基于PointNet++的煤场点云分割与识别方法

为了实现煤场环境下的实时监控与安全监测,对煤场环境应用了一种基于PointNet++的目标分割与识别的方法。利用二维激光扫描仪做直线运动的装置采集三维点云数据,通过设置目标安全距离,采用基于欧氏距离的点云分割算法对原始点云进行分割,调用训练好的PointNet++网络对分割后的目标点云进行识别,对识别结果进行判断,并分析目标物体的工作状态是否安全。实验结果表明：煤场环境典型物体点云的分割精确率与召回率均大于90%,目标识别准确率达到98%,验证了基于PointNet++点云分割与识别方法的可行性。     

基于深度学习的零件点云分割算法研究

针对目前基于PointNet++的深度学习点云分割框架,对零件点云进行几何面级的分割精度不高的问题,对现有分割框架的采样算法、特征提取、特征传递进行了研究。运用了基于曲率的最远点采样算法,在零件面与面交界处获得了更多的采样点;结合了PointSIFT和PointCNN分割框架,采用了X变换矩阵,让点云特征具有空间转换不变性,SIFT组合选择了不同方向的近邻点进行组合;设计了SIFT-X卷积算子,能让网络编码不同方向的点云特征,提升了网络的表征能力从而提高分割精度。研究结果表明:上述方法能提高零件点云面要素分割的精度和mIoU值。     

基于Imageware的点云分割

Imageware是当前应用最为广泛的逆向造型系统之一,它是一个非参数化的交互式建模工具.在由数据点云构建物体表面模型中,对数据点云恰当的分割是逆向建模的一个很重要步骤.提出了针对于Imageware逆向建模系统的逆向特征分类思想,总结并提出了基于边、基于面和基于特征的方法,并通过实例证明了其可行性.     

基于孔洞分割的点云孔洞填充算法

逆向设计过程中,由于物体曲面形状复杂和扫描设备的原因,扫描得到的点云中难免有孔洞出现。为了产生封闭的实体曲面,需要对孔洞进行填充。国内外许多学者提出了许多关于孔洞填充的算法,不过这些算法主要针对曲率较小区域的孔洞。基于此,提出了一种新的改进算法,解决了高曲率区域的复杂孔洞填充问题。通过孔洞在投影面上的投影,判断是否存在交叉点,将孔洞分为简单的孔洞和复杂的孔洞。当遇到复杂孔洞时,采用分割的方法把复杂的孔洞分割成简单的孔洞,再对其进行修补。     

针对点云缺失情况下的导线分割算法研究

提出了一种导线模型(XY面投影重合、XY面投影不重合,简称"模型一"和"模型二")识别方法和基于该模型的导线分割算法,解决了点云缺失情况下导线分割困难、分割精度低的问题。经实验验证,模型一和模型二分割准确度为92.5%、90.9%。     

铁路场景三维点云分割与分类识别算法

铁路限界侵入检测对保障高速铁路安全具有重要意义,基于激光三维点云分割与分类识别的异物侵入检测具有准确、直观的优点,在诸如隧道口和站台的铁路重点区域监测中具有广泛应用前景。设计了一种带动二维激光雷达进行俯仰运动的装置用于铁路三维点云的采集,基于法线方向一致性原则提出采用区域生长分割算法解决欧氏聚类分割和随机采样一致性(RANSAC)分割造成的过分割和欠分割问题;针对分割后的单物体点云,提出利用视点特征直方图(VFH)进行不同目标的三维点云特征提取,基于不同物体VFH建立KD树,并利用最近点搜索方法完成单物体点云分类识别。铁路场景典型物体的分类实验结果表明,本算法对铁路场景典型物体的分类识别准确率大于90%。     

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。     

基于三维点云的堆叠箱式物体位姿检测算法研究

堆叠物体检测算法是机械臂在物流场景下实现货物自主分拣的关键感知技术,主要难点是如何在环境复杂、高度非结构化的工况中准确而高效的识别出待分拣物体,并得到其三维位姿。常用方法中,传统区域生长算法在高曲率部分表现欠佳,考虑特征较少,造成分割准确率较低,LCCP算法容易导致欠分割且时间效率较低。为了解决以上问题,提出了一种基于三维点云的堆叠箱式物体位姿检测算法。首先对数据采取降采样、离群点移除等预处理手段;然后建立点云K-D树并计算点云特征,基于改进区域生长的方法,结合邻域投票策略,进行平面提取;之后并行化实现平面再处理的过程;最后分析平面间的相邻性和凹凸性,进行物体提取并拟合三维包围盒,得到其三维位姿。实验结果表明该算法准确度较高、速度较快,具有一定的实际应用价值。     

基于云理论的生长区域图像分割方法

针对种子点的选取和不确定信息的处理问题。提出了一种基于云理论的区域生长图像分割方法。首先利用图像的全局信息获取种子点,具体是把云变换生成的正态云模型的交叉点作为生长区域的种子点,以极大判定法则作为区域生长过程中的生长准则,然后以逆向云算法实现分割区域由定量的像素集合到定性的云概念的转换过程。以云综合算法将相邻的区域进行合并,最终实现基于区域生长的不确定性图像分割。实验表明,该方法较其他方法能更好的的处理图像中的不确定性信息。且获得了较好的实验效果。     

基于高空激光雷达扫描系统的稀疏点云分割

针对高空激光雷达扫描系统的性能和复杂大尺度路面稀疏点云数据的分布特征,提出一种基于高空激光雷达扫描系统的稀疏点云分割方法.采用基于点云分块的区域生长算法,在坡路等复杂地面情况下点云数据出现曲面时可以快速准确地分割地面;采用基于密度的DBSCAN聚类算法,使得路面点云稀疏情况下也可以准确地将非路面点云聚类并标记.在港口轮...     

局部阈值自适应的地面点云分割

为了进一步提高自动驾驶感应模块中激光雷达点云地面分割算法的分割精度,提出一种基于种子点距离阈值和路面波动加权幅值自适应的地面点云分割算法。该算法在极坐标栅格地图划分的基础上,将种子点的选取判断阈值与二维平面的水平距离特征相关联,通过点云间的水平距离变化控制种子点集的更新;在道路模型拟合过程中,为解决斜坡路面模型更新停滞问题引入坡度连续性判断准则,根据路面波动加权幅值的变化建立点云的分割阈值方程,最终实现关于点云距离特征的自适应阈值分割。对开源数据集Semantic KITTI进行点云二分类数据处理,并在此基础上测试算法性能。实验结果表明：与现有算法相比,本文所述地面分割算法的精确率和召回率均提升了2%～4%,具有较高的准确性。     

基于支持向量机的点云切片分割技术的研究

支持向量机这种学习方法,最初用于处理模式识别问题,随后推广到解决回归估计问题,成功解决了高维问题和局部极值问题,是一个具有最优泛化能力的学习机器提出了一种基于支持向量机最优超平面的点云切片分割技术,该技术采用较新的人工智能技术支持向量机（SVM）的最优超平面原理,应用其统计特性,把切片中的点分割成模型本身的独立部分实验诬明,该方法具有速度快、分割准确的优点,分割效果较好.     

散乱噪声点云的数据分割

提出基于边界曲线微分几何特征的新方法分割散乱噪声点云.改进TAUBIN方法以精确恢复散乱噪声数据的主曲率和主方向.通过分析散乱点在主方向的曲率变化,达到识别G1、G2连续边界点的目的.获得的边界点形成边界带,将点云分割为多块子区域.最后采用区域增长的方法提取各子区域.试验结果表明所提出的方法能够克服噪声影响,有效提取散乱噪声点云的G1、G2边界.对复杂曲面模型,该方法也能够直接获得较好的G2连续边界.     

三维散乱点云的分割与几何形体重构

研究了由三维点云重构几何形体模型的方法与步骤。提出了点云分割的2种交互方法——基于特征识剐的分割和投影裁剪分割。给出了表面数据点群的边界搜索算法和表面求交算法，实现了一种从三维点云到几何形体的分割与重构方法。     

基于平面层结构勘察的点云快速分割

针对具有空间连通域特征的点云,提出了一种新颖的基于平面层结构勘察的快速分割方法。首先建立点云的平面层结构,并进行最优勘察,同时进行平面层连通性的判断,最终确定最优平面层,并实现迭代分割。算法应用于实际项目中采集的点云的分割,并分别对不同规模的点云的分割结果进行了讨论。结果表明,算法对具有空间连通域特征的点云能有效并较快地进行分割。     

基于图像和激光点云融合的智能采面煤岩识别

为了提高采煤工作面的智能化水平,提出了基于图像和激光点云融合的煤岩识别方法。首先,利用三维重建构建了蕴含煤岩颜色信息及截割纹理特征的图像点云;其次,提出了基于改进迭代最近点（iterative closest point,简称ICP）算法的煤岩点云配准方法,提高了点对间的搜索速度和配准精度;然后,设计了基于改进区域生长算法的煤岩识别方法,通过仿真分析验证了改进措施的有效性;最后,搭建了采煤机煤岩截割实验系统,并对相关改进算法进行了实验对比分析。结果表明,所提方法的点云数据分割效果最好,煤岩识别准确率达92.95%。在煤矿井下采煤工作面进行了现场测试,进一步证明了所提煤岩识别方法的可行性和实用性。     

基于空间分割的局部KD树动态构建算法

由于点云数据是大量的散乱的没有任何拓扑关系的数据,文中引入KD树,并对其做了相应改进,使得能动态的构建局部KD树。实验结果表明,所提出的基于空间分割的局部KD树动态构建算法既保证了准确性与搜索效率,又具有比较满意的空间复杂度。     

基于遗传算法的云设计资源调度算法

云设计资源调度是构建云设计资源平台的关键技术之一.提出以服务请求的总响应时间、总服务成本和服务质量为目标的多目标优化调度模型,该模型以服务请求的满足度和云设计资源的最大负载为约束,同时考虑云设计资源的服务状态.依照该模型提出一种基于遗传算法的云设计资源调度算法,最后给出了该算法的应用实例.     

移动机器人基于激光点云定位建图的汽车宽度与方位估计

在移动机器人抓取搬运作业中,识别待操作目标物体的宽度和方位是成功的关键。针对室外环境下停放的汽车搬运作业需求,提出一种识别待搬运汽车宽度和方位的方法。该方法基于三维激光传感器,先构建整个环境的三维点云地图,然后从地图中分离出目标汽车点云,最后将汽车点云向地面投影,根据投影的点云包围盒进行汽车的宽度和方位估计。采用室外实验验证了该方法的识别效果,其精度满足应用要求。