基于改进PointNet++的室内点云语义分割模型

针对点云语义分割过程中存在的大量点云数据的相邻关系丢失以及无法捕获部分点云特征的关键信息等问题,提出了一种基于改进PointNet++的室内点云语义分割模型。首先利用中垂线通道采样获取到更具代表性的采样点,从而提高采样结果的信息丰富度;在此基础上使用采样点邻域特征自适应分组,使组内采样点的分布特征和邻域内的点云特征更加接近,然后引入注意力机制,以实现对点云数据的多层次、多维度的建模和表达;最后通过实验进行性能对比分析。实验结果表明,模型对室内点云进行语义分割相较于PointNet++模型的整体准确率提高了5.6%,因此语义分割网络改进模块能够帮助神经网络提取到更优的点云特征信息,从而提高语义分割网络模型的性能。     

基于滑动图卷积神经网络的输电线路点云分类模型

图卷积神经网络虽然可以对初始点云数据进行直接处理,但其只在局部尺度上独立提取点特征,未将局部点互相关联起来则会影响点云数据分类精度。因此,本文在考虑点云数据整体几何关系和拓扑信息的基础上,提出了一种基于滑动图卷积神经网络的输电线路点云分类模型。首先,通过最远点采样方法从原始点云中迭代子采样点集,有效地降低模型复杂度和时间消耗;其次,利用多尺度K近邻对子采样点集建立局部有向图;再次,采用边缘卷积滑动地提取局部图特征,计算点云上的每一个点与其相邻点之间的边缘特征;最后,利用全局最大池化层进行点云分类。所提模型首先在公用数据集上进行预训练,之后再用标注过的由激光雷达实地采集的输电线路点云数据进行验证。实验结果证明,本文所提模型在公用数据集和实际数据集上均取得较好的分类效果,分类准确率比通用的ECC、PointNet、PointNet++等方法高出至少1.5%。     

融合多注意力机制与PointRCNN的三维点云目标检测

针对三维不规则的点云格式和密度不均匀的问题,提出了一种融合多注意力机制与PointRCNN网络用于三维点云目标检测。本实验主要对PointRCNN两阶段网络分别进行改进,首先,把通道注意力与空间注意力机制串行通过调节输入到第一阶段各网络层的分布,批量归一化进一步快速识别三维特征;其次,引入交叉位置注意力机制到第二阶段网络为了避免交叉路径出现位置偏差,从而进一步精细化三维目标位置以进行特征提取。在KITTI数据集上实验结果表明：相比于PointRCNN检测网络,改进的网络在小汽车和行人测试上平均均值精度(mAP)分别提高了1.2%、1.9%。因此改进的方法在解决了点云格式不规则和密度不均匀问题的同时还保证了检测精度。     

基于深度学习的三维点云重建方法

在三维点云重建过程中,由于点云固有的稀疏性和不规则性,使得重建结果不佳,因此在重建之前需要对点云进行整合处理.提出了一种基于深度学习的三维点云整合方法,将输入点云分为局部小块,使用PointNet++特征嵌入模块学习每个点的多级特征,运用PU-Net数据驱动的方法,将多级特征上采样扩展为点集,并给出三维点坐标和点到边的...     

基于椭球拟合的点云旋转不变网络

点云携带丰富的几何信息,在计算机视觉领域具有独特优势。 现有基于深度学习的三维模型分类与分割方法能有效识 别固定视角下的物体,但在实际应用中,物体方向未知,使得点云描述存在旋转变换问题,极大影响网络的识别精度。 针对点云 的旋转性问题,提出一种轻量级的基于椭球拟合的旋转不变网络( point cloud rotation invariant network based on ellipsoid fitting, EFRI-N)。 设计前置网络模块提取点云的旋转不变特征,包括椭球拟合和特征编码两个部分。 通过椭球拟合算法标识原始点 云的方向得到旋转不变坐标系,再将原始特征映射到该坐标系中,利用空间信息和角度信息进行编码得到点云的旋转不变特 征;为了获取更丰富的几何信息,在分类分割网络中加入多层级的特征连接增强特征传播及复用,提高模型表征能力。 采用国 际知名公共数据集 ModelNet40 和 ShapeNet Parts 进行分类、分割实验,结果表明,该方法在处理旋转点云的任务中优于主流算 法,网络识别精度提升了 1% ~ 62. 63%不等,并且网络的计算量和参数量都有着数量级的优势。 满足单目标场景下对点云旋转 不变性的使用要求,具有良好的应用价值。     

基于三维点云的植株联合任务分割框架

传统的植株器官分割方法依赖经验选择阈值参数,而当前的深度学习浅层框架可能会导致植株重要的几何特征丢 失,并难以有效整合植株的局部和全局特征。因此,提出了一个基于三维点云的植株器官分割网络(local global feature fusion segmentation network,LGF-SegNet)模型,通过引入双权重注意力机制模块和位置编码,更适合在植株点云数据中表达几何 特征。在提出的框架的解码层引入特征聚合模块,融合植株点云的局部和全局特征,使得该框架能够关注植株的整体特征轮 廓同时保留细节植物纹理(如茎和叶)。实验结果表明,提出的架构在语义分割的交并比、精确率和F1 分数的平均值分别达 到85.76%、93.18%、91.08%,在实例分割的平均精确率、平均实例覆盖率以及平均实例加权覆盖率达到85.27%、78.46%、 79.63%,优于当前流行的植株点云分割任务中使用的深度学习网络架构,并适用于植株语义分割和实例分割的双重任务。 这为后续的植株生长预测等研究奠定基础。     

基于图卷积网络改进的人体动作识别模型

针对双流自适应图卷积动作识别网络2S-AGCN模型忽略了人体动作识别中特征的长距离信息以及通道之间的依赖的缺点，设计了一种双重注意力机制对2S-AGCN模型的图卷积模块进行改进，实现精度的提升。双重注意力机制包含了空间注意力机制以及通道注意力机制，其中空间注意力机制有选择性地聚集上下文，通道注意力机制分为两个并行的模块，第1部分提高了特征的可辨性，第2部分在捕获特征远程依赖的同时，保留了精准的位置信息。结果表明，以双流自适应图卷积动作识别网络2S-AGCN模型为基础网络，融入了双重注意力机制模块的模型在Kinetics数据集上的Top-1和Top-5分别提升了0.6%和1.3%,在NTURGB+D120数据集的CS和CV上的Top-1分别提升了1.2%和0.5%,在NTURGB+D数据集的CS和CV上的Top-1分别提了0.2%和0.1%。     

一种用于车辆图像分割的MSSA-UNet模型

针对实际交通场景下的车辆图像分割方法存在模糊、效果差的问题,本文以UNet神经网络模型为基础,提出了一种融合多尺度模块和空间注意力机制的MSSA-UNet模型。在编解码阶段,采用空洞卷积构建多尺度模块,改善卷积层感受野大小受限的同时输出包含多尺度的特征信息。在上采样前,引入空间注意力机制来弥补采样过程中的局部信息丢失问题,提高特征还原能力。结合交叉熵损失与Dice损失,优化网络学习和训练过程,提高模型的分割精度。实验结果表明,本文提出的MSSA-UNet模型对于车辆图像分割任务在IoU评价指标达到83.48%,较改进前准确度提升了2.28%,模型预测值和真实值更接近,分割效果更好,有效提升了模型的分割性能。     

基于改进Mask R-CNN的建筑工地实例分割算法

实例分割对排除建筑工地不规则机械设备带来的安全隐患以及监测工人具有重要意义。然而当前主流的实例分割模型存在着边界检测精度不高的问题。结合实例分割的特点，提出了一种基于全局上下文通道注意力（GCCA）机制多阶段细化掩码的改进Mask R-CNN模型。首先，在Mask头部以多阶段的方式逐步融合细粒度特征，细化高质量掩码。其次，为了更好的融合细粒度特征，构建了GCCA注意力机制，其通过简化的全局上下文模块聚合全局特征，并利用一维卷积实现无降维的局部通道交互。实验结果表明，在COCO和MOCS数据集上均取得了较好的效果。其中，相较于Mask R-CNN模型，此算法在检测和分割的平均精度分别提高了2.4%和7.6%。     

基于三维激光扫描点云配准的目标位姿测量

地外天体着陆探测是我国深空探测的重要形式和方法,针对地面探测模拟训练系统中探测车位姿提取的需求,提出了一种利用激光扫描仪和标靶球结合的方法进行特征识别,拟合出探测车的位姿数据,并建立地面模拟训练系统。首先对激光扫描数据进行滤波预处理去除点云中离群点,然后选择适当的参数对数据进行重采样。通过基于分类改进的区域增长法对点云进行分割,筛选出指定数量范围的点集并拟合多个标靶球位置信息以建立局部坐标系。通过实验数据分析,标靶球拟合精度满足3mm最大允许误差,点云处理速度得到有效提升,验证了特征识别方法的准确性和高效性。最后通过坐标系转换估计出探测车的位姿矩阵信息。     

基于球面投影的激光点云目标检测

基于深度学习的激光点云目标检测已成为了一个重要的研究领域。本文采用球面投影和2D图像的SOTA深度学习网络,实现3D激光点云目标快速检测。首先,将KITTI数据集单帧3D点云经球面投影转换成一帧2D的RGB三通道图像,像平面的像素位置取决于点云的三维坐标,其R、G、B 3个通道灰度值取决于点云归一化后的反射强度、距离、高度。其次,分析了不同分辨率下球面投影的重叠分布情况和对图像质量的技术影响。最后,采用语义分割模型DeepLab-V3+网络,仿真结果表明：该方法在分割精确度和速度方面都具有良好的性能,应用价值较高。     

一种面向复杂环境的自适应激光里程计设计

针对在复杂环境下使用传统三维点云配准算法构建的激光里程计精度低且建图易发生漂移的问题，本文设计了一种面向复杂环境的自适应激光里程计。首先通过三维激光雷达采集原始点云数据，经过点云预处理环节后，采用地面分割方法完成点云数据分割并获取路面点云丰富度信息；然后，使用NDT算法将前后两帧点云数据极大限度的进行拉近，实现点云数据的粗配准；最后，在环境判断结论指引下选择合适的ICP算法完成三维点云的高精度配准并根据输出的点云变换关系构建激光里程计。通过在数据集以及不同环境下的大量实车测试，得出该激光里程计在室内结构化环境中的平均位移误差为0026 m，在室外非结构化环境中的平均位移误差为01 m。结果表明，本文构建的激光里程计能够更好的适应复杂环境从而得到更加精确的三维点云地图与SLAM轨迹。     

变电站应用实景复制技术建模和网络安全监控

随着物联网技术和三维激光技术的快速发展,针对国网公司对电网设备安全运行的智能化需求,提出了一种实景复制技术。采用全局和局部点云特征表示的深度网络架构的新型变电站物联网安全监控平台,网络直接将原始点云作为网络的输入数据而未进行体素化或渲染操作。针对电力设备对象,通过提取点云数据局部几何主导子空间来实现快速数据处理,提高数据质量并估算点云法矢,自动识别输变电物联网安全场景中的重复结构,实现数据增强和结构建模。该算法可以使得模型与原始点云拟合误差最小,从而快速得到电力物联网设备对象的三维模型,最终实现输变电物联网安全场景的智能理解和高质量重构。在此基础上,建立了变电站物联网安全监控平台提升了设备的安全性,对变电站进行了仿真与建模、可视化分析和管理等,有效地保障了变电站的物联网安全监控能力。     

车辆曲面重构中点云精简算法的研究与改进

为了解决车辆点云数据曲面重构效率低和精简后数据重构模型质量差的问题,提出一种改进的点云精简算法。基于kd-tree建立散乱点云数据的空间索引结构并获取每个数据点的k邻域索引;提出基于快速识别边界线的精简算法避免精简过程边界数据丢失,确保获得真实的车辆曲面重构模型;对非边界点邻域进行区域分类,并根据分类选择性保留邻域数据,以提高点云数据处理速度并减少内存开销。在实现了算法的程序设计及仿真实验的基础上,完成了基于三维激光扫描车辆外廓尺寸测量系统平台的实车实验。实验结果表明,改进后的精简算法程序最大限度地保留了车辆点云的的边界特征和细节形状,改善了车辆点云曲面重构模型质量;数据处理中能够精简45%~70%的车辆点云数据,加快了系统重构的速度,提高了车辆外廓测量的性能。     

基于卷积自编码网络的杆塔点云数据自动分类方法

在输电线路三维可视化自动建模场景中如何实现对杆塔的三维点云数据进行快速准确的自动化分类是一个关键问题,在本文中我们提出了一种基于卷积自编码神经网络CAE的杆塔三维点云数据自动分类算法。首先,我们通过投影计算得到杆塔点云的旋转角度并使用旋转矩阵将杆塔点云摆正,然后进行正面侧面投影获取到杆塔点云的图像;第二,使用收集到的杆塔点云图像组成训练数据集,对卷积自编码网络进行训练之后提取出自编码网络的编码部分用于对图像进行特征提取;第三,使用自编码器对输入的杆塔点云图进行特征抽取,将提取的图像特征向量输入EM进行自动分类。实验结果表明我们所提出的杆塔点云自动分类算法能够快速准确实现对点云数据的自动化分类。     

基于边缘卷积的交通锥筒点云数据分割方法

本研究以用于构建临时道路中的交通锥筒为研究目标,以多线激光雷达采集的临时道路三维点云数据为输入,提出一种基于图理论的图神经网络模型,该模型可实现点云数据分割,并提升模型对无序性点云数据学习效果。以无人驾驶方程式赛车为实验平台,针对交通锥筒进行网络训练与测试,实验结果表明,图神经网络模型对交通锥筒的分割准确率达到88.6%,比PointNet模型提升了约10%,此外,该模型在稀疏雷达点云数据下还具有一定泛化能力,有较好的适用性。     

基于改进型U-Net的遥感云图分割方法

云检测是遥感图像预处理的重要步骤,云检测精度直接影响后续遥感图像应用的准确性,针对现有云与云阴影分割任务中,泛化能力差,误检漏检现象严重的问题,本文提出了一种改进型U-Net网络模型,该模型以U-Net为主干网络,加入高效通道注意力机制,修改激活函数。将遥感图像作为输入,放入基于高效通道注意力的U型云图分割模型中进行训练,在获得最优权重后,输出包含云区域、云阴影区域和背景区域的遥感图像分割结果。实验结果表明,相比于现有分割模型,本模型在云和云阴影的分割任务中参数量最低,准确率最高,泛化效果最好。