基于改进坐标增量的点云数据压缩算法

为提高点云数据三维建模及其应用的效率,在保证几何特征不变的前提下,进行数据压缩显得必要而迫切。针对地面三维激光扫描获得的点云数据密度大、冗余信息多,现有压缩算法存在不足的问题,在分析研究现有算法的基础上,将坐标增量法中一维扫描线点云数据逐点压缩扩展到二维扫描线与扫描线间点云数据的压缩,提出了改进坐标增量的点云数据精简压缩算法。并通过实例,借助Matlab平台编程,将该算法的压缩效果与坐标增量法、随机采样法、区域重心法和曲率采样法等现有典型算法的压缩效果进行定性和定量比较发现,对于按行或按列扫描的平面或曲面点云数据,该算法所用的时间较短,速度适中,且能很好的保留特征信息,具有较好的精简压缩效果,为大数据时代下海量点云数据的存储与管理提供了一定的参考。     

最小二乘支持向量机的点云数据孔洞修补算法

为了获得理想的点云数据孔洞修补结果, 针对当前算法存在的缺陷, 提出一种基于最小二乘支持向量机(LSSVM)的点云数据孔洞修补算法. 首先根据散乱点云边界估计孔洞修补范围, 然后根据孔洞及周围点的信息, 采用最小二乘支持向量机建立一个曲面, 并对曲面点云数据的孔洞进行修补, 最后采用C++语言编程实现仿真实验. 实验结果表明, 最小二乘支持向量机能有效修补各种复杂的孔洞, 且修补效果优于其他算法.     

基于RBF神经网络的三维点云数据孔洞修补

三维扫描获取点云数据,往往由于被测物体自身形状复杂,扫描设备本身局限或者外部遮挡而出现孔洞,影响后续重构精度.由此提出一种基于RBF神经网络的三维扫描点云数据孔洞修补方法.该方法首先基于法线信息和KD tree提取三维点云的孔洞边缘信息,基于蒙特卡罗法在特征平面内生成填充数据点;然后将采集到的孔洞边缘特征点作为样本点集...     

三维人体的点云获取与点云重建

针对三维人体重建中人体曲面复杂,点云庞大的问题,提出一种基于三维Voronoi图,并利用Delaunay三角剖分性质的Crust算法进行人体三维重建.采用三角测量原理计算三维坐标,散乱的点云构成Voronoi图,Delaunay三角剖分Voronoi图得到原始模型.利用Xjtuom三维面扫描仪测量人体点云,进而采集到了49幅不同角度和高度的图片,并用自带软件完成了配准.通过Matlab平台完成点云读取,点云精简和基于Crust算法的三维重建.实验表明,该算法可以保证曲面重建的拓扑正确性和收敛性.该三维重建系统能够实现人体庞大点云的三角剖分与人体复杂自由曲面的重建,并得到了360°无缝隙的人体重建模型.     

基于可信度的TOF相机三维点云球覆盖网格重建

文章提出了一种基于可信度的球覆盖网格重建方法。该方法首先通过TOF相机信号幅值和获取的三维点云信息可信度的关系,利用可信度PCA算法提取出点云的法向矢量;然后根据二次误差函数拟合方法生成一个保持点云特征的球体集;最后通过球体之间的相交关系,构造出三角形网格曲面。实验结果表明,文中方法可以较好地重建出TOF相机三维点云网格曲面。     

基于地铁隧道点云数据的组合滤波算法

目的提出一种点云数据组合的滤波方法,对地铁隧道的点云数据进行有效的精简滤波,提高地铁隧道结构变形分析的准确性.方法首先,对三维点云数据采用基于统计特征的滤波方法进行初步滤波,去除远离点云数据主体的离散点;其次,估算点云数据模型各数据点的高斯曲率,将点云数据分为突变区域和平滑区域;最后,采用双边滤波算法对突变区域点云数据进行滤波,采用改进的均值滤波算法对平滑区域点云数据进行滤波处理.结果通过对沈阳地铁隧道点云数据进行滤波实验及拟合圆半径分析,笔者所提组合滤波算法可以在保留隧道壁和轨道等结构的情况下,去除离散点和隧道壁上的无关非点等噪声;该算法对点云数据进行了有效精简,拟合圆的半径与设计半径差值更小,结果精度更高.结论笔者所提出的滤波算法可去除地铁三维点云数据的噪声点,并完整保留了隧道结构的几何细节特征,提高了变形分析的精度.     

基于激光雷达点云密度特征的智能车障碍物检测与跟踪

现有的基于点云数据的车载三维激光雷达障碍物检测和跟踪存在实时性差、准确率不高以及场景内障碍物数目增多时难以有效关联等问题。针对这些不足,文章提出了结合区域生长与密度聚类的算法以及同时考虑了障碍物几何特征与点云密度特征的关联方法。基于栅格地图,运用最大、最小高度图法去除背景点云数据;在得到可靠障碍栅格地图后,搜索匹配8邻域栅格属性,结合自适应阈值的密度特征进行聚类,提高了障碍物检测准确率;考虑了障碍物的点云密度特征和高度特征,提高了障碍物关联的可靠性并运用卡尔曼滤波器对动态障碍物进行了跟踪。在自行搭建的智能车平台上进行的实车实验验证了该文算法的有效性。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰，点云密度不均匀，场景复杂多样以及物体之间存在遮挡现象等问题，使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题，提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数，利用核密度估计学习一个密度函数，对非均匀采样的点云数据进行卷积操作。同时，受深度学习在图像领域的启发，引入残差连接、空洞卷积等结构，训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

复杂采空区激光多点探测及点云拼接与精简

针对复杂采空区激光探测中存在探测"盲区"和点云数据分布不均的问题,研究激光多点扫描和点云数据拼接与精简方法.通过多点探测避免了单次探测"盲区",加密了数据稀疏区.提出了基于公共坐标和最小二乘法的靶标矩阵转换方法,实现了多点探测点云的拼接.统计了点云密集区的分布规律;对密集散乱点云,提出了沿y轴方向分层剖分,层内数据以x和z坐标极值分区,区内每点以x值排序后依步长筛选的精简算法.大型贯通采空区验证表明:基于最小二乘法的拼接算法最优,误差范围在0.1 mm左右;数据精简率为15%~25%,确保了边界三维信息的完整性.     

三维激光扫描技术在建筑物建模上的应用

三维激光扫描技术的应用领域日益广泛,但点云数据内业处理较为复杂,对此方面的研究一直是许多相关专业的热点．通过三维激光扫描仪对历史建筑进行扫描,对采集的数据进行处理,建立建筑物的三维模型．提出了控制网的布设方案,完成激光扫描仪坐标下点云数据向全站仪坐标下数据的转换,对海量点云数据去噪、拟合、建模,完整地建立建筑物的真三维模型,为建筑物的保护和管理提供了基础数据．