LPPM-Net: Local-aware point processing module based 3D hand pose estimation for point cloud

3D hand pose estimation by taking point cloud as input has been paid more and more attention recently. In this paper, a new module for point cloud processing, named Local-aware Point Processing Module (LPPM), is designed. With the ability to extract local information, it is permutation invariant w.r.t. neighboring points in input point cloud and is an independent module that is easy to be implemented and flexible to construct point cloud network. Based on this module, a LPPM-Net is constructed to estimate 3D hand pose. In order to normalize orientations of the point cloud as well as to maintain diversity properly in a controllable manner, we transform point cloud into an oriented bounding box coordinate system (OBB C.S.) and then rotate it randomly around the principal axis when training. In addition, a simple but effective technique called sampling ensemble is used in the test stage, which compensates for the resolution degradation caused by downsampling and improves the performance without extra parameters. We evaluate the proposed method on three public hand datasets: NYU, ICVL, and MSRA. Results show that our approach has a competitive performance on the three datasets.     

点云边界快速精确提取算法

点云边界提取是点云三维重建中极其关键的一步, 现有的边界提取算法大多采用一种 判别准则进行边界点提取,导致提取的效率低或者提取效果不理想。针对上述问题,本文提 出一种快速精确的点云边界提取算法,其包括粗提取与精提取两个步骤。粗提取中对任意点 ,利用Kdtree搜索其近邻点,对该点与其近邻点构成的单位法向量进行叠加,依据叠加后 向量的模长与近邻数的比值粗提取出边界点;精提取中对于粗提取出的边界点,搜索其近邻 点并依据近邻点拟合成平面,再将近邻点投影到该平面上,根据判断点的投影点与近邻点的 投影点连线间的最大夹角精确提取出边界点。使用地面与机载两类不同的点云数据验证本算 法,实验结果表明:本算法均可以准确提取出这两种点云的边界点,同时在提取机载点云边 界上效率提高了6.8倍,在地面点云中提高了2倍。本文算法可用于快 速提取边界点,有利用后续点云重建。     

基于最小二乘密度聚类的城市点云去噪算法

点云作为一种简便的三维表达方式,已经被大量应用在城市三维数字化中,但是城市对象的复杂多变,导致城市点云相较于其他场景点云,其较为复杂,去噪难度更高,去噪精度要求更高。为了解决城市点云的去噪问题,本文从高维特征密度空间出发,采用最小二乘密度聚类约束,遵循标准阈值原则设计了一种新的算法。本算法先构建高维特征密度空间,再用最小二乘算法求解各维度密度拟合曲线,最后根据标准阈值原则提取各维度合限点集的交集,即为目标点集。实验表明:本文算法针对城市场景中的点云具有较高的精度与较好的剔除效果,满足城市点云去噪任务的要求,达到了预期的效果。     

基于三维彩色点云的物体识别算法

随着新一代深度传感器的出现,使用三维(3-D)数据成为物体识别研究的热点,而且提出了很多点云特征描述子.针对传统的采用点云形状特征描述子在目标描述方面的不足,提出了一种基于三维彩色点云的物体识别算法.首先提取点云数据的视点特征直方图(VFH)和颜色直方图(CH),然后对提取的形状特征和颜色特征分别通过支持向量机(SVM)进行预分类,最后将上述2个识别结果进行决策级融合.提出的算法在Washington RGB-D数据集进行训练和测试.结果表明,该方法与传统的采用点云形状特征描述子相比,其物体的正确识别率有了显著的提高.     

基于主成分分析与曲面拟合的激光点云滤波去噪

为了消除激光点云采集时点云中的噪声点，避免噪声尤其是一些孤立离群点对点云数据质量的影响，将散乱的、含有噪声点云变成规则的、高精度的点云，采用了基于主成分分析与曲面拟合进行点云去噪的方法，首先提出了点云区域的主成分分析计算方法，在主成分分析的法向量进行粗去噪，而后去噪后的点云进行曲面拟合，最后根据点到曲面的距离进行了点云的滤波，得到滤波后的点云。结果表明，该方法去噪效果精度高，尤其针对散乱点云，去噪效果明显，最佳滤波性能误差仅为0.018mm。该研究为散乱激光点云的去噪滤波提供了参考。     

基于脉冲耦合神经网络的点云曲面去噪

 提出一种基于脉冲耦合神经网络(PCNN)的点云曲面去噪算法.该算法主要分为两步:噪声点定位和噪声点滤波.首先针对点云曲面构建一个PCNN神经网络,各个神经元的外部刺激值由邻近点的几何位置差异和法向差异构成,利用神经元输出的自适应点火捕获特性,实现了噪声点的定位;而后针对点云曲面中的噪声点,基于网格光顺中双边滤波的思想,实现噪声点的滤波,对于非噪声点,则保持原有的几何位置不变.实验结果表明,由于区分了噪声点和非噪声点,该算法较传统的点云曲面去噪算法能更加有效的去除噪声的同时并保持模型的几何特征.     

三维点云中关键点的配准与优化算法

传统三维(3D)点云配准过程中存在配准误差高、计算量大及耗时长等问题,针对该问题,提出了一种3D点云中关键点的配准与优化算法。在关键点选取阶段,用边缘点检测算法剔除边缘关键点,以提高关键点特征描述的全面性和重复性,降低3D点云配准误差。在3D点云配准阶段,用K-维树(KD-tree)加速的最近邻算法和迭代最近点算法剔除粗配准结果中的误配准关键点,降低配准误差,提高3D点云配准的速度与精度。实验结果表明,本算法在不同点云数据下,均能获得良好的配准结果。与传统3D点云配准算法相比,本算法的平均配准速率提高了68.725%,平均配准精度提高了49.65%。     

三维散乱点云模型的特征点检测

随着三维点云模型越来越受到人们的关注,如何对数据量大,无序的三维点云模型进行特征点检测也是近几年的研究热点。本文提出了基于曲率和密度的特征点检测算法,为每个数据点定义一个特征参数,这个参数由三部分组成:点到邻居点的平均距离;点的法向与邻居点法向夹角的和;数据点曲率。然后通过八叉树方法计算模型的数据点密度,将这个密度作为阈值,特征参数大于阈值的点就是检测到的特征点。本文计算时,检测模型的特征点只需用到三维点云模型的几何特征,如数据点法向,曲率和邻居点。实例验证本算法可准确地检测出散乱数据点云的特征点。      

空间非合作目标点云聚类配准方法

空间非合作目标的相对位姿测量问题成为空间在轨操作任务的重难点,通过对激光雷达获取的目标三维点云进行聚类,得到小规模、特征明显的聚类点云,有效提高了配准效率和精度。针对基于区域生长的聚类算法在对可视点云进行聚类时,特征相似部分无法聚类识别的问题,提出了二维图像优化三维点云聚类的方法。该方法将深度值信息和RGB颜色值建立数学映射关系,点云降维后,利用颜色梯度突变进行边界提取,将边界内的点逆向恢复到原始点云,最后将各个类的点云进行合并,得到易于识别的显著特征点云。实验结果表明,在配准角度误差为±5°的条件下,可有效地缩减点云规模并保留了显著特征,提高ICP配准算法的计算效率,为解决空间非合作目标相对位姿实时测量提供技术支持和解决思路。     

空间位姿测量中面阵点云CPD方法的优化及验证

面阵激光成像雷达可以实现瞬态三维探测,适用于运动平台及非合作目标的位姿测量。针对相邻像元间具有串扰特性的面阵非均匀格网型稀疏点云,提出了一种适用于空间非合作目标位姿测量的多视角点云自动配准方法。该方法基于改进的相干点漂移(Coherent Point Drift, CPD),将目标点云视为观测数据集,源点云视作为高斯混合模型(Gaussian mixture model, GMM)的质心点集。利用贝叶斯后验概率公式及期望最大化(Expectation-Maximum, EM)方法,对构造的GMM模型似然函数进行求解,在寻优过程中通过点云重叠特性对运算点集的权值参数进行自适应调整。对单次EM迭代后源点云间距离残差进行排序,选取最优变换点云对使用最近邻方法建立局部扰动量,得到每次漂移迭代的空间变换矩阵。为了避免陷入局部解,通过监督点云均方误差更新率,对参与漂移运算的点集属性进行交替。针对空间配准目标,建立了两种近似运行下的阵列成像仿真工况。试验结果表明：在强背景及像元模糊干扰下,该配准框架具有鲁棒性优势,其结果平均最大公共点集测度相对于粗+精组合配准框架提升约61%,可应用于空间面阵平台下...     

Image denoising based on iterative generalized cross-validation and fast translation invariant

Wavelet shrinkage is a promising method in image denoising, the key factor of which lies in the threshold selection. A fast and effective wavelet denoising method, called Iterative Generalized Cross-Validation and Fast Translation Invariant (IGCV–FTI) is proposed, which reduces the computation cost of the standard Generalized Cross-Validation (GCV) method and efficiently suppresses the Pseudo-Gibbs phenomena with an extra gain of 1–1.87 dB in PSNR compared with GCV. In the proposed approach, we establish a novel functional relation between the GCV results of two neighboring thresholds based on integer wavelet transform, and combine it with threshold-search interval optimization. As a result, the proposed IGCV reduces the time complexity of original GCV algorithm by two orders of magnitude. In addition, a recursion strategy is applied to expedite the translation invariant. The high efficiency and proficient capacity to remove noise make IGCV–FTI a good choice for image denoising.     

Plane surface detection and reconstruction using segment-based tensor voting

A Segment-based Tensor Voting (SBTV) algorithm is presented for planar surface detection and reconstruction of man-made objects. Our work is inspired by piecewise planar stereo reconstruction. During the vital procedure to detect and label the planar surface, the two main contributions are: first, tensor voting is used for obtaining the geometry attribute of the 3D points cloud. The candidate planar patches are generated through scene image segment of low variation of color and intensity. Second, we over-segment the scene image into the segment and the candidate 3D planar patch is generated. The SBTV algorithm is used on 3D points cloud sets to identify the co-plane on the candidate patch. After detecting every planar patch, the geometry architecture of object is obtained. The experiments demonstrate the effectiveness of our proposed approach on either outdoor or indoor datasets.     

基于对偶树复数小波变换的邻域自适应的图像降噪

该文提出一种新的基于对偶树复数小波变换的邻域自适应的图像降噪方法,它是现存的NeighShrink降噪方法的改进。该文运用Stein的无偏风险估计,在小波域每一个子带为NeighShrink方法确定一个最优的阈值和邻域窗口,并将NeighShrink方法从正交的小波变换推广到对偶树复数小波变换。实验结果证实,该文方法比当前基于小波的最具竞争力的图像降噪方法取得了更好的降噪效果。     

基于改进DPC和特征分区的点云去噪算法

针对三维激光扫描仪获取到的点云数据存在的多尺度混合噪声将严重影响后续的三维模型重建的问题,提出了一种基于改进的密度峰值聚类算法(DPC)和特征分区的点云去噪算法。首先通过改进的DPC算法去除远离点云主体的大尺度噪声;然后利用主成元分析法(PCA)和曲面变分获取点云法矢及曲率信息,同时采用邻域传播法调整法矢方向并根据曲率对点云进行划分,对特征区域点云与平坦区域点云分别采取自适应双边滤波和正交整体最小二乘平面拟合的方法进行光顺去噪。实验结果表明：在包含混合噪声的bunny与block模型下,利用该算法去噪后点云数据最大误差分别为0.235 mm和0.157 mm,平均误差分别为0.029 mm和0.009 mm,均能取得较好的去噪效果,且降低了去噪参数设置的复杂性。     

用于距离图像2D扫描线的极速边缘检测器

 本文提出一种对距离图像2D扫描线进行粗大噪声去除和边缘识别处理的极速检测器. 以扫描线典型轮廓分布规律分析为基础,定义了数个特征描述系数并以此建立判别准则,实现快速去噪和边缘检测. 该方法具有内在的平移和旋转不变性,并可通过自适应参数来实现尺度不变性. 文中采用基于候选点的参数自学习方法来进行阈值学习. 将扫描点参数集计算步骤进行高度集成,可对最大限度消除冗余计算. 通过实物扫描实验,对算法的计算复杂度、时间开销、检测准确度和稳定性进行了详细评估. 在普通PC平台上,整合模式耗时约0.15ms即可准确检测单条扫描线中的所有边缘点. 评估结果表明,本文提出的检测器具有极高的运行效率、检测准确性、鲁棒性和可扩展性,可满足极为苛刻的工业应用要求.     

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。     

Denoising images corrupted by impulsive noise using projections onto the epigraph set of the total variation function (PES-TV)

In this article, a novel algorithm for denoising images corrupted by impulsive noise is presented. Impulsive noise generates pixels whose gray level values are not consistent with the neighboring pixels. The proposed denoising algorithm is a two-step procedure. In the first step, image denoising is formulated as a convex optimization problem, whose constraints are defined as limitations on local variations between neighboring pixels. We use Projections onto the Epigraph Set of the TV function (PES-TV) to solve this problem. Unlike other approaches in the literature, the PES-TV method does not require any prior information about the noise variance. It is only capable of utilizing local relations among pixels and does not fully take advantage of correlations between spatially distant areas of an image with similar appearance. In the second step, a Wiener filtering approach is cascaded to the PES-TV-based method to take advantage of global correlations in an image. In this step, the image is first divided into blocks and those with similar content are jointly denoised using a 3D Wiener filter. The denoising performance of the proposed two-step method was compared against three state-of-the-art denoising methods under various impulsive noise models.     

基于置信度的飞行时间点云去噪方法

飞行时间（Time-of-Flight,ToF）三维成像方法由于多路径干扰和混合像素等问题降低了目标物体深度测量的精度。传统的方法通过优化重构异常点云数据或滤除噪声点云数据来提高目标的准确性,但是这些方法复杂度高且容易导致过度平滑。三维点云图像中的有效点云与噪声点云之间的关系很难用数学模型来表示。针对上述问题,本文提出了一种基于置信度的飞行时间点云去噪方法。首先,分析多帧点云数据的概率相关性,以点云数据的置信度作为判别有效点云与噪声点云的依据;其次,利用多帧点云之间的矢量对偶性,提出了一种快速提取不同置信度点云的算法,其时间复杂度为O(L);最后使用该算法提取多帧三维图像中置信度高的点云数据获得目标物体的真实测量数据,并重点对4组不同场景的点云数据进行对比实验。实验结果表明,该算法能够在有效滤除噪声的同时,显著提高目标物体的距离测量精度,增强目标物体的特征,因此具有广泛的应用价值。     

A generic denoising framework via guided principal component analysis

Though existing state-of-the-art denoising algorithms, such as BM3D, LPG-PCA and DDF, obtain remarkable results, these methods are not good at preserving details at high noise levels, sometimes even introducing non-existent artifacts. To improve the performance of these denoising methods at high noise levels, a generic denoising framework is proposed in this paper, which is based on guided principle component analysis (GPCA). The propose framework can be split into two stages. First, we use statistic test to generate an initial denoised image through back projection, where the statistical test can detect the significantly relevant information between the denoised image and the corresponding residual image. Second, similar image patches are collected to form different patch groups, and local basis are learned from each patch group by principle component analysis. Experimental results on natural images, contaminated with Gaussian and non-Gaussian noise, verify the effectiveness of the proposed framework.     

点云多法向量邻域特征配准算法

针对三维激光扫描点云数据的配准问题,提出了 一种多法向量邻域特征点云配准算法。首先,根据目标点选取不同邻 域半径估算的法向量存在方向偏差,设定约束条件选择关键点,使得初始点云数据量得到精 简;其次,设计了一种依据邻域多 法向量计算的特征描述子,并计算所有关键点的特征向量;然后,依据所求的特征描 述子,使用最小距离与次小距离比值阈 值方法初步获取对应关系,并使用随机采样一致性算法和聚类分选方法进行两次优化,得到 精确的点与点对应关系;最后,使 用奇异值分解法解算刚体变换矩阵,得到配准参数。实验结果表明,由本文设计的关键点选 取、特征描述子提取和对应关系筛选 方法原理简单、稳定可靠、计算速度较快且计算复杂度小,无需进行第二次配准,对实现点 云配准具有实用价值。