复杂异型建筑立面测绘轮廓提取方法设计

为解决点云数据密度异常时复杂异型建筑立面测绘轮廓提取精度变差的问题,提出基于局部点云密度的复杂异型建筑立面测绘轮廓提取方法。引入基于平面投影和双边滤波的测绘点云数据平滑方法,对测绘数据进行去噪和平滑处理,并通过点云分割方法提取目标点云区域。通过基于改进Alpha Shapes算法的立面测绘轮廓提取方法,以边界网格筛选的方式,去除目标点云区域冗余点云数据后,使用滚动圆半径自适应调节方法提取轮廓数据。试验结果表明,所提取轮廓匹配度高达95.08%,具有良好的精度和可行性。该方法可在有效平滑点云数据、分割获取目标点云区域的同时,高精度提取复杂异型建筑立面测绘轮廓。     

散乱堆叠药盒三维视觉抓取系统设计

针对药物生产线上药品分拣、包装等繁重的工作任务,设计了基于三维视觉的散乱堆叠药盒抓取系统。根据药盒点云数据均为特征均匀的矩形或方形平面这一特征,基于点云预处理与区域生长算法设计了堆叠药盒场景点云的分割算法,并提出了通过计算药盒上表面点云质心以及质心点表面法线获取药盒位姿的方法。实验结果表明：系统能够准确地完成场景点云分割,准确地获取位姿信息,精度高,鲁棒性好,适用于散乱堆叠药盒的抓取。     

平滑度欧式聚类算法分割点云数据

提出一种平滑度欧式聚类点云分割算法,用于实现对Kinect点云的快速、准确分割.首先介绍了Kinect点云的采集和滤波方法,然后在传统欧式聚类算法基础上提出了一种平滑度欧式聚类分割算法,通过加入平滑阈值的约束来防止过度分割或分割不足的问题,并保持了较快的分割速度.通过对工业机器人获取的阀门点云数据进行实验,证明了算法的有效性.     

基于自适应角度的三维点云分割方法

点云分割是基于点云数据空间几何信息提取的一项重要工作,它是点云数据特征提取与分析的基础。同时,点云数据通常是离散的和非结构化的,点云数据的分割不是一项简单的数据处理任务,分割效率和分割精度决定了后续数据处理工作的结果。因此,研究点云数据分割具有重要意义。提出一种基于自适应角度的三维点云切割算法,使用PCA算法找到最佳降维投射方向,以降低原始点云数据维度,并利用投射簇的概念实现对原始目标点云的切割获取。     

基于高斯混合模型聚类的Kinect深度数据分割

基于深度图像的室内场景理解是计算机视觉领域中的前沿问题。针对三维室内场景中平面较多的特性,提出一种基于高斯混合模型聚类的深度数据分割方法,实现对场景数据的平面提取。首先将Kinect获取的深度图像数据转换为离散三维数据点云,并对点云数据作去噪和采样处理;在此基础上计算所有点的法向量,利用高斯混合模型对整个三维点云的法向集合聚类,然后利用随机抽样一致性算法对各个聚类进行平面拟合,由每个聚类得到若干平面,最终把整个点云数据分割为一些平面的集合。实验结果表明,该方法得到的分割区域边界准确,分割质量较高。提取出的平面集合为以后的室内对象识别和场景理解工作奠定了较好的基础。     

基于改进法向量估计的多视角点云配准算法

针对多视角三维测量中多片点云重叠区域提取及高精度配准的问题,本文提出一种多视角异源低重叠率点云配准方法。首先基于点云之间的初始位置,互相计算源点云和目标点云彼此的最近点集,自动提取两片点云重叠部分;然后使用迭代最近点算法精配准重叠点云。通过法向量特征进一步提高点云配准精度,并提出改进点云法向量估计算法用以剔除错误匹配点对,显著减小了复杂结构点云配准的距离均方根误差。结果表明,使用经典点云数据仿真实验验证了该算法的性能,并通过多视角条纹投影三维测量系统采集点云数据验证了算法的有效性。     

基于区域扩张的三维点云模型配准算法

为提高三维散乱点云自动配准的准确率,提出一种新的基于区域扩张的配准算法。通过局部点云法向量的变化提取特征点,利用区域扩张方法进行初始配准,在搜索精确匹配点的过程中直接剔除错误匹配,使用改进的最近点迭代算法对点云进行精确对齐。实验结果表明,与经典最近迭代点算法和基于曲率的点云自动配准算法相比,该算法能够提升点云配准精度,对特征平滑的点云模型具有较好的效果。     

心内膜散乱点云边界点检测算法研究

针对心内膜散乱点云预处理中的边界点检测,利用截线云理论将散乱点云进行等间隔区域分层,将点云投影至点云切片,得到切片的散乱点集,同时建立链表结构分区存储点云数据;由平面上点的二维坐标定位,提出区域"十"字算法进行切片数据边界点提取,获取切片数据的最外层点,将检测到的边界点存回原始三维数据源,完成预处理过程。实验结果证明,该算法对边界点具有较强的识别能力,能够在快速、有效地简化点云数据的同时保持原始特征的信息,可以提高后续三维建模的精度和速度。     

基于三维激光雷达的道路边界提取和障碍物检测算法

为了快速有效地提取智能车辆在不同环境下的道路环境信息,提出基于三维激光雷达的道路边界提取和障碍物检测算法.首先,对三维激光雷达点云数据进行栅格化滤波处理,利用单束激光点云空间邻域联合分割的方法进行空间分析,得到点云平滑度特征图像.然后,采用自适应方向搜索算法获取道路边界候选点,并进行聚类分析和曲线拟合.最后,对道路边界约束下可通行区域内点云进行聚类分割,获得道路内障碍物方位和距离信息.实验表明,文中算法能够实时准确地提取道路边界和障碍物位置信息,满足智能车环境建模和路径规划的需求.     

基于随机抽样一致性算法的车辆轮胎点云提取方法

针对激光雷达获取的车辆底盘轮廓点云中轮胎的特征提取与分割问题，提出了一种基于随机抽样一致性算法的车辆轮胎点云提取方法。为了提高轮胎提取的准确性，首先采用随机抽样一致性算法对目标车辆点云进行平面提取，然后对提取的平面点云进行K-means聚类，剔除离群点，分割出实际的连续平面点云；最后通过采用随机抽样一致性算法对剩余点云进行轮胎提取。为了验证提取方法的有效性，通过计算机仿真的方法，生成车辆底盘轮廓点云，对该仿真数据进行轮胎特征的提取与分割。结果表明，本文提出的方法具有良好的分割提取效果。     

一种适用于室内服务机器人的实时物体识别系统

针对室内服务机器人在实际应用中的需求,提出一种结合三维点云分割和局部特征匹配的实时物体识别系统．该系统首先基于三维点云实现快速有效的物体检测,然后利用物体检测的结果定位物体在彩色图像中的区域,并采用基于SURF特征匹配的方法识别出物体的标识．实验结果表明,该系统可较好地满足室内服务机器人物体检测与识别的实时性和可靠性要求．     

Instance segmentation based 6D pose estimation of industrial objects using point clouds for robotic bin-picking

3D object pose estimation for robotic grasping and manipulation is a crucial task in the manufacturing industry. In cluttered and occluded scenes, the 6D pose estimation of the low-textured or textureless industrial object is a challenging problem due to the lack of color information. Thus, point cloud that is hardly affected by the lighting conditions is gaining popularity as an alternative solution for pose estimation. This article proposes a deep learning-based pose estimation using point cloud as input, which consists of instance segmentation and instance point cloud pose estimation. The instance segmentation divides the scene point cloud into multiple instance point clouds, and each instance point cloud pose is accurately predicted by fusing the depth and normal feature maps. In order to reduce the time consumption of the dataset acquisition and annotation, a physically-simulated engine is constructed to generate the synthetic dataset. Finally, several experiments are conducted on the public, synthetic and real datasets to verify the effectiveness of the pose estimation network. The experimental results show that the point cloud based pose estimation network can effectively and robustly predict the poses of objects in cluttered and occluded scenes.     

一种有效的基于点云特征人体识别方法

基于视觉信息的运动目标识别是室内移动机器人自主导航的一个重要研究内容,现有的方法经常由于背景噪声干 扰、自然光照、机器人视角变化等因素影响识别稳定性。本文提出一种有效的目标识别方法,滤除地平面点云特征,并采用 分割聚类和支持向量积融合方法识别运动目标。实验表明,本文方法在满足实时性前提下,相对于传统人体骨骼、二维梯度 直方图算法具有更高的准确率,更适合复杂环境下的人体识别。     

应用激光雷达与相机信息融合的障碍物识别

针对探测器在地外星体表面软着陆过程中的障碍物识别问题,提出了一种融合三维点云数据与灰度图像数据进行精确障碍物识别的方法。首先利用坐标转换将灰度图像与三维点云归一化到同一坐标系下,实现传感器数据的融合。然后采用改进K均值聚类算法对预处理后灰度图像进行图像分割,生成光学障碍图。最后利用开源库PCL(Point Cloud Library)对激光雷达生成的三维激光点云数据进行处理,采用随机采样一致性算法提取着陆区地形水平面,对去除水平面后的点云数据进行点云分割,分离出突起物、凹坑等障碍物,并通过激光雷达与相机转换坐标系,投影到像平面,生成最终障碍图。     

Semantic part segmentation method based 3D object pose estimation with RGB-D images for bin-picking

3D object pose estimation for grasping and manipulation is a crucial task in robotic and industrial applications. Robustness and efficiency for robotic manipulation are desirable properties that are still very challenging in complex and cluttered scenes, because 3D objects have different appearances, illumination and occlusion when seen from different viewpoints. This article proposes a Semantic Point Pair Feature (PPF) method for 3D object pose estimation, which combines the semantic image segmentation using deep learning with the voting-based 3D object pose estimation. The Part Mask RCNN ispresented to obtain the semantic object-part segmentation related to the point cloud of object, which is combined with the PPF method for 3D object pose estimation. In order to reduce the cost of collecting datasets in cluttered scenes, a physically-simulated environment is constructed to generate labeled synthetic semantic datasets. Finally, two robotic bin-picking experiments are demonstrated and the Part Mask RCNN for scene segmentation is evaluated through the constructed 3D object datasets. The experimental results show that the proposed Semantic PPF methodimproves the robustness and efficiency of 3D object pose estimation in cluttered scenes with partial occlusions.     

杂乱场景下小物体抓取检测研究

目的 杂乱场景下的物体抓取姿态检测是智能机器人的一项基本技能。尽管六自由度抓取学习取得了进展,但先前的方法在采样和学习中忽略了物体尺寸差异,导致在小物体上抓取表现较差。方法 提出了一种物体掩码辅助采样方法,在所有物体上采样相同的点以平衡抓取分布,解决了采样点分布不均匀问题。此外,学习时采用多尺度学习策略,在物体部分点云上使用多尺度圆柱分组以提升局部几何表示能力,解决了由物体尺度差异导致的学习抓取操作参数困难问题。通过设计一个端到端的抓取网络,嵌入了提出的采样和学习方法,能够有效提升物体抓取检测性能。结果 在大型基准数据集GraspNet-1Billion上进行评估,本文方法取得对比方法中的最优性能,其中在小物体上的抓取指标平均提升了7%,大量的真实机器人实验也表明该方法具有抓取未知物体的良好泛化性能。结论 本文聚焦于小物体上的抓取,提出了一种掩码辅助采样方法嵌入到提出的端到端学习网络中,并引入了多尺度分组学习策略提高物体的局部几何表示,能够有效提升在小尺寸物体上的抓取质量,并在所有物体上的抓取评估结果都超过了对比方法。     

Estimation of planes of a rock mass in a gallery wall from point cloud data based on MD PSO

LiDAR (laser imaging detection and ranging) has been developed to measure the distance of the mesh of points on an object with a high level of accuracy. It provides high-resolution point cloud data as a result of distance measurement. Detailed 3D shapes of objects can be estimated from point cloud data. LiDAR has been used to identify discontinuities in a rock mass of a tunnel gallery wall. To identify discontinuities, it is necessary to approximate the rock mass surface with small planes. Normal vectors of the planes are important to identify discontinuities. We developed an algorithm for estimation of planes based on multi-dimensional particle swarm optimization (MD PSO) from point cloud data. Point cloud data were segmented into bounding boxes and grouped into clusters by MD PSO. Planes were estimated using the least squares method for point cloud data in the respective clusters. The newly developed algorithm based on MD PSO was evaluated using point cloud data obtained from a gallery wall. Evaluation was carried out in comparison with the previous developed variable-box segmentation (VBS) algorithm. The MD PSO-based algorithm showed a 7% higher accuracy than that of the VBS algorithm.     

三维点云配准方法研究进展

点云是一种3维表示方式,在广泛应用的同时产生了对点云处理的诸多挑战。其中,点云配准是一项非常值得研究的工作。点云配准旨在将多个点云正确配准到同一个坐标系下,形成更完整的点云。点云配准要应对点云非结构化、不均匀和噪声等干扰,要以更短的时间消耗达到更高的精度,时间消耗和精度往往是矛盾的,但在一定程度上优化是有可能的。点云配准广泛应用于3维重建、参数评估、定位和姿态估计等领域,在自动驾驶、机器人和增强现实等新兴应用上也有点云配准技术的参与。为此,研究者开发了多样巧妙的点云配准方法。本文梳理了一些比较有代表性的点云配准方法并进行分类总结,对比相关工作,尽量覆盖点云配准的各种形式,并对一些方法的细节加以分析介绍。将现有方法归纳为非学习方法和基于学习的方法进行分析。非学习方法分为经典方法和基于特征的方法;基于学习的方法分为结合了非学习方法的部分学习方法和直接的端到端学习方法。本文分别介绍了各类方法的典型算法,并对比总结算法特性,展望了点云配准技术的未来研究方向。     

结合超体素和区域增长的植物器官点云分割

点云分割是点云识别与建模的基础。为提高点云分割准确率和效率，提出一种结合超体素和区域增长的自适应分割算法。根据三维点云的空间位置和法向量信息，利用八叉树对点云进行初始分割得到超体素。选取超体素的中心体素组成一个新的重采样后的密度均匀点云，降低原始点云数据处理量，从而减少运算时间。建立重采样后点云数据的K-D树索引，根据其局部特征得到点云簇。最后将聚类结果返回到原始点云空间。分别选取植物三个物候期的激光扫描点云，对该方法的有效性进行验证。实验结果表明，该方法分割后点云与手工分割平均拟合度达到93.38%，高于其他同类方法，且算法效率得到明显提升。     

机器人目标抓取区域实时检测方法

针对目前机器人目标抓取区域检测方法无法兼顾检测准确率和实时性的问题,提出一种基于SE-RetinaGrasp神经网络模型的机器人目标抓取区域实时检测方法。该方法首先以一阶目标检测模型RetinaNet为基础提取抓取框位置及抓取角度;针对抓取检测任务采用SENet结构确定重要的特征通道;结合平衡特征金字塔设计思想,充分融合高低层的特征信息,以加强小抓取框的检测性能;在Cornell数据集上进行实验验证,结果表明该方法在取得更高检测准确率的同时,提高了抓取检测的效率,达到实时检测的要求。