基于无监督学习的ToF点云目标提取方法

飞行时间(Time of Flight,ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会受到背景界面多次反射产生的多路径干扰,因此在复杂环境中目标物体深度测量数据会受到侧面和背景界面的多次反射的回波信号影响,降低边缘处深度测量的精度水平,因此需要对原始点云数据进行目标提取和多路径去除的预处理。本文针对该问题提出一种多界面场景中基于点云矢量的目标提取方法,能够实现复杂多目标的快速提取和多路径强干扰的去除。首先基于kmeans提出一种FVPkmeans算法,完成目标点云数据的全局全矢量提取处理。再基于K NN提出一种迭代滤波算法,实现局部多路径干扰数据的滤除。通过与其它方法的比较研究,该方法能够有效去除TOF点云目标数据的多路径干扰,目标提取性能提高了40,实验表明本文提出的全局点云数据全矢量目标提取和多路径干扰去除算法能够实现对目标点云数据的无监督学习智能提取与滤波要求。     

ToF点云强度与位置相关联的目标提取算法

目前光子飞行时间技术在三维成像中应用广泛,但三维点云目标提取相关研究匮乏,因此提出了一种利用点云位置信息和强度信息相关联的三维点云复杂目标提取方法。该方法首先使用边缘提取及形态学处理对点云强度信息中的目标位置定位,使目标在强度图中被标识。然后将强度信息与点云位置信息相关联,在三维点云中提取出目标所在区域。最后建立K邻近邻域,通过改进邻域大小选取方式,使用高斯均值代替固定的人工选择的邻域。实验结果表明,该方法能有效的滤除离群点并完整的保留真是目标物体点云数据的位置信息和强度信息,同时具有较高的运算速度。     

TOF点云强度特征匹配迭代最近点配准算法

针对时间飞行(TOF)获取的三维点云数据噪声点多、有效目标在点云中所占比例较小的问题,提出一种适用于TOF点云数据的基于强度特征匹配的迭代最近点配准算法。首先使用强度特征进行有效区域提取,然后对有效区域进行配准,最后使用有效区域的变化矩阵对整个点云数据进行配准。实验结果表明,该方法能在不影响配准速度的情况下,有效提高真实点云配准的精确度。     

一种基于飞行时间相机的点云目标提取方法

基于飞行时间(Time of Flight,TOF)原理的深度相机成像方法不同于二维图像来计算三维信息,而是通过光在空气中的飞行时间,来计算出目标的距离,从而直接获取场景目标的三维点云信息。本文通过研究基于飞行时间红外相机的三维重建技术,设计了一种基于飞行时间红外相机的点云目标提取方法。利用飞行时间相机直接获得场景的三维点云数据,提出一种双阈值空间滤波算法,对点云数据进行空间滤波,并对滤波效果进行了对比评价。在双阈值空间滤波算法的基础上提出了一种改进的基于法向量的随机抽样一致性(RANSAC)算法,实现了对三维点云数据的目标提取,为基于飞行时间相机的场景目标三维重建奠定了基础。     

基于SIFT特征的多视点云数据配准和拼接算法

针对无特征标志点的大场景多视点云数据,提出了一种新的基于SIFT特征的配准和拼接算法。算法提出了有效纹理图像的概念,并对有效纹理图像进行SIFT特征提取和匹配;然后将提取的SIFT特征点和匹配关系反射到三维点云数据,获取多视点云数据的特征点和匹配关系,完成多视点云数据的拼接。算法在有效纹理图像中提取和匹配特征点,排除了点云数据中孔洞和无效数据的干扰,并且算法只利用较高鲁棒性的特征点对进行拼接,计算简单,匹配精度和效率都得到提高。对室内和室外两个大场景的2个视点数据进行实验,实验结果证明拼接速度和精度都有较大的提高。     

基于面阵三维成像激光雷达的目标点云分割技术

针对偏振三维成像系统的高效目标三维点云分割问题,提出一种多维信息融合的高效分割理念。系统采用高分辨率EMCCD相机作为面阵探测器,在一次成像过程中,可同时获得视场中的灰度图像以及三维点云数据。根据该成像特点,建立灰度图的像素坐标与点云数据像素坐标之间的点对点映射关系,结合粒子群优化算法的边缘分割方法,将灰度图中目标分割后的坐标信息映射到三维点云数据中,得到其三维点云数据。该方法将三维点云数据降维处理为二维图像处理,显著降低了计算复杂度,避免了点云数据误差对分割精度造成的影响。实验验证了多维数据融合目标三维点云分割方法的有效性。     

基于交叉注意力的三维点云配准研究

由于传感器的噪声以及遮挡等情况造成部分点云缺失,使得三维点云配准算法的精度面临挑战。本文提取全局与局部特征,通过多尺度特征缓解了噪声及不完整点云对于算法精度的影响。同时,使用交叉注意力对两帧点云进行上下文特征匹配以得到变换特征,加强了点云间的特征交互。在ModelNet40数据集上的实验表明,相比于RPM-Net,在对数据加入噪声且缺失部分点云的情况下,本文所述方法的各向异性旋转误差降低31%,平均平移误差降低33%,可以实现高精度和鲁棒性的点云配准。     

一种利用结构光照明的高精度三维测量系统

为实现微小物体的全方位高精度三维测量,构建了一种利用结构光照明的高精度三维测量系统。对系统采用的双远心镜头、相位解算方法、多投影点云融合算法等进行研究。首先利用双远心测量头采集图像数据,然后采用多频相移与互补格雷码相移两种方法进行相位解算,并分析比较两种方法在重建精度和重建效率方面的性能,最后针对特定点云噪声提出相位滤波方法、优化的统计滤波方法以及多投影点云融合匹配校正方法。实验结果表明,系统应针对不同使用场景选用不同的相位解算方法;相较于单投影双目系统,基于多投影的本系统能获取目标全貌,且平面及高度测量精度均在10 μm以下;在GPU加速后,测量速度提升218倍。该系统基本满足高精度工业测量的精度高、效率高等要求。     

TOF激光相机六自由度位姿变换估计

相对位姿估计是机器人视觉领域的研究热点。通过两帧数据来估计相机的六自由度位姿变换。充分挖掘TOF相机优势, 提出了多个有效算法, 用以保证估计精度。采用迭代最近点(ICP)算法估计位姿变换, 为了克服ICP算法迭代发散问题, 利用尺度不变特征点对估计初始值。为了提取有效特征点, 根据统计学原理尺度化灰度图像, 提高图像对比度。为了提高相机的测量精度, 根据曝光时间越长, 测量精度越高的原理, 提出了融合多帧数据算法, 使得融合后的数据帧中每个像素值均是在最长合理曝光时间下采集得到。同时提出了度量两个六自由度位姿变换差异的算法, 并首次利用其跟踪ICP迭代过程。实验证明提出的算法可以有效估计相机六自由度位姿变换。     

多场景下结构光三维测量激光中心线提取方法

结构光三维测量技术是获得物体三维信息的重要途径,激光条纹中心线提取是影响结构光三维测量精度和速度的关键因素。提出了一种适用于多场景下结构光三维测量的激光条纹中心线提取方法,充分利用图像中激光条纹的几何信息和相关性生成自适应卷积模板,实现激光条纹图像的滤波和增强处理,使激光条纹横截面灰度值满足高斯分布;经灰度加权法实现激光条纹中心线的亚像素精度定位与提取。实验测试结果表明:该方法可实现多场景下形状、材质各异物体的条纹中心线提取,有效克服了激光条纹亮度分布不均、噪声干扰等影响,单幅图像处理时间缩短为0.107 s且相对误差减少到0.076 5%,有效提高了激光条纹中心线的提取精度和速度。     

基于视点特征直方图的激光点云模型的位姿估计

提出一种基于视点特征直方图的点云模型位姿估计 算法。首先在目标物体周围采 集三维点云,拼接后获得物体的完整点云模型;然后对点云模型计算其视点特征直方图, 构建特征数据 库;对待估计点云同样计算其特征直方图,使用KNN算法在数据库中搜索与之最接近的位 姿作为初始位 姿估计值;最后使用迭代最近点(ICP)算法将待估计点云精确配准到模型点云,从而获得坐 标系之间的相 对位姿。实验表明,这种方法对于物体位姿识别有很强的稳健性,能很好实现目标物体的 三维位姿计算。     

基于改进欧式聚类算法的双目主动视觉点云目标检测研究

双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。     

基于路侧激光雷达的多目标检测与跟踪算法

为了检测与跟踪城市交叉口复杂环境下的道路目标,提出一种基于路侧激光雷达的多目标检测与跟踪算法。首先利用背景减除法滤除背景点云,随后融合5帧点云并利用曲率体素聚类算法检测目标得到3 D包围盒信息,之后通过自适应阈值的双门控和生存周期管理策略,有效提升关联精度并减少了目标丢失和误检,最后利用交互式多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据互联(JPDA)的融合算法完成道路目标的跟踪。试验结果表明,该算法在保证检测和跟踪性能基础上满足实时性要求,具有工程实用价值。     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。     

基于多信息深度学习的3D点云语义分割

点云语义分割是三维点云数据处理的基础步骤,是三维场景理解分析、重建和目标识别的关键环节。针对目前对三维点云进行语义分割使用的点云信息少和精度不高的问题,本文在利用点云三维坐标信息的基础上,增加了点云RGB信息和所属房间的归一化坐标信息,从而丰富了神经网络输入端的信息量,进一步提高了模型的分割精度,最后利用PointNet++对改进后的三维点云语义分割效果进行检验,实验表明:在丰富了网络输入端的数据信息后,模型的总体准确度提高了6.65 %。     

基于立体视觉与特征匹配的点云目标识别算法

准确提取三维点云数据中待测目标的点云集合是三维点云目标识别技术的一个关键问题,也是近年来目标识别领域从二维向三维拓展的一个重要挑战,其主要难点在于快速寻找离散点云之间的相关函数关系。结合立体视觉与特征匹配构建了可以表征不同视场条件下的目标点云约束的机制,通过采用立体视觉作为约束条件完成了对原有特征匹配算法的优化。设计了基于立体视觉的估计算法,通过训练学习获得了不同选取比例条件下的识别规则。实验采用ARIES激光雷达采集点云,并通过MATLAB选取三种典型目标状态。当目标区分度高时,优化前后的目标识别率都在98%以上;当目标区分度低时,优化后对目标边界的限定条件可以很好地提高识别概率。采用优化的点云数据位置偏差量可达到0.55 mm,相比未优化的0.74 mm提高了0.19 mm。同时,优化后算法的收敛时间曲线要优于未优化的,3000点以上的收敛时间均值约为8.33 s,优于未优化的12.76 s。综上所述,优化后的算法具有更好的识别效率。     

基于红外特征的三维目标识别算法研究

基于三维特征的目标识别存在相似点云域容易误判、总数据运算量大等问题,而造成目标检出率低和误判率高。为了提高目标识别准确度与速度,提出了基于红外特征的三维目标识别算法。系统同时获取目标区域的二维红外图像与三维点云数据,利用目标红外特性的显著特征获得目标的投影范围,并计算系统与目标的位姿关系。根据红外特征映射关系计算点云数据中目标的限定范围,由此大幅缩减需要匹配计算的点云总量。在相同背景条件下对同一目标车辆进行测试,记录分析了3种不同测试角度条件下的识别数据。结果显示,传统点云识别算法的目标检出率均值为93.4%,误判率均值为19.5%,收敛耗时4.77 s。本算法的目标检出率均值为98.7%,误判率均值为1.5%,收敛耗时1.23 s。由此可见,基于红外特征的目标识别算法的检出率和误判率都更有优势,且处理速度更快。     

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。     

A 3D measurement method based on multi-view fringe projection by using a turntable

In order to get the entire data in the optical measurement, a multi-view three-dimensional (3D) measurement method based on turntable is proposed. In the method, a turntable is used to rotate the object and obtain multi-view point cloud data, and then multi-view point cloud data are registered and integrated into a 3D model. The measurement results are compared with that of the sticking marked point method. Experimental results show that the measurement process of the proposed method is simpler, and the scanning speed and accuracy are improved.     

一种动态特征匹配的部分重叠点云配准方法

点云配准方法能够有效地完成对不同重叠率、不同规模点云间的配准,可确保三维重建模型的精度。针对该问题,提出一种动态特征匹配的部分重叠点云配准方法,首先基于欧氏距离分割法将点云分割为子点云;然后提取子点云特征,考虑到不同点云的规模不同,提取的特征规模也是不同的,提出利用动态时间规整算法(DTW)完成子点云间的映射;最后利用迭代配准算法求取拼接点云间的平移、旋转矩阵,利用该矩阵完成点云间的配准和拼接。实验结果表明,提出的方法能够有效地解决部分重叠点云和不同规模点云的配准问题。