基于双尺度算法的激光雷达点云去噪北大核心CSCD

为了提高激光雷达点云去噪效果,提出双尺度算法。首先通过张量投票矩阵将激光雷达点云进行初步去噪;接着动态半径滤波对大尺度噪声去噪,有效提升滤波精度和算法效率;然后改进双边滤波算法对小尺度点云噪声去噪,权值系数对点云平滑处理,同时能获得点云细节特征;最后给出了算法流程。实验显示本文算法能够去除不同尺度的噪声,去噪后的点云模型能够保留细节处的几何特征,评价指标较优。     

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。     

基于点云数据分类的机载雷达地形坡度勘测

为提高变电站的三维设计效果,需勘测变电站地形坡度.提出基于点云数据分类的机载雷达地形坡度勘测方法.采用机载雷达回波扫描技术采集地形坡度勘测数据.结合像素点跟踪识别法,重构地形坡度勘测过程中三维图像.采用三维光学检测技术采样机载雷达地形坡度勘测点云数据,结合中值滤波法和平均值滤波方法,增强地形坡度点云信息分类结果,获取地...     

基于语义信息补偿全局特征的物体点云分类分割

3D点云数据处理在物体分割、医学图像分割和虚拟现实等领域起到了重要作用。然而现有3D点云学习网络全局特征提取范围小,难以描述局部高级语义信息,进而导致点云特征表述不完整。针对这些问题,提出一种基于语义信息补偿全局特征的物体点云分类分割网络。首先,将输入的点云数据对齐到规范空间,进行数据的输入转换预处理。然后,利用扩张边缘卷积模块提取转换后数据的每一层特征,并叠加生成全局特征。而在局部特征提取时,利用提取到的低级语义信息来描述高级语义信息和有效几何特征,用于补偿全局特征中遗漏的点云特征。最后,融合全局特征和局部高级语义信息得到点云的整体特征。实验结果表明,文中方法在分类和分割性能上优于目前经典和新颖的算法。     

IPC-Net: Incomplete point cloud classification network based on data augmentation and similarity measurement

Existing point cloud classification researches are usually conducted on datasets with complete structure and clear semantics. However, in real point cloud scenes, the occlusion and truncation may destroy the completeness of objects affecting the classification performance. To solve this problem, we propose an incomplete point cloud classification network (IPC-Net) with data augmentation and similarity measurement. The proposed network learns the feature representation of incomplete point clouds and the semantic differences compared to the complete ones for classification. Specifically, IPC-Net adopts a random erasing-based data augmentation to deal with incomplete point clouds. IPC-Net also introduces an auxiliary loss function weighted by attention scores to measure the similarity between the incomplete and the complete point clouds. Extensive experiments verify that IPC-Net has the ability to classify incomplete point clouds and significantly improves the robustness of point cloud classification under different completeness.     

面向局部学习的点云分割分类网络

在各种3D对象表示中,三维点云越来越受欢迎,其中基于点的方法在各种数据集上都表现出了良好的性能。针对PointNet++只关注了点本身的信息,并未关注相邻点的信息,同时它采用最大池化聚合局部信息,导致丢失次最大值信息。由此,文中提出Con PointNet++网络,该网络利用增强局部信息模块,以关注相邻点的信息,从而增强局部信息特征提取；采用局部注意力机制下的融合池化模块,将最大池化与注意力池化特征信息融合,得到更为丰富的局部特征信息。本文方法在室内数据集 S3DIS的Area_5区域上评估模型语义分割能力,mIoU达552;在数据集ModelNet40上评估模型分类效果,OA达912。与其他方法相比,所提模型性能均有提升,进一步证明了本文方法的有效性。     

基于相位相关滤波与点云特征的激光点云配准方法

文中针对激光点云配准效率低和处理时间长的问题,提出一种基于相位相关滤波结合特征的扫描配准方法。扫描配准算法被解耦为旋转匹配与平移匹配两个步骤。在旋转匹配中,霍夫描述符提取的线段特征结合相位相关滤波得到具体的旋转量。平移匹配主要基于点云的边界特征,使用相位相关滤波处理提取到的特征,得到准确的x和y方向的平移量。与传统的迭代最近点(ICP)相比,提出的配准策略在处理静态数据时错误率降低了89.2%,处理时间降低了91.6%。同时,动态数据实验表明提出的方法具有较低的中位数和更好地一致性。     

基于云计算的图像分类算法

针对单一单板机的图像分类效率低的缺陷,提出一种基于云计算的图像分类算法。首先通过特征提取算法提取图像的多种特征,然后采用Map/Reduce模型对图像进行匹配和分类,根据匹配结果得到图像的最优分类结果,最后采用Matlab软件实现图像分类的仿真实验。结果表明,相比于其他图像分类算法,该算法减少了图像的分类时间,提高了图像的分类速度,尤其对大规模图像分类优势更加明显。     

基于云计算的图像分类算法

针对单节点的图像分类算法效率低,实时性差的难题,提出基于云计算的图像分类算法。首先提取图像数据库中的图像分类特征;然后将待分类图像通过云计算模式与图像库中的特征进行匹配,并根据匹配结果将其划分到相应的类别中;最后采用UPenn和Caltech-101数据库测试算法的可行性。结果表明,该算法降低了图像分类的时间复杂度,取得了不错的图像分类结果,且分类效率要明显优于对比算法,具有良好的实际应用价值。     

基于激光点云的电力线悬挂点定位方法

为了解决目前电力线悬挂点定位方法鲁棒性低、定位不精确的问题，采用基于激光点云的结合局部3维重建与迭代搜索的方法对电力线悬挂点定位进行了研究。首先，对电力线点云空间特征进行分析进而推导电力线空间约束条件，以此作为生长准则进行基于空间约束的区域生长，实现跨越多档的单根电力线分割; 然后，对杆塔点云聚类提取杆塔中心点，以杆塔中心点连线的角平分线为基准划定每档电力线的空间分割平面; 之后，对各分割平面附近电力线点云进行空间多项式局部3维重建; 最后，结合分割平面迭代搜索计算重建电力线的交点，实现电力线悬挂点空间位置定位。结果表明，对于3种电压等级线路点云及2种数据质量点云，电力线悬挂点定位平均偏差均在0.09m以内，最小偏差为0.03m。该方法鲁棒性高，可以精确地实现各电压等级及各质量点云数据中的电力线悬挂点定位，为后续基于悬挂点的电力线模拟工况安全分析提供了基础。     

基于空间感知和特征增强的三维点云分类与分割研究

针对直接处理点云数据的深度神经网络PointNet++无法充分学习点云形状信息的问题,提出一种融合空间感知模块和特征增强模块(spatial awareness and feature enhancement,SAFE) 的三维点云分类与分割方法(SAFE-PointNet++) 。首先,设计了空间感知(spatial awareness,SA) 模块,使特征提取网络在特征升维时融合了包含空间结构的权重信息,增强了特征在空间上的表现力。其次,设计了特征增强(feature enhancement,FE) 模块,通过把增强后的几何信息和附加信息拆分并分别进行编码,达到充分利用点云附加信息的目的。实验结果表明,在ModelNet40和S3DIS数据集上,SAFE-PointNet++与其他10种经典网络相比具有更高的分类和分割精度。     

基于点云配准的工业测量技术研究

对待测产品的测量点云和标准设计点云进行配准,得出产品制造偏差量,进行精度测量评定。先采用主元分析(PCA)法作预匹配,再用随机抽样（RANSAC）算法取重合度高的匹配点对,最后利用最近点迭代（ICP）算法得到高精度的点云配准。其中,采用RANSAC算法得到高重合度的匹配点对,便于得出最优空间坐标转换参数,使得配准精度更高;对抽样次数的估计可以推出点云配准迭代次数,进而有效减少运算时间。实验结果显示算法是有效的。     

网络化激光雷达的多源数据融合点云分类算法研究

针对当前多源数据融合点云分类算法的激光雷达点云数据分类精度较低,分类时间较长的问题,提出网络化激光雷达的多源数据融合点云分类算法.利用加权航迹关联法,计算各激光雷达目标航迹号,并打散已关联航迹,通过泰勒级数将非线性问题转化成近似线性问题,求解线性状态,融合多源数据.使用主成分分析法,求解点云法线与曲率,分割段协方差矩阵...     

基于transformer自适应特征向量融合的图像分类

针对目前基于transformer的图像分类模型直接应用在小数据集上性能较差的问题,本文提出了transformer自适应特征向量融合网络,该网络在特征提取器中将不同阶段的特征进行融合,减少特征信息丢失的同时获得更多不同感受野下的信息,同时利用最大池化来去除特征中的冗余信息,从而使提取的特征更具有判别性。此外,为了充分利用图像的各级特征信息来进行分类预测,本文将网络各阶段产生的特征向量进行融合,使融合后的特征向量更具有表征能力,从而减少网络对大数据集的依赖,使网络在小数据集中也能获得很好的性能。实验表明,本文提出的 算法在数据集Mini-ImageNet-100、CIFAR-100和ImageNet-1k上的TOP-1准确率分别达到了74.22%、85.86%和81.4%。在没有增加计算量的情况下,在baseline上分别提高了6.0%、3.0%和0.1%,且参数量减少了18.3%。本文代码开源在“https://github.com/xhutongxue/afvf”。     

基于注意力机制的三维点云目标识别

针对现有基于深度学习方法的三维点云目标识别算法存在多层感知法缺少点间的特征交互、对点云间欧式距离的依赖、未考虑特征通道层面关联性问题,提出一种基于注意力机制的三维点云(PAttenCls)目标识别算法。采用基于点的空间注意力机制,挖掘各点之间的注意力值,实现自适应的云邻域选择;同时采用基于点的通道注意力机制,给特征通道自适应分配权重,实现特征增强。此外,在网络中添加了一个几何均匀化模块,以应对不同局部区域几何结构的不同特征模式。所提算法在ModelNet40数据集上的识别准确率为93.2%,在ScanObjectNN数据集最难子集上的识别准确率为80.9%,并在实测数据上验证了算法的有效性。实验证明了本文所提算法可以更好地提取点云的特征信息,使点云识别结果更加精准。     

基于有向包围盒的尺度点云配准算法

为了提高激光点云的配准精度和效率,解决两片点云之间存在尺度变换的配准问题,提出了一种基于有向包围盒的尺度点云配准算法.首先,分别生成两片点云的空间有向包围盒,利用两个包围盒对应边的比值计算尺度因子.然后,将目标点云包围盒进行尺度放缩,再利用包围盒对应顶点的关系计算旋转矩阵.同时,引入点云的单位向量和,以单位向量和之间余...     

基于局部熵的点云精简算法

针对目前流行的三维物体激光扫描仪获取的点云数据量大,冗余度高等问题,提出一种基于信息熵的点云精简算法。首先,定义数据点的曲率、点到邻域点重心的距离、点到邻域点的平均距离的倒数,三者乘积为权值积;然后,使用K-means聚类算法划分点云数据,根据类内估计曲率差值区分特征区域与非特征区域;最后,针对特征区域,利用提出的精简方法精简点云。实验结果表明,该方法计算相对简单,能够有效避免孔洞现象,同时,更好地保留了点云数据的原始物理特征。     

基于几何代数的SVS-NLMS点云配准算法

针对欧氏空间点云配准方法匹配精度低、计算成本大、收敛速度慢等问题,利用几何代数对于高维空间的表达能力,提出一种基于几何代数的点云配准算法。首先,将点云数据转化为几何代数形式,基于几何代数的rotor转子,给出了几何代数空间点云配准的代价函数。其次,结合归一化最小均方算法,将求解rotor转子模拟为信号滤波问题,在几何代数空间基于最速下降法构建rotor转子迭代公式,使每次迭代计算仅使用一对匹配点对而不是全部点对。迭代计算得到的转子可用于任意维度的旋转估计问题,从而将三维点云逐步旋转配准。最后,为进一步解决收敛速度与稳态误差之间的冲突,利用Sigmoid函数给出了一种变步长的rotor转子迭代公式,在加快收敛速度的同时降低稳态误差。采用模型数据集与公共数据集验证所提算法的配准性能,与经典迭代最近点算法相比,模型数据集的配准精度由10?2提升至10?8数量级,公共数据集的配准精度提升35%,所提算法收敛速度更快,配准精度更高,且具有较低的稳态误差。     

基于双边对称约束的复杂点云分割

针对室内三维物体识别研究中复杂点云分割不完 全或过分割的问题,基于生活中物体具有一定结构 对称性假设,提出了一种利用物体对称性约束的复杂点云分割算法。通过提取和匹配待分割 点云中的曲面 法线边界曲线,检测场景中的3D双边对称,建立对称假设集合,基于对称点属性判断完成室 内生活环境复 杂点云分割。借助Maryland大学生活场景复杂点云数据库,对算法进行了实验验证。结果表 明:相比于区 域生长算法和LCCP算法,基于双边对称约束的复杂点云分割算法的平均分数评价参数WOv,t p,fp,fn最优,分割效果好,分割完全。