基于改进DPC和特征分区的点云去噪算法

针对三维激光扫描仪获取到的点云数据存在的多尺度混合噪声将严重影响后续的三维模型重建的问题,提出了一种基于改进的密度峰值聚类算法(DPC)和特征分区的点云去噪算法。首先通过改进的DPC算法去除远离点云主体的大尺度噪声;然后利用主成元分析法(PCA)和曲面变分获取点云法矢及曲率信息,同时采用邻域传播法调整法矢方向并根据曲率对点云进行划分,对特征区域点云与平坦区域点云分别采取自适应双边滤波和正交整体最小二乘平面拟合的方法进行光顺去噪。实验结果表明：在包含混合噪声的bunny与block模型下,利用该算法去噪后点云数据最大误差分别为0.235 mm和0.157 mm,平均误差分别为0.029 mm和0.009 mm,均能取得较好的去噪效果,且降低了去噪参数设置的复杂性。     

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。     

基于激光扫描点云的3D地形模拟实验设计

当前3D地形模拟方法未考虑点云数据去噪问题,导致模拟时间较长,准确性较低.为此提出一种基于激光扫描点云的3D地形模拟方法.将噪声点进行分类,去除离群点,通过最小二乘拟合出K邻域内点的最佳逼近平面,判定邻域各点到平面的距离以及设定阈值的大小,以此为依据去除数据中存在的噪声.提取3D地形的轮廓点作为简化点云需要保留的特征点...     

一种三维场景的消失点检测算法

消失点可以提供大量的场景三维结构和方向信息,是重要的特征点。本文提出了一种不需附加场景先验信息和空间变换,直接利用直线信息在图像平面上估计消失点的算法,算法利用Helmholtz原理估计消失点在二维平面上的方向,在各检测到的方向中通过最小二乘求解消失点的准确位置。本算法不需要其它先验信息,提高了消失点检测效率和准确性,尤其适用于人工目标的三维特征提取。     

基于Kinect传感器的三维点云配准优化

针对目前三维点云配准中传统ICP(Iterative Closest Point)算法存在的速度慢、精度低的问题。采用微软Kinect2.0深度传感器从真实的场景中获取目标物体的点云数据,通过点云分割、滤波、下采样等预处理工作,确保点云配准质量。在点云的粗配准中,使用特征点采样一致性算法,使点云获得更好的初始位置,为精配准创造了良好的初始条件。在点云的精配准中,提出一种利用线性最小二乘法优化的点到面ICP算法。实验结果表明,改进后算法的均方根误差为0.788 mm,时间为56.31 ms。与基于尺度不变特征变换的ICP算法和特征点采样一致性改进ICP算法相比,改进后的算法配准精度分别提高了30.9%和33.6%,速度提高了18.9%和32.1%。     

基于点云实例分割的鲁棒多目标位姿估计

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题，提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先，基于密度聚类对场景点云进行分割得到点云簇，并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取；然后利用随机森林算法对聚合后的点云簇的局部特征进行分类，完成点云实例分割；之后对于场景中每一个分割后的实例，采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配，得到实例分割后的点在对应类别模型上的匹配点，利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿；最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明，相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计，所提算法能够有效提升局部特征匹配阶段的内点概率，从而提升复杂场景下位姿估计的鲁棒性和准确率，尤其适用于场景中具有多个实例的位姿估计应用。     

结合改进DBSCAN和统计滤波的单光子去噪算法

为了解决光子计数激光雷达探测数据中噪声点云过多的问题,采用结合基于密度的噪声空间聚类应用算法(DBSCAN)和统计滤波算法的单光子点云去噪方法,以美国国家航空航天局提供的多波束试验激光雷达实际飞行数据为实验数据,通过k维树求取点云密度进行粗去噪,然后运用改进DBSCAN算法和统计滤波算法进行精去噪,进行了理论分析和实验...     

改进贪婪投影三角化算法的激光点云快速三维重建

通过三维激光扫描仪获取的点云数据具有密度大、精度高等特点。本文针对贪婪投影三角化算法在对采集的大量点云数据进行三维重建时耗时长,重构的模型表面不够光滑,存在细小孔洞的问题,提出一种改进的点云三维重建算法。该方法首先用体像素网格滤波算法对点云进行下采样;然后使用移动最小二乘算法对输入的点云进行平滑及重采样,并且使用八叉树来代替KD树进行近邻域搜索;最后使用基于移动最小二乘算法的点云法线估计的贪婪投影三角化算法对点云进行重建。经过实验验证,该方法可以缩短重建时间,减少孔洞,并构建出平滑、点云拓扑结构更为准确的模型。     

多视点云拼接中的ICP算法优化

为了提高多视点云拼接算法的稳定性及其拼接的精度和效率,对现有的ICP算法进行了优化,提出了基于最小二乘法的混合定位点云预拼接方法,对两块点云进行了粗略拼接,获取了两块点云中可匹配部分的对应点集,并给出了具体的算法,进而提出了基于总体最小二乘法的点云精确拼接算法,对两块点云进行了精确拼接,实现了现有ICP算法的优化,保证了拼接的全局收敛性和算法的稳定性,减少了算法的迭代次数,提高了点云拼接的精度和效率.     

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z值的分布式密度峰值聚类算法

密度峰值聚类算法由于在发现任意形状簇且不需指定聚类个数等方面具有一定的优势而被广泛关注.但是该算法需要计算数据集中所有点的密度和点对之间的距离,因此不适合处理大规模高维数据集.为此,本文提出了一种基于z值的分布式密度峰值聚类算法,DP-z.本方法利用空间z填充曲线将高维数据集映射到一维空间上,根据数据点的z值信息对数据集分组.为了能够得到正确的结果,需要对分组间数据进行交互,然后并行计算每个点密度和斥群值.DP-z算法在分组间数据交互时采用过滤策略,减少大量无效距离计算和数据传输开销,有效提高算法的执行效率.最后,本文在云计算平台上对DP-z算法进行了验证,实验表明在保证DP-z算法与原始密度峰值聚类算法聚类结果相同的情况下有效的提高了算法执行效率.     

双维度交叉特征点协同匹配的点云拼接算法

为提高结构光三维重构系统的点云匹配速度及精度,提出二维视图及三维点云交叉特征点协同匹配的方法.首先,通过投影变换及维度映射关系实现待拼接投影图像的归一化,经预处理后提取端点及分叉点作为关键点,对同类点进行三角划分及相似匹配得到初始点集,并将其映射至三维空间.其次,利用kd-tree搜索得到双邻域质心,根据三点构成的三角...     

基于标签定位的手持光刀测量点云拼接研究

基于手持光刀法三维测量具有精度高、速度快的优势,针对此法需多次测量获得完整物基金项目:国家自然科学基金项目(No.51405510)资助。体点云数据,提出基于3标签点云拼接算法,分析了3特征点转换算法的数学原理,采用棋盘格标签精确获取了相邻测量的共同特征点,推导了转换矩阵计算方法,提出了拼接精度的检验方法,最后基于标准球和标准平面,检验了算法的应用测量精度。     

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。     

基于条纹式激光传感器与机器人的扫描成像系统

提出了一种以条纹式激光传感器和工业机器人为平台对工件进行扫描检测并对其轮廓进行成像的系统方案。条纹式激光传感器移动式扫描工件获取工件轮廓的三维点云数据,然后结合特定的算法对点云数据进行去噪、插值、插补处理,使得点云数据能更加真实地反映工件的客观形貌,最终根据点云数据的信息生成工件轮廓的二值化图像。在实验中成像精度能达到0.1 mm 级,从而在某些特殊的工业场合替代传统的CCD 相机实现对工件的成像及检测定位,解决了传统CCD 的抗干扰能力不足的问题。     

基于3DSIFT和BSHOT特征的点云配准方法

针对点云配准过程中易产生错误匹配点、配准时间长、配准精度低等问题.提出了基于三维尺度不变特征变换(3 DSIFT)关键点检测方法,结合二进制方向直方图描述子(BSHOT)构建点云匹配对的配准方法.该方法首先利用差分高斯模型在三维尺度空间上检测SIFT关键点,其次在关键点的邻域构建局部坐标系来计算SHOT描述子,并将SH...     

基于高维空间几何信息学的遥感图像去薄云算法

遥感图像中薄云的存在为遥感图像的判读带来了极大的影响,本文针对遥感图像中的薄云雾提出了一种基于高维空间几何信息学(High-Dimensional Space Geometrical Informatics)(HDSGI)的去云的新算法.基于HDSGI理论,将一副带有薄云的遥感图像作为高维空间中的一点,通过各向同性滤波...     

基于二维Gamma分布的激光点云去噪

利用地面激光扫描仪测量时,由于空气中尘埃等因素会产生噪声点,对后期三维建模等应用带来不利影响。在现有研究成果基础上,深入分析散乱点云的近邻域特性,采用基于二维Gamma分布实现点云去噪,并在kd-tree索引支持下对其进行优化,通过邻域均值和邻域距离变化斜率两个约束条件共同移除噪声点。实验结果表明,本文算法能自动识别噪声点,降低人工设置阈值的影响,并与传统的基于正态分布的邻域点去噪算法进行对比,实验效果较优,达到了预期效果。     

SLAM激光扫描的建筑物建模方法与应用Building modeling method and application of SLAM laser scanning

基于SLAM激光扫描系统对目标建筑物进行点云数据采集,通过点云去噪、重采样等预处理得到了建筑物目标点云,利用特征提取算法提取建筑物轮廓线,分别采用点云数据直接建模法和基于轮廓线建模方法对目标建筑物进行了建模对比,利用传统全站仪获取的10个特征尺寸进行了精度验证。试验结果表明,直接建模法的建筑物模型精度为0.058 m,基于轮廓线建立的模型的精度为0.032 m,基于建筑物线特征约束的建模精度明显高于点云数据直接建模精度,为SLAM激光扫描系统在建筑物三维模型建立中的应用提供了方法和参考。     

基于激光点云的农田玉米种植株数数目识别

为了对玉米种植株数进行无损的自动化识别,利用FARO focus s70地面激光扫描仪、采用四站式扫描方法,采集不同视角下的玉米田块点云数据。设计了一种基于标靶球自动提取的配准算法,对各站获取的点云数据进行精确配准,取得了完整的玉米田块点云数据,并以标靶球拟合误差和标准偏差分析配准精度。对于配准好的3维点云数据,利用采样一致性算法基于圆柱体特征从完整的玉米田块点云中精确分离出茎秆点云,统计玉米种植株数。结果表明,标靶球拟合标准偏差在0.1mm～0.7mm之间,满足仪器测量精度要求;拟合误差总体在2mm～5mm之间,能满足大场景测量配准误差5mm的要求;对玉米种植株数的识别率达到86.1%～92.1%。这一结果对于农田环境下玉米种植株数识别的实际应用方面是有帮助的,为作物的估产提供了数据基础,为智慧农业研究提供了理论方法。