技术在文物保护工作中的应用极大促进了文化遗产领域的快速发展。三维激光扫描设备获得的文物点云数据不可避免包含大量噪声,直接影响点云数据的后续处理。为有效去除无序点云中的噪声点,较好恢复点云数据,基于无监督网络提出了一种新型点云去噪算法。首先通过上层网络分类并去除离群点;然后通过引入空间先验项引导待去噪点云中数据点收敛到流形上多模式中最接近真实点云的最优模式,从去除离群噪声点的点云数据中得到干净点云的分布,实现无监督精细点云去噪;最后通过计算去噪后点云间的chamfer distance来进行定量评价。与一些经典算法的对比分析实验结果表明,所提算法在去噪的同时,能有效保持点云模型的几何特征,对文物点云数据的去噪效果良好,去噪后的点云模型极大程度复原了原始干净点云模型,这对文物数字化保护的后续环节至关重要。     

基于点云数据的数字化比对检测系统设计与实现

点云数据与CAD模型的坐标匹配和对应关系的建立是数字化比对检测系统的关键技术。利用k-D树空间快速搜索策略改进传统ICP算法实现点云数据与CAD模型坐标精确匹配,采用半边数据结构建立点云数据与CAD模型对应关系,利用点到边和点到点的对应关系解决待测工件的边缘和棱线以及特征明显变化区域的偏差检测问题。在此基础上研制了数字化比对检测系统。试验结果表明该系统运算速度快、精度高,具有很好的应用效果。     

泥石流沟谷滑坡体的点云采样分析及变化检测

泥石流沟谷地区地形复杂,沟壑纵横,利用激光雷达技术获取的点云数据往往存在着数据量大,数据冗余等问题。本文以云南省小江流域大白泥河泥石流沟的一伴生滑坡体为试验对象,利用地面激光扫描(terrestrial laser scanning,TLS)技术对其进行两个时期的点云数据获取,形成一系列针对泥石流沟谷地区的点云配准,滤波去噪,地表建模等数据处理流程;探讨不同重采样分辨率对地表模型构建的影响,运用ArcGIS平台对不同重采样分辨率下的滑坡量进行估算对比,获取该滑坡提供的泥石流物源量可靠值;同时,利用预处理后点云对该滑坡体进行点云探测及变化分析。试验结果表明(1)不同重采样分辨率构建的地表模型与其采样点云间的垂直标准差为0.3~0.5 cm;(2)点云曲率重采样分辨率在50%~70%范围内,滑坡量估算值较为可靠;(3)整个滑坡体的变化区域的距离变化区域在0.008~0.5 m。     

点云上采样方法综述

点云是三维视觉领域常用的数据。然而由于现实条件的局限性，传感器通常只能获得稀疏或带有噪声的点云。点云上采样旨在从稀疏点云中生成稠密点云，为后续分类、分割等任务提供高质量的数据，是当前的重要课题之一。基于此，在介绍各种上采样方法的基础上，着重对基于深度学习实现点云上采样的经典算法进行总结，根据点云上采样的难点和面临的问题，对点云上采样技术未来的发展趋势进行展望。     

面向铁路场景的大规模点云高效去噪方法

利用车载激光雷达获取铁路沿线环境信息对于保障行车安全具有重要意义。但是激光雷达采集到的点云数据受设备及环境因素影响,会产生大量的噪声干扰,这些噪声严重影响后续的感知和监测任务。为此,本文提出了一种面向铁路场景的大规模点云高效去噪方法。该方法提出了一种新颖的网格投影策略,对大规模铁路点云数据进行高效的降维降采样处理。然后,设计了基于GPU的改进聚类加速算法,快速识别离群的噪声数据。最后综合设计多策略融合方法,有效地去除噪声数据。所提方法充分利用铁路场景前向运动的特点,对点云数据进行基于网格化的时空压缩,同时利用GPU加速聚类算法的矩阵运算,实现了实时高效的铁路场景大规模点云去噪算法。实验结果表明,所提方法不仅能够提高去噪的性能,而且处理效率得到了极大提升。     

3D-SIFT特征提取与体素滤波结合的点云精简算法

点云数据中的冗余数据会影响到点云处理算法的速度,因此,为提升算法速率,需对点云数量进行精简。然而,点云精简过程容易剔除掉特征点,导致点云信息不完整,效果不好等问题。针对这些问题,提出一种利用3D-SIFT特征提取与八叉树体素滤波结合的点云精简方法。利用3D-SIFT算法提取出点云的强特征点和弱特征点,对弱特征点进行改进的八叉树体素滤波,并保留强特征点,通过点云合并,将滤波后的弱特征点与保留的特征点整合到一起,使得精简后的点云数据不丢失特征点信息,从而也达到了精简的效果。将本算法与均匀网格算法、非均匀网格法、随机采样算法进行对比实验。通过多个不同模型的可视化结果和信息熵评价分析,可以得出对于几种不同模型取平均本算法平均信息熵达到3.771 92,高于其他算法的信息熵,证明本算法在对数据进行精简的同时也达到了特征保留的效果。     

基于稀疏重建和激光实境复制的电力工程建模方法

由于机载激光雷达生成的原始点云数据存在质量较差且离散点多的问题,故难以直接应用于模型重建与电力工程的管理中。因此,文中基于稀疏-稠密算法和点云数据提出了一种电力工程模型重建算法。利用无人机机载激光雷达来获取多帧输电线路点云数据,并使用索引树近邻搜索法对原始点云数据进行坐标转换及离散数据过滤,进而得到重建的点云数据。通过稀疏重建算法对重建后数据中的框架特征加以提取,同时引入稠密算法进行框架填充,完成输电线路内容的重建。经实验测试表明,所提算法的点云提取误差仅为8.42 cm,在对比算法中性能最优。且重建后的模型可应用于电力工程验收、巡检等实际场景中,具有良好的工程意义。     

自主移动机器人微型激光雷达点云数据滤波研究

由于自主移动机器人微型激光雷达点云数据采集过程存在多种外界因素的干扰，导致采集到的点云数据中含有大量噪声，为此设计提出自主移动机器人微型激光雷达点云数据滤波方法。采集自主移动机器人微型激光雷达采集点云数据，利用噪声分离算法和改进的三维中值修复对点云数据进行优化。根据精简移动最小二乘法构建微型激光雷达点云数据滤波模型，将经过优化的点云数据输入该模型中，实现微型激光雷达点云数据滤波。实验结果表明，所提方法的点云数据滤波误差低，实际应用效果更好。     

一种改进的具有半径滤波和RANSAC优点的点云图像去噪方法

为了剔除点云中离散点噪声和密集平面噪声且保留点云的特征,提出了一种改进的具有半径滤波和RANSAC优点的点云图像去噪新方法.首先利用体素下采样对原始点云数据进行精简,然后针对离散点噪声,使用半径滤波将其剔除,最后在保留原始RANSAC算法的基础上,引入高度信息参数对拟合出的平面进行区分,据此进一步剔除点云中的密集平面噪...