基于结构光相机的钢筋骨架整体点云获取算法

为了获取钢筋骨架质量自动检查所需的高精度钢筋骨架整体点云,建立了基于结构光相机的钢筋骨架整体点云获取算法。首先,对结构光相机采集得到的多幅钢筋骨架图像进行三维重建,得到结构光相机的无量纲位姿。其次,根据无量纲位姿获取有量纲位姿。然后,计算这些有量纲位姿间精确的转换矩阵。接着,基于这些有量纲位姿及其两两之间的精确转换矩阵,使用图优化对这些有量纲位姿进行优化,以得到高精度的有量纲位姿。最后,基于高精度的有量纲位姿对齐结构光相机采集的所有点云,获取钢筋骨架整体点云。实验结果表明,该算法获取实际预制钢筋混凝土构件钢筋骨架整体点云的耗时约10 min,且点云的误差约为5 mm。钢筋骨架整体点云获取算法可以快速获取钢筋骨架整体点云,而且所得点云的精度较高,可以满足钢筋骨架质量自动检查的要求。     

基于区域分割的点云骨架提取算法

针对L_1中值骨架提取方法存在迭代次数较多、相邻区域较紧密时骨架易跨越区域等问题,提出一种分区提取骨架的算法。结合点云区域的连通性及局部相关性,采用马尔科夫随机场模型,将给定点云分割成不同区域。在相同标号的区域根据区域大小和点集数自适应地计算不同的初始收缩邻域尺度,用L_1中值不断收缩迭代提取各区域的骨架分支,通过主成分分析及连接角判定骨架连接方式,并根据该连接方式将骨架分支连接成完整的点云骨架。实验结果表明,该算法能够自适应地提取点云骨架,减少点云收缩的迭代次数,保持模型原有的拓扑结构,对于含有区域紧密度不均匀的模型有较好的效果。     

基于区块特征融合的点云语义分割方法

为降低室外大规模点云场景中多类三维目标语义分割的计算复杂度,提出一种融合区块特征的语义分割方法。采用方形网格分割方法对三维点云进行区块划分、采样以及组合,求取简化的点云组合区块集,将其输入至区块特征提取和融合网络中从而获得每个区块的特征修正向量。设计点云区块全局特征修正网络,以残差的方式融合特征修正向量与原始点云全局特征,修正因分割造成的错误特征。在此基础上,将方形网格分割尺寸作为神经网络的参数引入反向传播过程中进行优化,从而建立高效的点云语义分割网络。实验结果表明,反向传播算法可以优化分割尺寸至最佳值附近,所提网络中的全局特征修正方法能够提高语义分割精度,该方法在Semantic3D数据集上的语义分割精度达到78.7%,较RandLA-Net方法提升1.3%,且在保证分割精度的前提下其点云预处理计算复杂度和网络计算时间明显降低,在处理点数为10万~100万的大规模点云时,点云语义分割速度较SPG、KPConv等方法提升2~4倍。     

基于等级划分的复杂点云骨架提取算法

对于复杂点云的骨架提取,由于原始点云的遮挡、缺失、分布不均、分支复杂等原因,所提取骨架会产生断裂、拓扑结构错误等问题.针对复杂结构点云的骨架提取,提出了一种基于等级划分的复杂点云骨架提取算法(multilevel divided skeleton extraction,MDSE).使用L1-medial提取初始骨架点,将初始骨架点连接成单分支骨架线,通过对单分支结构的初始骨架线进行等级划分,利用连通分支的平均分叉角确定骨架线断裂位置,由底至项修补断裂骨架线;最后采用Cardinal样条曲线改善骨架形态,形成完整且符合原始点云拓扑结构的骨架线.实验结果表明,该算法能够从复杂点云中提取出较为完整、拓扑结构正确的骨架线.     

基于IFC标准的简支梁钢筋模型参数化自动生成

基于 BIM 技术的钢筋模型可以用于工程量直接计算、指导施工、碰撞检查和钢筋 自动加工等。虽然部分软件如 Revit 和 Tekla 可以输出钢筋工业基础类(IFC)模型,但是需要根 据结构设计软件的配筋结果重新建模,且核心算法没有公开,国内后续理论研究和软件开发均 无法参考;另外,现阶段研究主要集中于通过二次开发的方式实现不同软件之间的钢筋信息共 享,该方法不具有通用性。本文对钢筋模型几何信息在 IFC 标准中表达方式进行解析,并研究 利用结构设计结果参数自动生成基于 IFC 标准的钢筋模型,重点进行几何信息的生成算法研究。 最后通过程序生成带有纵筋和箍筋的简支梁 IFC 模型,验证了算法的可行性。     

基于优化DRG的三维人体点云骨架提取方法

针对离散Reeb图（Discrete Reeb Graph,DRG）描述人体骨架时分支部位骨架线偏离中轴的问题,采用了能量函数最小化的方法对DRG曲线进行优化。将人体模型的DRG曲线作为初始骨架,定义其能量函数,在点云模型的距离场梯度的作用下,迭代地调整偏离中轴目标段的曲线位置使其逐渐逼近中轴,能量函数最小时得到优化的骨架。将该算法应用于同一模特四个不同姿势和四个不同模特同一姿势的人体点云模型,并与基于拉普拉斯算子的点云收缩的骨架提取方法进行了比较。结果表明,该算法能够很好地适应各种不同姿势和体型,模型分叉部位的特征得到更加完善的描述,得到的骨架曲线更接近模型的中轴。     

基于三维人体语义骨架点的姿态匹配

针对三维人体模型结构复杂,处理数量大且不易提取控制点等问题,提出通过对人体形状进行特征分析描述人体结构并进行姿态识别的算法。融合测地线与空间结构等特征提取骨架点有效减少数据的计算量,并通过ICP算法进行姿态的行为识别。实验证明,该算法有效地提升了三维姿态的识别效率,并有很好的鲁棒性。     

基于深度学习的点云语义分割研究综述

近年来,深度传感器和三维激光扫描仪的普及推动了三维点云处理方法的快速发展。点云语义分割作为理解三维场景的关键步骤,受到了研究者的广泛关注。随着深度学习的迅速发展并广泛应用到三维语义分割领域,点云语义分割效果得到了显著提升。主要对基于深度学习的点云语义分割方法和研究现状进行了详细的综述。将基于深度学习的点云语义分割方法分为间接语义分割方法和直接语义分割方法,根据各方法的研究内容进一步细分,对每类方法中代表性算法进行分析介绍,总结每类方法的基本思想和优缺点,并系统地阐述了深度学习对语义分割领域的贡献。然后,归纳了当前主流的公共数据集和遥感数据集,并在此基础上对比主流点云语义分割方法的实验结果。最后,对语义分割技术未来的发展方向进行了展望。     

基于特征增强的三维点云语义分割

为挖掘感知点云几何特征并通过特征增强的方式进一步提高点云语义分割效果,提出了一种基于特征增强的点云语义分割网络。首先,通过设计点云的几何特征感知（GFSOP）模块赋予网络点云局部几何结构的感知能力,捕获点间的空间特征以强化语义表征,并利用分层提取特征思想获得多尺度特征。同时,使用空间注意力和通道注意力融合预测点云语义标签,并通过强化空间关联性和通道依赖性提升分割性能。在室内数据集S3DIS(Stanford large-scale 3D Indoor Spaces)上的实验结果显示,所提网络相较于PointNet++在平均交并比（mIoU）上提升了5.7个百分点,在总体准确度（OA）上提升了3.1个百分点,且在存在噪声、点云密度不均和边界不清晰等问题的点云上表现出更强的泛化性能和更加鲁棒的分割效果。     

大规模差异化点云数据下的联邦语义分割算法

海量点云数据的存储对自动驾驶实时3D协同感知具有重要意义,然而出于数据安全保密性的要求,部分数据拥有者不愿共享其私人的点云数据,限制了模型训练准确性的提升。联邦学习是一种注重数据隐私安全的计算范式,提出了一种基于联邦学习的方法来解决车辆协同感知场景下的大规模点云语义分割问题。融合具有点间角度信息的位置编码方式并对邻近点进行几何衍射处理以增强模型的特征提取能力,最后根据本地模型的生成质量动态调整全局模型的聚合权重,提高数据局部几何结构的保持能力。在SemanticKITTI,SemanticPOSS和Toronto3D三个数据集上进行了实验,结果表明该算法显著优于单一训练数据和基于FedAvg的方法,在充分挖掘点云数据价值的同时兼顾各方数据的隐私敏感性。     

鲁棒的点云曲线骨骼提取算法

为解决复杂点云数据的曲线骨骼提取问题,提出了一种鲁棒的点云曲线骨骼提取算法。该方法首先通过区域分割将点云模型分成多个弱凸面集,减少噪声点对骨骼提取的影响,然后在每个弱凸面集中根据对称点信息提取候选骨骼点,对候选骨骼点进行压缩和平滑,并采用最优平面法对骨骼点进行重定位,最后利用区域分割信息将各区域的骨骼点连接得到最终的曲线骨骼。实验结果表明,该方法不仅能够处理完整和非完整的点云数据,而且能够正确提取包含复杂形状的点云骨骼。     

保特征的点云骨架提取算法

三维模型的骨架提取是计算机图形学中一个重要的研究方向。对于有噪声的点云模型,曲线骨 架提取的难点在于保持正确的拓扑结构以及良好的中心性;对于无噪声的点云模型,曲线骨架提取的难点在于 对模型细节特征的保留。目前主流的点云骨架提取方法往往无法同时解决这 2 个难点。算法在最优传输理论的 基础之上结合聚类的思想,将点云骨架提取的问题转化为一个最优化问题。首先使用最优传输得到原始点云与 采样点云之间的传输计划。然后使用聚类的思想将原始点云进行分割,采样点即成为了簇的中心。接着通过簇 与簇之间的调整与合并减少聚类个数,优化聚类结果。最后通过迭代的方式得到粗糙的骨架并使用插点操作进 行优化。大量实验结果表明,该算法在有噪声与无噪声的三维点云模型上均能提取出质量良好的曲线骨架并保 留模型的特征。     

基于FPFH特征提取的散乱点云精简算法

针对原始点云模型中存在大量冗余数据问题,提出一种基于快速点特征直方图(FPFH)特征提取的点云精简算法,有效兼顾了特征信息保留和整体完整性。算法首先查找并保留原始模型的边缘点;然后计算非边缘点的FPFH值,由此得到点云的特征值,并进行排序且划分出特征区域和非特征区域,保留特征区域内的点;最后将非特征区域划分为k个子区间,对每个子区间用改进的最远点采样算法进行采样。将该算法与最远点采样算法、非均匀网格法、k-means算法和自适应曲率熵算法进行对比实验,并用标准化信息熵评价方法对精简后的点云进行评价,实验表明其优于其他精简算法。此外,可视化结果也表明,该算法能够在保证精简模型完整性的同时,较好地保留住点云大部分特征信息。     

基于扫描点云的建筑物特征剖面快速获取

三维激光扫描技术可以快速而精确地获取既有建筑的完整点云数据,但要从点云中获得修缮设计及结构健康评估所需要的特征信息仍然是一个极为耗时耗力的工作。为改善目前纯手工交互的作业现状,提出了一种从点云中快速获取建筑特征剖面数据的算法,阐述了其基本思想与作业流程,并研发了基于该算法的具有较高自动化水平的剖面图制作软件工具。实际应用证明,软件在面对海量点云数据处理时,能够显著提高作业效率及提升成果制作质量。     

散乱点云去噪与简化的统一算法

针对三维点云去噪和简化很难用同一参数的问题,提出一种基于扩展的曲面变化度局部离群系数（ESVLOF）的散乱点云去噪与简化的统一算法。通过对ESVLOF定义的分析,给出了其性质。利用ESVLOF去噪过程中计算的曲面变化度和预设的相似度系数,构造出随曲面变化度增大而减小的参数γ,并将其作为点云简化的局部阈值,在点云去噪的同时进行点云简化。仿真结果显示,该方法能够保留原始数据的几何特征,与传统的三维点云预处理相比,效率提高近一倍。     

结合空间深度卷积和残差的大尺度点云场景分割

目的 在点云场景中,语义分割对场景理解来说是至关重要的视觉任务。由于图像是结构化的,而点云是非结构化的,点云上的卷积通常比图像上的卷积更加困难,会消耗更多的计算和内存资源。在这种情况下,大尺度场景的分割往往需要分块进行,导致效率不足并且无法捕捉足够的场景信息。为了解决这个问题,本文设计了一种计算高效且内存高效的网络结构,可以用于端到端的大尺度场景语义分割。方法 结合空间深度卷积和残差结构设计空间深度残差（spatial depthwise residual,SDR）块,其具有高效的计算效率和内存效率,并且可以有效地从点云中学习到几何特征。另外,设计一种扩张特征整合（dilated feature aggregation,DFA）模块,可以有效地增加感受野而仅增加少量的计算量。结合SDR块和DFA模块,本文构建SDRNet（spatial depthwise residual network）,这是一种encoder-decoder深度网络结构,可以用于大尺度点云场景语义分割。同时,针对空间卷积核输入数据的分布不利于训练问题,提出层级标准化来减小参数学习的难度。特别地,针对稀疏雷达点云的旋转不变性,提出一种特殊的SDR块,可以消除雷达数据绕Z轴旋转的影响,显著提高网络处理激光雷达点云时的性能。结果 在S3DIS（stanford large-scale 3D indoor space）和SemanticKITTI（Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上对提出的方法进行测试,并分析点数与帧率的关系。本文方法在S3DIS数据集上的平均交并比（mean intersection over union,mIoU）为71.7%,在SemanticKITTI上的mIoU在线单次扫描评估中达到59.1%。结论 实验结果表明,本文提出的SDRNet能够直接在大尺度场景下进行语义分割。在S3DIS和SemanticKITTI数据集上的实验结果证明本文方法在精度上有较好表现。通过分析点数量与帧率之间的关系,得到的数据表明本文提出的SDRNet能保持较高精度和较快的推理速率。     

基于建筑物轮廓的地面激光点云与影像匹配点云配准研究

为了高精度融合异源数据,进而充分表达建筑物的顶面及立面信息,提出基于建筑物轮廓特征的地面激光点云与影像匹配点云配准方法.通过边缘估计提取影像匹配点云建筑物屋顶轮廓,利用α-shape算法匹配提取地面激光点云建筑物屋檐轮廓,运用主成分分析算法、质心约束及罗德里格斯公式实现两种轮廓点云的粗配准,根据ICP算法完成精配准.实验结果表明该方法能够实现跨模态数据的优势互补,有效提高影像与点云配准的计算效率和配准精度.