基于建立校正量场的鱼眼图像快速校正算法

针对鱼眼图像校正中在纵向方向校正效果不佳,中心关键区域不突出以及鱼眼有效区域提取效率低的问题,通过遍历横竖两个方向的中垂线以获得有效区域图像.在畸变点周围建立校正量场,在校正量场中建立畸变点与校正点之间的几何关系,遍历每个畸变点,并根据校正关系获得校正量,获得校正图像后,为获得光滑图像,结合hermite插值算法对校正图像进行插值运算.首先实验表明,新的提取算法效率大幅提高,并获得较准确有效区域,提取有效区域后校正算法对视图主要区域的校正和纵向方向的畸变取得较好效果.上述提取算法和校正算法提高校正速度,提高校正效果,具有较强的可行性和有效性.     

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。     

点云数据的凹陷体判定算法

体三维显示是三维显示领域重要研究方向,当处理带凹陷体的点云数据时,凹陷体区域无法正确判定导致对应区域的颜色无法正常显示,会对显示精度造成严重影响.为了解决点云中凹陷体判定问题,为点云数据中的凹陷体作规范化定义,并根据凹陷体的空间特点提出点云数据凹陷体判定(PCDD)算法.算法将点云体素化,之后根据凹陷体区域体素的属性特...     

基于车载激光雷达的机车可通行区域检测

可通行区域检测是自动驾驶环境感知的重要内容之一.为了提取自动驾驶车辆前方可通行区域信息,文章提出一种基于车载激光雷达的机车可通行区域实时检测算法.该算法首先对激光雷达采集的三维点云进行数据预处理以提高点云质量;然后通过局部区域搜索算法提取轨道点云,并采用随机采样一致性算法拟合轨道曲线;接着使用匹配规则对轨道进行配对,以...     

基于无人机的道路点云数据分割提取算法

针对机载LiDAR获得道路的数据信息精确度低问题,提出基于无人机的低空扫描三维点云数据,动态拟合提取分割道路信息的算法.首先使用主成分分析法获得道路点数据的法向量,之后将高程信息和法向量信息结合,利用聚类算法获得道路的高程和法向量的范围,提取道路点云数据;其次利用多项式拟合对道路数据进行数学建模;然后通过动态多项式拟合提取出所有路面数据和路面上的资产以及行人车辆数据;最后使用区域生长算法对路面上的资产以及行人车辆数据进行分割.实验表明算法对道路上的遮挡物有很强的抗干扰能力,可以将路面提取出来并将路面上的数据分割进行分割,将本文算法与区域生长算法进行对比,本文算法对路面数据更加敏感.     

局部聚类分析的FCN-CNN云图分割方法

空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性,毫米波雷达云图的有效分割成为了解决这一问题的关键.本文提出了一种基于超像素分析的全卷积神经网路FCN和深度卷积神经网络CNN（FCN-CNN）的云图分割方法.首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类,同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中实现云图的预分割;FCN32s预测结果中的"非云"区域一定是云图中的部分"非云"区域,FCN8s预测结果中的"云"区域一定是云图中的部分"云"区域;剩下不确定的区域通过深度卷积神经网络CNN进行进一步分析.为提高效率,FCN-CNN选取了不确定区域中超像素的几个关键像素来代表超像素区域的特征,通过CNN网络来判断关键像素是"云"或者是"非云".实验结果表明,FCN-CNN的精度与MR-CNN、SP-CNN相当,但是速度相比于MR-CNN提高了880倍,相比于SP-CNN提高了1.657倍.     

一种基于区域识别的参考点形心提取算法

在逆向工程中,为了得到测量物体的完整点云,需要将不同视角获得的点云数据进行拼合,为了获得更精确的拼合效果,常采用向物体表面上粘贴参考点的方法来获取基准点.因此,参考点形心提取的精确程度直接影响拼合结果.通过分析逆向工程中的参考点图像的特点,首先提出了一种基于区域识别的参考点提取新型算法.然后利用改进序贯算法对区域识别进行优化,使运算效率得到了提高.最后,通过实验对该算法进行分析,进一步验证了该算法的有效性和准确性.     

基于体绘制的动态云场景模拟

为了实现动态云场景的创建与绘制,文中提出一种基于体绘制的三维云模拟算法。算法用Perlin噪声干扰椭球模型,得到云场景区域内体素颜色的基本数据,然后对体素颜色进行软化模糊和添加阴影处理,建立绘制区域的云数据模型;同时通过ray casting对绘制区域进行体数据采样渲染,模拟出三维云的效果。仿真实验结果表明：该算法模拟出的云场景可让云形状颜色位置动态改变,也可让视点穿过云层,具有动态和交互效果,是一种可行的动态云场景模拟算法。     

针对密集点云的快速自适应四边形网格生成算法

为了能够从密集点云直接获得四边形网格,而不需要通过三角形网格重构获得,提出针对密集点直接构造的四边形网格生成算法.首先进行点云数据体素化得到体素模型,建立体素和点云的索引关系,并对体素做精细化操作,以提高映射效果;然后通过体素模型外表面的顶点与原始点云的映射得到四边形网格模型,并对四边形网格进行优化.在斯坦福的数据集上进行实验,并使用MeshLab软件进行效果展示,结果表明,该算法可以基于密集点云直接生成四边形网格模型,同时可以通过调整体素大小来自适应地改变算法效率和四边形网格的大小.     

基于三维激光扫描的物体重构建模

物体拍摄环境具有测量数据量大、物体外轮廓信息复杂等特点,采用当前方法能够获得物体精确的三维点云数据,但缺乏颜色和纹理信息,导致物体重构精度不高,真实感较差;为此,提出一种基于三维激光扫描的物体重构建模方法;该方法通过三维激光扫描技术获取物体点云数据,采用显式的欧拉积分方法对物体整个三维曲面进行平滑,依据三角生长法进行物体三维空间三角划分,将物体网格顶点向球面进行映射,由此构造物体三角网格模型,通过迭代最近点算法对物体非同步点云数据初步匹配结果进行精确配准,利用最近点搜索算法将经多视图立体视觉算法优化后的物体颜色信息和三维点云数据坐标相融合;实验结果表明,所提方法可以快速精确地建立物体三维重构模型,验证了所提方法的可行性。     

基于颜色突变的预警彩色位移云图的绘制算法

利用测量数值是连续变化的和颜色参数是离散数值的特点,针对地下工程沉降离散监测点的数据分析要求,通过总结各种云图的生成方法,提出了一种新的绘制彩色云图的方法。该法使用简便,绘制效率高、易于推广。如果观测的数据点的位移沉降大于允许值,如出现塌陷,根据该测点及周围测点的位移变化,定位预警点,具体预警点云图颜色会出现显著变化,与周围区域形成鲜明对比。     

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。     

基于图像的重建点云离群点检测算法

基于图像重建出的三维点云模型通常会包含许多离群点,这些离群点可能孤立存在或密集聚集在一起形成点簇,也可能分布在模型周围甚至附着在模型表面。通过一种检测方法很难有效滤除多种分布状态的离群点,因此,提出了综合的离群点监测算法。首先通过空间距离剔除与模型主体较远的离群点,并通过构建空间拓扑关系加快离群点搜索速度;然后利用边界匹配法,将较小点簇分别与最大点簇进行对比,滤除模型周围离群点簇;最后采用改进的K-means算法,根据RGB颜色值特征对点云数据进行聚簇分类,结合已识别的离群点,检测和滤除附着在模型表面的离群点。仿真实验结果表明,此方法能够有效滤除点云模型中多种分布状态的离群点。     

四结点单元应力云图的一种生成方法

应力云图是形象地理解有限元分析中应力分布的有效手段，提出了四结点单元应力云图的一种生成方法，推导出了四结点四边形单元内任一点的局部坐标的解析表达式，可直接求解单元内任一点的局部坐标。用扫描线法生成单元应力云图时，用一次Bezier曲线描述四边形单元的边，可减少交点的个数。实例表明，该方法是有效的。     

一种改进的散乱点云边界特征点提取算法

提出一种新的散乱点云边界特征点提取算法。根据点云数据小邻域内点用最小二乘法拟合建立微切平面,并将这些数据点向其微切平面投影,利用点集中每个点的场力大小之和可以体现点集平均作用的理论来分析投影面上点集的几何分布特性,据此检测边界特征点。利用双向最近点搜索算法对提取出来的特征点进行排序并自动生成边界曲线。实验结果证明该算法能够快速、准确、有效地提取点云的边界。     

基于双判定因子的道路绿化带分割

以高速公路的无人机影像点云数据为研究对象, 提出一种基于双判定因子的道路绿化带分割算法. 首先对点云数据进行串行下采样, 在降低点云数目的同时尽可能多地保留点云特征点; 其次, 对降采样后的点云数据进行正射影校正; 最后, 提出一种结合法向量夹角与 RANSAC 平面分割双判定的点云分割算法, 实现了对高速公路中绿化带的准确分割, 采用绿化带边界提取算法最终实现高速公路环境信息的分割. 以G85高速凤翔段的无人机影像点云作为实验数据, 分别采用本文算法、基于法向量夹角的分割算法、基于RANSAC平面拟合分割算法进行验证. 实验结果表明基于双判定因子的道路绿化带分割算法对环境噪点及离群点有较好的抗干扰性, 可以有效过滤路面高曲率点, 提取结果较好.     

全三维气辅成型数值模拟结果的任意剖切显示

任意剖切显示是全三维气辅成型过程数值模拟后处理的重要技术。通过研究四 面体单元与剖切平面的空间位置关系,提出了一种基于纯空间几何解析的任意剖切面求取以 及在剖切面上高质量绘制场数据分布彩色云图的方法,即通过遍历确定“有效单元”、类过滤 交点求解,以及物理量插值与颜色映射求得剖切面上的物理场量,然后采用OpenGL 技术实 现任意剖切面上场数据分布彩色云图的绘制与显示。实例验证表明,该方法能准确、清晰地 绘制出气辅成型过程中任意剖切平面上物理量的分布,有助于工程技术人员更加有效地理解 和分析模拟结果。     

基于边界特征的三维模型分割

点云分割是三维模型检索、分类及重建的基础,为解决点云分割算法存在鲁棒性差、过分割和欠分割问题,提出一种基于边界特征的点云模型分割算法。将点云模型过分割为弱凸区域,利用巴氏距离判断相邻区域的相似性进行区域合并,采用改进的形状直径函数进行最终合并。由主流评价方法及实验证明,大多数模型可以取得良好的分割效果。     

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。