基于 2D 预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。     

基于改进PointNet++的室内点云语义分割模型

针对点云语义分割过程中存在的大量点云数据的相邻关系丢失以及无法捕获部分点云特征的关键信息等问题,提出了一种基于改进PointNet++的室内点云语义分割模型。首先利用中垂线通道采样获取到更具代表性的采样点,从而提高采样结果的信息丰富度;在此基础上使用采样点邻域特征自适应分组,使组内采样点的分布特征和邻域内的点云特征更加接近,然后引入注意力机制,以实现对点云数据的多层次、多维度的建模和表达;最后通过实验进行性能对比分析。实验结果表明,模型对室内点云进行语义分割相较于PointNet++模型的整体准确率提高了5.6%,因此语义分割网络改进模块能够帮助神经网络提取到更优的点云特征信息,从而提高语义分割网络模型的性能。     

基于滑动图卷积神经网络的输电线路点云分类模型

图卷积神经网络虽然可以对初始点云数据进行直接处理,但其只在局部尺度上独立提取点特征,未将局部点互相关联起来则会影响点云数据分类精度。因此,本文在考虑点云数据整体几何关系和拓扑信息的基础上,提出了一种基于滑动图卷积神经网络的输电线路点云分类模型。首先,通过最远点采样方法从原始点云中迭代子采样点集,有效地降低模型复杂度和时间消耗;其次,利用多尺度K近邻对子采样点集建立局部有向图;再次,采用边缘卷积滑动地提取局部图特征,计算点云上的每一个点与其相邻点之间的边缘特征;最后,利用全局最大池化层进行点云分类。所提模型首先在公用数据集上进行预训练,之后再用标注过的由激光雷达实地采集的输电线路点云数据进行验证。实验结果证明,本文所提模型在公用数据集和实际数据集上均取得较好的分类效果,分类准确率比通用的ECC、PointNet、PointNet++等方法高出至少1.5%。     

噪声背景下基于激光雷达点云数据的分裂导线自动提取与三维重建

提出了基于改进DPC算法的具有强抗噪性的分裂导线自动提取与三维重建方法。以噪声背景下的输电线路点云数据为分析对象，首先根据特征分析法滤除输电线路点云中的地物点和杆塔点，并采用K-MEANS聚类方法提取每根电力线点云；然后提出改进DPC算法实现分裂子导线点云的聚类和提取；最后采用最小二乘法实现各分裂子导线三维模型重建。并与K-MEANS算法的聚类结果进行了对比，证明了改进DPC算法的强抗噪性和鲁棒性。     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点，因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征，具有良好的三维点云特征学习能力，在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响，从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题，本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT，具体地，GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节，利用减法关系和邻域位置编码对三维点云邻域求取注意力特征，同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题，进而提升网络的分类准确率。实验结果表明，与PCT三维点云分类和分割网络相比，所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%，而在ScanObjectNN数据集上的分类精度提升了1.9%，在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化，充分验证了改进方法的有效性。     

基于单边雅可比方法的点云平面拟合

针对三维激光雷达点云数据中的异常值影响平面拟合精度的问题,提出了一种基于单边雅可比变换的点云平面拟合方法.该方法首先利用半径滤波法对点云数据进行预处理以剔除大部分噪声点,然后以单边雅可比旋转法对点云坐标数据构成的数值矩阵进行正交变换与归一化,得出奇异值分解,进而得出拟合平面的参数.通过仿真,将该方法与随机采样一致性方法...     

基于深度学习的三维点云重建方法

在三维点云重建过程中,由于点云固有的稀疏性和不规则性,使得重建结果不佳,因此在重建之前需要对点云进行整合处理.提出了一种基于深度学习的三维点云整合方法,将输入点云分为局部小块,使用PointNet++特征嵌入模块学习每个点的多级特征,运用PU-Net数据驱动的方法,将多级特征上采样扩展为点集,并给出三维点坐标和点到边的...     

基于深度相机的金属柜体三维重建

针对金属柜体表面的光线反射和检测场地限制问题,研究了基于深度相机的金属柜体三维重建,使用深度相机采集金属柜体的RGBD图像,实现高质量的金属柜体表面数据采集;计算其点云数据后进行离群点剔除和下采样的数据处理,降低了噪声影响并提高运算速度;采用基于点云数据和基于三维信息的重建方式,构造金属柜体的三维模型。通过对比实验,证明本文方法得到的点云数据在数量、精度平均误差和采集速度上明显优于双目视觉方法;三种金属柜体的三维模型与真实值对比,模型误差百分比约为3%。     

基于小波变换和贝叶斯理论的图像分割算法

基于非下采样小波变换和贝叶斯分类理论的图像分割算法,在处理可见光图像时,容易受到噪声的干扰,而且,原算法在计算最大局部最小点时易产生偏差,从而影响分割效果。因此,本文首先使用滤波器滤除噪声,然后对原来的最大局部最小点的计算方法进行了等价变换,并调整了分割阈值以纠正由于对图像进行小波变换造成的灰度偏移,最后利用数学形态学运算对分割后的图像进行处理以消除孤立点,仿真结果表明改进算法分割效果较好。     

基于麻雀搜索优化的背景分割算法的板簧尺寸检测方法

针对复杂背景下汽车板簧轮廓特征点难以提取的问题，提出改进麻雀搜索优化的K means背景分割算法并辅以投射线激光提取待测特征点。首先，通过遍历全局像素，根据梯度阈值确定最优方向，减小向最优方向移动的步长数值，以此改进麻雀搜索优化算法，克服算法全局搜索能力弱、容易陷入局部最优的问题；其次，将麻雀搜索的感兴趣像素点作为K means算法的初始中心点，把具有相似特征的像素点聚为一类，使板簧从复杂的背景环境中分割出来，获取板簧的外形轮廓；最后，向板簧表面投射线激光辅助标记，相交于板簧轮廓，提取待测特征点。结果表明，提出的基于背景分割的汽车板簧尺寸检测方法可以提取待测特征点，且精度可达025 mm，形成在线测量数据，有利于改进生产工艺。     

基于M估计算法的三维点云平面拟合方法研究

通过激光传感器获取的三维点云难免混入噪声和异常点,导致点云平面的拟合精度降低。为解决该问题,本文提出了一种结合M估计样本一致性(MSAC)算法和主成分分析(PCA)法拟合点云平面的方法。该方法首先通过MSAC算法去除点云数据中的异常点,获得较为理想的点云平面,然后使用PCA方法对保留的点云数据进行平面拟合,以获取更加精确的点云平面参数。使用电池托盘作为被测物,应用3D线激光轮廓传感器扫描被测物并将点云数据传输到计算机进行处理。通过设定的仿真数据和电池托盘点云数据进行实验,发现本文方法与随机采样一致性(RANSAC)结合PCA、最小平方中值(LMedS)结合PCA的方法相比,在耗时接近的情况下,能够显著降低异常点对点云平面拟合的影响,获得更精确的平面拟合参数。对两个部分的电池托盘点云滤波处理后进行平面拟合时,能够发现本文方法与其他两种方法相比,标准差分别降低了28.6%和22.5%%、24.0%和29.0%,该方法具有较高的平面拟合精度和实用性。     

三维点云分割的交联聚乙烯电缆接头参数测量

针对现有参数测量方法难以对交联聚乙烯电缆接头各参数进行有效测量的问题,提出了一种基于三维点云分割的电 缆接头参数测量方法。 该方法先用半径滤波及随机采样一致性(random sample consensus, RANSAC)算法对复合式三维扫描仪 获取的电缆接头点云进行噪声点去除及坐标摆正预处理。 其次,使用 RANSAC 算法对电缆接头点云进行圆拟合,并根据区域 交界处相邻拟合圆半径方差之比的突变特性实现粗分割,得到多个包含区域交界点的局部点云。 然后,使用主成分分析法对局 部点云进行法向量估计,并根据小片点云轴线夹角在区域交界点处的跳变特性及自适应阈值算法,得出各条状点云上的区域交 界值。 接着,对多个条状点云所得同一区域交界值进行统计分析实现电缆接头点云的精分割,完成参数测量。 对多根电缆接头 进行的测量实验结果表明,所提方法的绝对误差小于 1. 0 mm,相对误差小于 4%,说明了该方法用于交联聚乙烯电缆接头参数 测量的有效性与准确性。     

基于路侧激光雷达的障碍物目标检测方法

针对现有障碍物检测方法在复杂道路场景下存在地面分割欠精准、计算量大以及不同距离下的目标聚类困难问题,提出了一种基于路侧激光雷达的障碍物检测方法。在地平面分割方面,提出基于圆柱坐标系的改进扇形栅格模型以及最低点代表法优化种子点的选取,采用多地平面模型并通过随机采样一致性算法(RANSAC)实现地面拟合及分割。在障碍物聚类方面,构建KDTree加速聚类过程,提出划分区域及阈值自适应的方式改进欧氏聚类算法。实验结果表明,该方法在4种典型道路场景下对地面点的分割准确率均达到86%以上,且针对不同距离下的障碍物目标聚类准确率提升明显。     

基于特征向量提取的点云配准算法

为提高现有配准算法精度和配准效率,提出了一种基于点云特征向量提取的点云配准算法。该算法利用点曲率和邻域内点数量作为综合判据筛选特征点,然后对特征点进行主成分分析提取特征向量,利用特征向量变换关系求解待配准点云之间的变换矩阵实现粗配准,精配准阶段创建点云k维二叉树,通过k维二叉树最近邻搜索来提高ICP算法精配准效率。为验证算法的有效性,将本文算法与多种配准算法在公开数据集Bunny和Horse以及实测环境点云数据进行配准实验对比分析,实验结果表明,计算时间相较于ICP算法减少60%,所提算法具有良好的精度和配准效率。     

改进的尺度不变特征转换精确图像匹配在电力设备目标定位中的应用

针对电力设备目标定位问题,研究了基于改进的尺度不变特征转换(scale invariant feature transform,SIFT)精确图像配准的定位方法。首先用改进的SIFT特征描述子提取图像中的特征点,降低了特征向量描述子的维数,大大提高了算法的速度;然后采用欧氏距离对特征点进行初始匹配,由于初始匹配过程中存在误匹配,采用改进的随机取样一致性(random sample consensus,RANSAC)算法对阈值进行自动调整,消除了错误匹配;最后,以电力系统中的刀闸、变压器为例,采用旋转、缩放、光照变化及加噪声图像验证了该算法。实验结果表明:改进后的算法不仅继承了SIFT算法的鲁棒性,而且提高了算法的速度和匹配精度,可以较好地应用于电力设备目标定位中。     

基于固态激光雷达的道路边沿与障碍物检测

为了有效获取前方道路信息,应用于低成本的固态激光雷达,提出一种道路边沿与障碍物检测方法。首先对原始点云数据进行地面滤波处理,提取地面与非地面点云数据;根据地面点云数据中路沿高度突变的特征,提出了一种动态滑动窗口的方法提取路沿特征点,后使用随机抽样一致算法(random sample consensus, RANSAC)进行路沿直线拟合;将路沿内障碍物点云作为感兴趣区域(region of interest, ROI),在z轴方向上对障碍物点云数据进行安全高度为H直通滤波处理,最后使用欧氏聚类算法完成了对路沿内障碍物的检测。通过在校园内实际采集数据与处理实验,验证了该方法的可行性。     

一种基于曲线拟合的柱面图像匹配算法

传统的RANSAC误匹配剔除算法对柱面图像误匹配剔除效果较差,为了解决这一问题,提出一种基于曲线拟合的误匹配剔除算法.首先对两幅图像进行SURF特征提取并采用最近邻匹配法进行粗匹配,然后将匹配点对集合按照所在列数的大小进行排序,最后将每个匹配点对两个特征点所确定的直线的斜率集合、欧式距离集合分别进行曲线拟合从而剔除误匹配.实验证明,提出的基于曲线拟合的图像匹配算法明显增加了剔除误匹配后靠近柱面图像边缘部分的匹配点数量,提高了柱面图像匹配的精度.     

大视角变化下点云配准方法研究

为了提高大视角变化下点云配准的精度和效率,本文提出了一种基于仿射不变特征点云提纯与改进随机梯度下降法的点云配准方法。该方法首先获取具有抗视角变化能力的二维特征匹配点,并借助特征点云的空间拓扑关系设计点云提纯方法来估计点云初始位姿变换;然后,在随机梯度下降法的基础上,设计聚类近邻快速搜索策略以提高点云对应点的查找效率,概率地动态调整随机梯度下降法的学习率以提高配准的全局收敛性。实验结果表明,本文方法对大视角改变时的点云配准具有很好的适应性,能够有效提高配准的精确度和配准效率。     

高效高精度光照自适应的 ORB 特征匹配算法

针对非均匀光照下ORB图像特征检测算法存在特征点过于聚集、匹配准确率不高等问题,提出了一种高效高精度光照自适应的ORB图像特征匹配算法。利用自适应阈值提取待测图像的oFAST特征点,通过优化的四叉树分解法均匀分配,进一步提高了低照度或高曝光区域特征点的数量,随后,根据汉明距离进行特征匹配,使用改进的RANSAC算法剔除误匹配,提高ORB算法中特征点的匹配准确率。实验结果表明,针对具有明显光照变化的数据集,相较于ORB、MA、Y-ORB及S-ORB算法,本文算法的平均特征分布均匀度提高13.1%,特征提取时间节省26.3%,综合评价指标提升18.5%,可高效完成复杂场景变化下的特征匹配,对目标识别和三维重建等领域具有较强的应用价值。