基于二次特征提取的煤矿巷道表面点云数据精简方法

采用三维激光扫描技术提取的煤矿巷道表面点云数据量大且存在较多的冗余数据,而现有点云数据精简方法存在大数量级点云处理过程中细节保留不足的问题。针对上述问题,提出了一种基于二次特征提取的煤矿巷道表面点云数据精简方法。首先对采集到的原始巷道点云数据进行去噪预处理;其次建立K-d树,并利用主成分分析法对去噪后点云数据估算来拟合邻域平面的法向量;然后通过较小的法向量夹角阈值对点云进行初步的特征区域与非特征区域划分,保留特征区域并随机下采样非特征区域,接着依据较大的法向量夹角阈值将特征区域点云划分为特征点和非特征点,并对非特征点进行体素随机采样;最后将2次点云精简结果与特征点合并得到最终的精简数据。仿真结果表明,该方法在百万数据量级点云和高精简率条件下,相较曲率精简方法、随机精简方法和栅格精简方法,在特征保留和重构精度方面都取得了更好的效果,三维重构后计算所得标准偏差平均可低于相同精简率下其他方法 30%左右。     

序列图像三维重构中点云精简算法的研究与改进

点云精简是基于图像的三维重建过程中的一个关键步骤,精简后点云的数量和分布质量将直接决定重建的效率。针对传统方法易在平缓区出现孔洞和无法保证均衡分布的缺点,在保留传统精简方法精简后点云依据曲率自适应分布特点的基础上,给出了一种改进的点云分类精简算法。首先对点云进行小栅格包围盒精简,可初步简化点云并方便点云的特征计算,然后通过点的法向夹角系数和弯曲度进行点云分类并分别采样,最后给出了一种简易的方法来进行精简效果的评估。实验结果表明,该方法能较好保留点云几何特征,克服传统方法的缺点。     

基于二次精简的散乱点云精简方法

在逆向工程中,点云精简是一个重要的步骤,精简的质量直接关系到后续曲面重构的效率。分析了常用的几种点云精简方法,并针对现有方法的不足,提出一种改进的方法。该方法使用 PCA主成分析法,利用点的k邻域点集拟合切平面,将点到该平面距离作为判断特征点的依据进行初始精简,再利用均匀网格的方法对初始精简后的点云进行重采样处理,保留部分关键特征点。通过初始精简和后期精简两步法完成对点云的精简步骤,并通过实验验证了该方法的有效性。     

新的点云数据精简存储方法

海量点云数据的精简存储是逆向建模的一个关键环节,针对单站地面固定式三维激光扫描点云扇形等特点,提出了一种新的点云精简存储方法--扇形网格法。对点云数据遍历一次,即完成对点云的精简、降噪与存储,并用VC++6.0编写实现。多站扫描点云的配准、拼接,如果在单站点云经过扇形网格法处理后进行,会更快速高效。在与传统点云压缩算法分析对比的基础上,对其特点进行了分析,对在战场地形数字化中的适用性进行了验证。     

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构, 提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.     

一种改进的点云数据精简方法

针对Kim的算法在简化散乱点云时经常丢失过多几何特征的不足,提出一种改进的精简方法。首先对点云进行最小二乘抛物面拟合求出所有点的主曲率;然后以数据点主曲率的Hausdorff距离为依据,提取并保留点云中的特征点;最后对具有不同特征的测量数据进行了精简分析。仿真实验结果表明,改进方法既能较大程度地简化数据点云,简化结果比较均匀,又具有不破坏细小特征的特点,能够充分保留原始点云中的几何特征;而且在保证简化质量的前提下提高了算法的效率。该方法能够为后续的三维重建提供有效的数据信息,节约后续工作的处理时间和硬件资源。     

基于计算机辅助设计的文物数字化方法研究

文化遗产的数字化为文化遗产的保护、传承和发展提供了新的思路,利用计算机辅助设计和数字化方法将文化遗产进行数字化转换,基于三维扫描仪获取文物点云数据,建立了文物点云数据精简模型,研究了文物三维模型重建方法,构建了文物三维模型的纹理映射机制,给出基于Web技术的文物虚拟展示方案,构建了文物数字化技术路线,最后结合青铜牛尊案例对所研究的关键技术进行说明。     

基于八叉树编码的点云数据精简方法

针对逆向工程中的点云数据预处理,分析了现有数据精简方法的不足,提出了基于八叉树编码的均匀精简方法。应用八叉树编码法划分点云邻域空间为多个指定边长的子立方体,保留每个子立方体中距中心点最近的点,实现从空间整体角度对点云的精简。对涡轮叶片测量数据进行了精简测试,证明了该算法的有效性和实用性。     

空间分割与曲率相融合的点云精简算法研究

非接触式扫描方法获得点云数据存在大量的冗余数据。为便于模型重构,针对点云数据精简是必不可少的数据预处理手段,提出了一种基于空间分割和曲率特征信息的点云数据精简算法。通过K-邻域计算、二次曲面拟合、曲率估算和曲率阈值可调的数据分区等关键精简技术,实现了对同一数据不同区域应用不同精简算法,进行不同比例的数据精简。实例验证表明,该算法能适应各种类型曲面数据的精简要求,保证精简效率的同时,很好地保留点云的特征信息。     

特征保留的点云数据自适应精简算法

提出一种特征保留的点云数据自适应精简算法。该算法首先构造散乱点云数据的局部拓扑信息,通过一种改进的二次栅格法快速建立K邻域,由此估算点的邻域弯曲度,再进行分类。算法在保留特征点后对其余点应用自适应精简距离进行阈值精简,故算法不仅可以完整保存实物模型整体轮廓,而且能够最大限度地保证模型区域特征。数值实验结果表明,该算法能够得到不错的精简效果,且具有较小的计算时间复杂度。     

高铁车体表面三维重建及瑕疵点检测

针对高铁车体表面高精度三维重建问题,提出了一种基于线结构光扫描的车体表面三维重建及瑕疵点检测方法。通过安装在阵列式仿形相机支架上的多台线结构光传感器对车体表面进行三维数据采集;运用点云数据拼接技术与数据去重原理对多相机采集数据进行处理。同时设计了基于固定激光与光尺基准的误差补偿方法,以提高三维重建精度。提取指定尺寸范围的瑕疵点并输出点云数据;进行三维重建及瑕疵点检测过程节拍分析。实验结果表明:该方法在车体深度方向上能达到较高精度,检测所需时间较短,符合高铁车体表面瑕疵点检测的要求。     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

基于四目立体视觉的三维全自动建模

为保护并传承敦煌莫高窟世界文化遗产,研究基于四目立体视觉系统的三维全自动建模技术。由于提取的点云数量较大,导致自动建模过程中,点云的三角构网步骤无法顺利进行,因此着重研究点云的精简算法。将包围盒算法与点云的曲率特征相结合,提出一种点云精简算法,即改进的包围盒法。实验结果表明,该方法对点云的采样精度高于原始包围盒法,点云精简率可达93.6%,点云数据精简后三维建模效率大大提高,生成的三维模型精度较高。     

基于自适应椭圆距离的点云分区精简算法

利用传统点云精简算法进行散乱点云简化会导致点云模型部分细节特征的丢失或模糊以及影响非平面区域的光顺性。针对这些问题,提出基于自适应椭圆距离的点云分区精简算法。首先,通过对邻域点集进行微切平面与局部曲面的拟合,计算出各点的法矢及曲率等;其次,利用所得几何特征信息,提取点云边界特征以及完成点云平面区域与非平面区域的划分;最后,采用改进后的精简算法对不同区域进行简化。实验结果表明,该算法不但能够快速完成符合要求精简率的数据简化,还能保护点云模型的细节特征以及保证模型非平面部分的光顺性。经过软件分析得出,精简后模型与原始模型的距离误差的标准偏差为0.015 mm。     

散乱点云数据的高阶平滑隐式曲面重建

针对三维扫描或三维重建获取的散乱点云数据曲面重建问题, 提出基于拉普拉斯规则化的高阶平滑算法。首先, 计算点云数据的包围盒并离散化得到体素空间; 其次, 在体素空间根据隐式曲面的梯度和点云位置、法向信息建立目标函数, 并通过对目标函数的拉普拉斯规则化达到控制重建曲面光顺效果的目的; 再次, 根据最优化原理将重建问题转换为一个稀疏线性方程组求解问题; 最后, 通过步进立方体算法得到重建曲面的三角网格表示。定性和定量的实验结果表明, 该方法重建曲面绘制效果和精确度优于常用的Poisson方法。     

点云重建的并行算法

在三维重建问题中,为了提高重建模型的精确度和完整性,需要增大三维重建的数据量,由此会增加重建的计算量和运行时间。针对该问题,对点云重建过程进行并行设计,降低耗时、提高三维重建的效率,提出在多核CPU、GPU架构和CPU/GPU异构环境下点云重建的并行算法,并在不同实验平台上对Kermit和hallFeng数据集进行了点云重建的并行实验。实验结果表明,相比于串行的点云重建算法,点云重建并行算法在保证重建精度的条件下,取得了较好的加速比,并且并行算法具有实验平台和数据规模的可扩展性。     

一种聚类与滤波融合的点云去噪平滑方法

针对采集的原始三维点云数据存在噪声、表面不光滑不利于后期三维重建的问题,提出一种自适应密度聚类与双边滤波融合的三维点云去噪平滑方法。该方法首先对点云模型进行自适应密度聚类分析,根据聚类结果删除模型中的噪声点;然后再计算采样点的k邻域,并求得利用k邻域构造采样点所在平面的法矢,进而得到双边滤波因子,以对点云模型进行平滑。实验结果表明,该算法能有效识别并去除噪声,并对点云模型进行平滑,同时还能保持原始模型的特征信息。     

基于最小二乘法的点云数据拼接研究

点云数据拼接在逆向工程、计算机视觉、医学图像处理等方面有着十分广泛的应用。为了更快、更精确地进行点云数据拼接,根据计算机点云数据拼接处理的要求,结合空间坐标组合变换和矩阵变换的原理,提出了一种基于最小二乘法采用多个标志点计算坐标转换矩阵的点云数据拼接方法。通过实例对当前几种常用的典型的拼接方法进行分析比较的结果表明,利用该方法实现点云数据的拼接,具有速度快、精度高、稳定性好、操作简单等特点,非常适合于工程实际应用。     

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。     

基于特征相似性的RGBD点云配准

三维点云数据的配准是计算机视觉领域的重要研究课题,也是三维重建的关键步 骤。针对 RGBD 点云数据的配准问题,提出一种基于特征相似性的初始配准方法。首先需要计 算待配准的 RGBD 点云模型的曲率和颜色特征度(CFD),并对 CFD 进行统计分析,若模型颜色 特征足够丰富优先采用颜色相似性策略,反之尝试曲率相似性策略。通过特征点提取精简点云 模型,利用确定的对应点选择策略选择候选对应点对。在候选对应点对上采用优化样本一致性 算法获得初始配准变换矩阵,实现两片点云的初始配准。针对不同颜色纹理的 RGBD 点云模型, 本文方法可以自适应选择合适的特征点选择策略,实现点云间良好的初始配准。实验结果表明, 对于几何特征不明显的 RGBD 模型,本文方法能够自适应选择颜色相似性策略来较好地完成初 始配准。对于不同类型的模型配准结果较好,算法效率更高。