基于子空间特征向量的三维点云相似性分析

提出一种基于子空间特征向量的三维点云相似性分析算法。首先,获取两个物体的三维点云数据,并进行位置标准化。其次,利用最小子空间分割算法将两个三维点云分别分割成若干子空间。随后,计算子空间的质心到其拟合曲面的距离和夹角,并基于上述距离和夹角构成的向量空间,提取子空间特征向量。最后,通过特征向量间的相似度计算来评价两个三维点云的相似性。由于该方法将描述三维形体特征的子空间特征向量作为相似度度量的依据,所以具有数据量小、精度高的特点。实验表明,该算法能够定量地分析两个三维物体的相似性。     

基于车载激光雷达的点云道路标线提取方法

车载激光雷达扫描技术对道路信息提取具有重要的现实作用，而道路标线作为道路的重要组成部分，是自动驾驶、全息城市建模不可或缺的信息之一。从车载扫描点云数据中自动、快速、准确地提取出道路标线是当前研究的一个难点，通过布料模拟算法从车载点云数据中提取出地面点云，将点云格网化，用反距离加权插值方法计算格网内点云强度值得到强度值矩阵，对该矩阵进行均值池化计算，设定阈值将矩阵二值化并反投影出标线点云，对标线点云进行高斯滤波得到精化的道路标线点云。实验表明，该算法提取的平均准确率为86.8%,平均完整率为91.3%,平均综合提取质量为88.8%,能够完整且准确地提取出标线点云。     

整合图卷积与PointNet的机载激光雷达点云分类

针对三维深度学习网络PointNet中缺少点局部特征描述而导致的分类精度较低的问题,提出了一种整合图卷积模型与PointNet的机载激光雷达点云分类方法。该方法首先通过最小香农熵准则确定点的最优邻域,计算出点云的浅层特征;然后将点云的浅层特征输入深度学习网络中,通过图卷积提取点云局部特征,并将该特征与PointNet提取的点特征、全局特征组合得到特征向量;最后,将上述特征向量输入设计的多层感知机实现点云的准确分类。利用国际摄影测量与遥感协会提供的Vaihingen点云数据集进行了验证,实验结果表明,所提方法相较于PointNet点云分类方法精度提高了9.58个百分点。     

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。      

基于曲率关键点的点对特征三维目标识别

精准的三维(three-dimensional,3D) 目标识别对于机器人自主抓取至关重要,针对目前基于原始点对特征(point-pair feature,PPF) 的三维目标识别算法中存在识别速度慢、严重遮挡场景下识别率低的问题,提出了一种基于曲率关键点的点对特征三维目标识别算法。该算法根据点云法向量邻域夹角均值,快速估算点云曲率,以此提取关键点,通过对关键点计算点对特征,剔除了模型点对特征哈希表中存在的大量冗余点对。使用结合位姿聚类和假设检验的位姿优化算法,首先通过位姿聚类对候选假设位姿进行优化,其次位姿聚类后采用ICP (iterative closest point)算法对候选位姿进行细化,最后利用基于重合度计算匹配分数的假设检验算法滤除错误假设并得出最佳假设位姿。实验结果表明,在公开数据集上,所提方法能够获得95.2%的平均识别率,减少模型点对特征哈希表构建时间并且提高在严重遮挡场景下的识别率。     

PTD算法在激光三维点云数据滤波中的应用

提高激光三维点云数据滤波精度,有助于构建高精度的地表模型,为此,提出了基于点云地面点滤波算法的激光三维点云数据滤波方法。采用双边滤波算法消除激光三维点云数据中存在的噪声,提取的法向量、回波率以及后向散射系数,将其输入支持向量机完成激光三维点云数据的分类,采用点云地面点滤波算法实现三维激光图像双边滤波处理。结果表明,本方法的数据滤波处理误差低于2.0%,信息熵与峰值信噪比为9.74和23.44 dB,获取的三维激光图像清晰度高。     

基于改进RPN的车载导航目标识别技术北大核心CSCD

车载导航是无人驾驶的一项关键技术,而其主要技术难点是动态避障,即实时目标识别与反馈控制。为了能够实时获取车辆周围目标的运动状态,提出了一种基于三维点云数据快速体素化分析的识别算法。该算法以极坐标系替代直角坐标系,直接与车载激光雷达建立映射关系。再通过区域推荐网络技术中对区域框的限定计算完成可表征目标特征的准确定位。实验采用开源数据库KITTI中的点云数据进行验证,对比了动态目标(汽车、摩托车、行人)和静态目标(树木、楼宇)之间的点云特征。识别结果与两种常用的三维目标识别算法进行对比。结果显示本算法的最优平均精度为88.45%,最优平均方向相似度为93.27%,相比常用的SECOND算法对动态目标的识别具有更好的效果。验证了其可行性,其在车载导航目标识别领域具有一定的优势。     

一种多模式融合的激光点云配准算法

针对经典迭代最邻近点(iterative closest point,ICP)算法在三维激光点云配准领域内,存在收敛速度慢、配准误差大、配准效率低的问题,提出了一种基于法向量夹角特征和边界旋转角相融合的改进ICP算法。利用点云区域层划分将点云分成若干独立单元方格,搜寻方格的法向量夹角特征关键点,结合点面曲率对应关系形成初始匹配点对,随后引入距离约束函数,估算边界旋转角和相关动态迭代系数,自动优化刚性变换参数。实验结果表明,与传统ICP算法相比,改进后的算法配准误差降至0.3%以下,配准时间减少50%以上,有效提升点云配准效率。     

基于K最近邻局部点关系图卷积的点云分类

为进一步提高大规模多种类三维点云分类的准确率,提出一种局部区域建立K近邻点关系的卷积神经网络,其关键是从点与点的关系中进行学习。在采样组采样后,对点云模型进行建图,从点与点之间的关系以及中心点的特征进行更深一步的关系学习,从而进行点云的分类工作。由于是从局部的特征整合到整体,使得该方法对形状感知敏感并具有鲁棒性。最终的试验结果表明,该算法在公开数据集ModelNet40上的准确率达到92.5%。与现有的三维点云分类算法相比,其能够更有效地整合局部特征和全局特征,从而能进一步提高三维点云模型分类的准确性。     

一种基于特征提取的点云自动配准算法

针对在不同视角下所获得的三维点云数据,提出了一种基于特征提取的点云自动配准算法。算法根据点云在不同半径内的法向量变化度来提取特征点,综合利用点云局部点的三种几何特征搜索匹配点对。通过利用距离约束条件来获取准确匹配点对并计算初始配准参数。精确配准阶段采用改进的迭代最近点(ICP)算法完成二次拼接。实验结果表明,与传统ICP算法相比,该算法在运行时间与精确度上都有着明显的提升。     

点云数据提取二次曲面特征算法研究

采用三维激光扫描技术可以直接得到真实物体表面的空间采样点,即点云数据,利用点云数据即可以重构三维物体表面。对重构的物体进行修复,并获得相关物理参数,是目前逆向工程重点研究问题。文章就点云数据的一些处理算法进行研究,根据点云数据的特征,利用曲面边的法向量夹角几何特征建立点云数据分割模型对点云数据分割。提取出点云数据的几何特征。对于重构的物体采用k—邻域法建立降噪模型,德洛内三角剖分法和多项式样条插值法建立三维曲面修复模型。并算法应用于具体数据中,取得良好的效果。     

基于机载激光雷达数据的复杂建筑物三维自动重建方法

为了解决复杂建筑物三维模型重建存在的边缘像素清晰度低和重建效率低的不足，提出基于机载激光雷达数据的复杂建筑物三维自动重建方法。首先通过机载激光雷达快速采集复杂建筑的三维点云数据，并剔出异常点云数据；其次采用SIFT算法提取点云数据特征点，通过梯度特征提取匹配特征点，根据特征点进行平移与旋转，完成复杂建筑点云数据配准；然后对建筑边缘三维阈值提取，获得高精度重建阈值；最后通过三维轮廓交边拼接优化，复杂建筑物三维自动重建。通过对比测试证明了本方法重建建筑物三维模型的边缘像素的灰度值为25～215,灰度值跨度较大，边缘像素清晰度较高，三维模型的重组时间为60 min～145 min,耗时较少，重建效率较高，说明了本方法对复杂建筑物三维自动重建的应用效果较好。     

基于改进动态差分进化算法的点云配准

针对不同视角下的点云配准问题,提出一种基于改进动态差分进化算法的配准方法。首先利用主成分分析方法估算点云的曲率值与法向量,并根据法向量计算每个点与其k邻域点的法向量的夹角平均值。然后利用曲率和法向量夹角平均值构造第一特征参数进行第一次特征点提取,以及利用曲率值构造第二特征参数对点云进行第二次特征点提取。根据得到的特征点云,最后利用提出的一种基于耦合-最优排序变异的改进动态差分进化算法计算配准参数得到初始配准结果,再利用改进的迭代最近点算法进行细配准。实验表明,该配准算法具有配准时间短和配准精度高的优点。     

机载气象雷达目标的三维建模方法研究

三维可视化系统能够为机载气象雷达回波数据分析提供支持。本文以预先提取的气象目标三维点云数据为基础,设计了一种面向机载气象雷达目标的三维建模方法。首先运用α-shape算法提取气象目标的外轮廓点云,并通过主元分析法求取点的法向量,再利用泊松重建算法对具有法向信息的外轮廓点云进行三维表面重建。结果表明,该方法得到的气象目标三维重建结果轮廓清晰,表面细节特征明显,能够反映气象目标的空间结构分布特征。相较于仅使用α-shape算法和移动立方体算法,该方法在重建精度和计算效率方面均有提高。重建模型整体上满足机载气象目标三维建模的要求,可以为未来的机载显控气象信息平台三维可视化提供技术支持。     

基于切片采样和质心距直方图特征的室外大场景三维点云分类

三维(3D)点云数据在智能驾驶、遥感测量和虚拟现实等领域的应用越来越广泛。针对室外大场景,提出了一种兼顾快速性与准确性的三维点云分类算法,该算法首先对原始点云进行离群点去除,并在现有地面滤波算法的基础上,结合点云法向量差信息滤除地面点;然后再使用具有噪声的基于密度(DBSCAN)的聚类算法对非地面点云进行分割,同时针对点云的过分割问题采用了就近融合的策略;再提取出不同物体点云的全局特征,包括垂直方向切片采样直方图和质心距直方图,以及点云的二维投影图像方向梯度直方图(HOG)特征;最后,通过支持向量机(SVM)分类器分类,得到较为精确的三维点云分类结果。实验结果表明:所提算法可以将复杂的室外大场景分类为较为准确的单个物体,并且具有较高的精确率以及召回率;相较于其他算法,所提算法的效率有了较大提高。     

基于结构光在机测量的变形薄壁件点云配准方法北大核心CSCD

结合点云局部特征和Octree优化搜索,提出了用于薄壁零件加工过程测量的三维变形点云自动配准的算法,并有效计算出位移偏差量。首先,对薄壁零件点云模型进行数据预处理,去除主体中的无效点和噪声点,计算点云的法向量、3个特征元素作为PPFNET(point pair feature net)特征学习方法的输入,利用最大池化层将变形的局部特征聚合到全局特征中,通过全局和局部特征描述符的深度学习,找出无序点云间的对应关系,完成点云粗配准过程;然后,提出一种基于迭代就近点算法(iterative closest point,ICP)的改进精配准算法,通过增加阈值限定,过滤加工变形时颤振影响,使配准精度达到了98.58%,配准效率提高了10%;最后,采用Hausdorff进行距离计算,使用Cloud-Compare进行位移偏差分析,分析结果与实验结果比较表明,平均绝对百分比误差(mean absolute percentage error,MAPE)为2.32%。在机测量模拟结果表明,所提方法满足在机检测加工变形的实时性和测量精度要求。     

于法向量夹角信息熵的点云简化算法

针对点云简化很难完全保证精度和速度上达到最优的问题,提出了基于法向量夹角信息熵的点云简化算法。利用经典的主成分分析方法来估计点的法向量,计算法向量与参考平面的夹角,利用最邻近点搜索算法,确定每个点的K个最邻近点,并根据信息熵的定义,提出法向量夹角局部熵模型,局部熵的大小直接反映了表面的特征状况;针对不同区域局部熵大小,进行逐步的点云简化,从而可以保留凸变区域较多的点,精简较多平面区域的点,实现点云的非均匀简化。实验结果表明,该方法在简化精度和速度上都能达到较优。     

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。     

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。     

基于神经网络的几何模型区域分割算法

三维模型简化是近年来计算机图形学中的一个研究热点,现有的简化算法多从全局出发,对几何模型的各个部位统一进行简化,因此模型简化后大量的细节特征丢失.针对三维模型简化中保留细节特征的需要,提出了一种基于自组织特征映射神经网络的三维模型区域分割算法.首先计算三维几何模型中每一顶点的特征向量,然后利用该向量作为自组织特征映射神经网络的输入模式实现对三维模型的聚类分割,最后采取提出的相关性最大准则对过分割区域进行合并,得到最终分割结果.实验表明,该方法能有效地分割出模型的细节区域,满足三维模型简化中保留细节特征的需要.