散乱点云数据区域分割综述

点云数据的区域分割是CAD模型重建的基础.对散乱点云数据区域分割的概念、准则、分类及研究现状进行了综述,总结了这些分类方法的基本思想并加以分析比较,最后对点云分割技术的发展动态作了介绍,并对未来研究作了展望.     

基于RGB-D 数据的实时人体检测算法

为实现体感控制器中的人体骨架识别功能, 提出了基于RGB鄄D 数据的实时人体检测算法, 并在人体检测中予以实现。首先对原始3D 点云数据进行简化, 对地平面进行移除, 然后对剩余的点云数据进行初步分类,得到人体点云数据簇, 对初步分类后的人体点云数据簇进行二次精细分类, 进而实现了地面上的多个人体的检测。该方法不仅能检测出静止的多个人体, 而且能检测行走中的多个人体。实验结果表明, 该方法实时性好, CPU 实时处理速率可达到25 帧/ s, 而且无论对于静止的人体还是行走中的人体, 该方法的人体检测准确度都能达到86%以上。     

基于地面激光雷达的单株树木叶面积指数测量研究

以单株树木为研究对象,实现一种基于地面激光雷达点云数据的单株树木叶面积指数(Leaf Area Index,LAI)测量过程,以减小冠层木质组分对LAI测量结果带来的误差。首先,借助支持向量机(Support Vector Machine,SVM)实现单株树木地面激光点云数据树枝与树叶的分类。然后,基于间隙率模型利用分类后得到的树叶点云数据计算得到叶面积指数。最后,以直接测量方法获取得到的LAI测量值作为真实值进行精度验证和评价,基于未分类点云数据得到的LAI相对误差为115.93%,而基于分类后的树叶点云得到的LAI相对误差为16.3%。实验结果表明,该方法可有效减小冠层木质组分带来的LAI测量误差。     

基于偏移注意力机制和多特征融合的点云分类

三维点云由于受到雾、雨和雪等自然天气条件的影响较小而受到了广泛的关注,在交通、能源和医疗等多个领域得到了广泛的应用,其中点云分类旨在划分三维点云数据的类别,为不同领域决策者提供信息,实现解决方案的制订,对自动驾驶、故障诊断和医学影像分析等具有重要意义。点云分类的应用前景广阔,但目前仍面临着诸多挑战。由于点云的无序性、稀疏性和有限性等特点,传统的图像处理和计算机视觉方法难以直接应用于点云数据分析,直接利用卷积神经网络不能有效提取点云特征,部分模型的特征提取不够充分,局部和全局的信息未能有效的利用,可能丢失重要特征信息。针对上述问题,提出一种实现点云的局部和全局特征相结合的多特征融合模块,并结合偏移注意力机制嵌入多特征融合模块实现较深层次点云特征的提取,同时引入残差结构充分利用浅层提取的特征,防止网络过深导致浅层特征丢失。在ModelNet40和ScanObjectNN分类数据集上进行训练和测试,并对实验进行了消融研究和部分数据可视化。实验结果发现该模型在ModelNet40上的分类总体准确率为93.6%,与PointNet、LDGCNN和PCT等模型相比,分类总体准确率分别提高了4.4、...     

基于车载激光扫描数据的城市地物三维重建研究

车载激光扫描系统可以精确、快速获取城市建筑物、道路交通设施、隧道等地物的表面信息,非常适用于城市物体三维空间信息的快速精确获取和在此基础上的三维重建.然而点云不是GIS数据,也不是三维模型,要将大量离散的点处理为可使用的三维模型还需要一系列复杂的过程,现阶段针对车载激光点云三维重建的方法还主要依赖于人工交互或半自动化处理,而且没有针对整个城市地物的三维重建方法.针对这一问题,本文仅提供一种基于地物分类的车载激光点云三维重建的方法,数据基础是已分类的彩色点云,重点是充分利用各类地物的特性,对不同地物使用不同的三维建模策略,以首都师范大学自主研制的车载激光扫描系统获取的三亚市点云数据为实验对象,验证了本文提出方法的可行性与实用性.     

基于中轴线拟合的隧道点云去噪研究

目的通过拟合中轴线对隧道内部噪声点滤除,并在去噪时保持隧道主体数据的完整性,提出一种通过拟合隧道中轴线对隧道点云进行噪声点滤除的方法.方法采用统计滤波滤除部分远离主体点云的大尺度噪声点,再基于高斯曲率的方法将隧道点云数据分为管片点云和轨道面点云两类;利用投影法提取隧道中轴线,通过判断点到中轴线之间的距离与设定的阈值的大小关系,滤除隧道内部及靠近管片壁的噪声点,多次迭代去噪,直到点云数据量趋于稳定;利用直通滤波和统计滤波滤除轨道面点云噪声,最后将去噪后的管片点云和轨道面点云进行组合得到去噪后的盾构隧道点云.结果利用拟合得到的隧道中轴线对分类后的管片点云进行五次迭代去噪后,管片点云数量趋于稳定,噪声点基本滤除;对分类后的轨道面点云进行了有效滤除并且保持了原有特征;将去噪后的两部分点云组合,得到了完整的去噪后的隧道点云.结论笔者所采用的方法简单有效,能有效地滤除隧道点云噪声且保证主体数据完整性.     

基于等距变换的三维点云相似性检测算法

本文研究目的是运用基于等距变换的三维点云相似性检测算法来为三维点云识别和分类问题提供新的方法.该研究方法利用投票空间的思想,认为相似的点对具有相同的等距变换.首先,通过B样条参数曲面拟合表达物体形状.其次,定义了一种主曲率和法向量组成的局部几何特征来匹配特征点对.计算点对特征之间的等距变换,将等距变换进行分类,比较同类等距下点对间特征的等距距离.最后,在每类等距变换下,对具有相同近似等距的点对进行基于PCA的聚类算法,从而得到相似点对之间构成的相似区域.实验研究结果显示在通过普林斯顿和TOSCA点云数据集下测试,对原始点云进行等距变换、噪声、降采样的处理后,能够检测到物体形状上的相似区域.研究结论:通过实验,验证了算法的可行性和鲁棒性,该方法简化了数据的预处理的过程,能够高效检测物体模型的相似性,对三维点云的分类和识别问题有着很好的应用前景.     

基于线性八叉树的点云简化与特征提取研究

三维激光扫描技术以其数据的高精度与采集的高效率为空间信息的获取提供了一种全新的技术手段。而对点云数据的研究也成为近年的热点。本文尝试在线性八叉树建立点云数据空间索引的基础上,运用聚类法对点云进行数据简化。根据空间单元曲面变化量对点云进行分类,利用曲率分析的方法提取特征点,进而采用最小生成树算法进行特征边的连接,实现特征线的提取。     

基于线性八叉树的点云简化与特征提取研究

三维激光扫描技术以其数据的高精度与采集的高效率为空间信息的获取提供了一种全新的技术手段。而对点云数据的研究也成为近年的热点。尝试在线性八叉树建立点云数据空间索引的基础上,运用聚类法对点云进行数据简化。根据空间单元曲面变化量对点云进行分类,利用曲率分析的方法提取特征点,进而采用最小生成树算法进行特征边的连接,实现特征线的提取。     

基于随机森林的全波形点云数据分类研究

针对机载全波形数据,本文提出了一种基于随机森林法的点云分类算法,首先通过全波形分解获得振幅,回波次数,以及回波宽度3个特征,再结合本文中提出的特征提取方法,构建一个多维特征向量并进行特征选择,最后利用随机森林法将激光点云分为植被,地面部分以及建筑物三类.对比支持向量机分类方法,实验证明该方法具有很好的稳定性以及高效性,能够在城市区域取得很好的分类精度.     

用神经网络进行散乱点的区域分割

点云的区域分割实质上是根据点的局部几何特性的相似性对点进行分类,利用自组织特征映射神经网络（SOFM）方法可以实现无监督的特征聚类。使用SOFM进行反向工程中点云的区域分割,选用数据点的坐标、法向量六维向量作为SOFM的输入,通过改进SOFM的学习算法,加入输入权和距离权,加速了分割的速度和正确性。利用SOFM方法实现点云分割具有以下优点：不必限定面的类型;用户可以控制分区的个数;可以处理噪声数据,实例运行结果验证了此方法的可行性。     

K-邻域法对不同形态植被点云数据特征的提取

以三维激光扫描仪获取的点云数据为数据源,在分类裁剪得到不同自然地物的点云数据基础上,介绍了利用K-邻域法对不规则的自然地物点云数据进行邻域检索,通过设定尺度参数k的值对高矮不同的植被进行特征点的提取算法。通过实验对提取后的结果进行比较分析。结果表明:尺度参数的设置对点云密度较大的低矮植被效果明显,对于密度相对稀疏的高植被影响不大,参数k设置在3~5之间效果显著。     

保留边界特征的点云简化算法

为有效简化点云数据,提出保留边界特征的点云简化算法。该算法利用三维栅格划分法建立散乱点云的空间拓扑关系,计算每个数据点的近邻,通过球拟合法求得其曲率和具有方向性的法向量,采用投影点个数比值法找到并保留点云边界,根据具体情况设定所需阈值,对非边界点进行分类,通过对点的曲率与平均曲率比较、近邻保留点与近邻点个数比例,完成点云简化。实验结果表明：该算法不仅能对点云进行直接有效地简化,而且还能很好地保留点云模型的细节特征,简化比例达25％～40％。该方法可以满足不同种类点云简化的要求,能够提高计算机运行效率。     

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.     

逆向工程中NURBS曲面重构技术

针对激光扫描系统采集的机械零件点云数据的特点,在原始点云数据预处理上,采用删除非曲面上的点云数据、拼接、排序和点云数据切片等方法,对数据进行平滑和分块,利用非均匀B样条法对切片点云数据进行光滑和数据插补,给出了NURBS曲面的重构方法,重构过程简单、适用,该方法是一种有效实用的方法.     

一种面向高分辨率激光扫描点云的三维建筑物的风格化渲染方法

目前,三维激光扫描仪已经可以方便且快速地获取大范围建筑物的高分辨率三维点云数据。然而,尽管高分辨的建筑物点云数据可以精确且直观的描述真实的建筑物场景,但是由于点云具有离散化的特点,传统直接展示原始三维点云数据的方法缺乏良好的视觉效果。针对高分辨率激光扫描点云的渲染问题,本文提出了一种面向高分辨率激光扫描点云的三维建筑物的风格化渲染的方法。该方法首先提出远距离点采样方法,在简化点云数据的同时保留其三维结构化信息,然后引入基于神经网络的风格渲染方法高效渲染三维建筑物网格数据,最后提出了基于KDTree的网格数据与点云数据的融合方法生成渲染点云。实验表明,该框架可有效地将给定二维图像的风格转化为三维建筑物风格,在保证良好视觉效果的同时,保留了建筑物的精确三维几何信息。     

机器学习在车载激光点云分类中的应用研究

点云信息分类提取与利用是车载移动测量系统的关键技术,提高车载激光点云分类的智能化已成为当代信息科学技术发展所面临的重要问题.从分析点云的特征入手,采用机器学习方法对车载激光点云的行道树提取进行了大量实验研究.首先,在点云原始特征的基础上,根据其局部几何特征及空间分布,构造了由三维空间位置、回波强度、颜色值、法向量、单位投影密度、残差及回波强度维度内的残差等17个特征值组成的点云高维特征向量,然后采用支持向量机和人工神经网络两种机器学习方法分别对行道树点云进行提取实验.实验中采用了粒子群优化算法对支持向量机进行参数寻优,采用所构造的由17个特征值构成的特征向量对点云进行机器学习,两种学习方法的行道树点云分类精度分别可以达到99.75%和99.25%.实验结果表明,采用机器学习的方法对于提高车载激光点云分类自动化程度和智能化水平具有重要意义和作用.     

激光扫描数据的等值线分层提取和多细节表达

从地面三维激光扫描技术得到的点云,数据多,精度高,特征复杂,不能直接采用传统方法提取等值线.对此,首先提出点云的分层模型,并分析点云在Z坐标轴方向数据量分布以及分层点的空间分布情况,提出在高精度、高细节的采样下,将分层点云作为等值线的采样数据.然后,用迭代的凸包算法对无先验连接信息的分层点数据连接.结果表明,得到的等值线符合一般等值线的特点,不会产生边缘交叉等问题.最后,按照凸包算法的迭代次数,对等值线分类,可以表达不同细节程度的等值线,层次越高,等值线所表达的物体表面信息越多.最终通过实例说明方法的适用性.     

基于区域增长的城区机载激光雷达数据的分类算法研究

机载LIDAR从城区点云数据中获取建筑物脚点并进行建筑物重建是当前的一个研究热点与难点。目前点云数据的分类算法在城市区域建筑物和树木靠得很近时,则会将建筑物和树木错误的融合到一个类别中,从而难以准确地提取建筑物。本文综合考虑建筑物和植被点云的高程纹理信息和多重回波信息的不同特性,提出一种直接针对原始离散LIDAR点云数据的建筑物和植被区分的分类算法。试验结果表明,本文提出的算法能正确识别建筑物和植被且不受建筑物的形状、大小、结构影响,也不受植被的分布密集度和分布形态的影响。     

古建筑物三维点云数据去噪方法

目的研究k-means聚类算法和双边滤波去噪算法,解决古建筑物在建模中如何减少噪声点的问题.方法使用k-means聚类算法对点云数据进行k个集群划分,选择合适集群,获得最佳K值进行点云去噪,使用双边滤波算法对点云数据进行滤波去噪,选用Fandisk点云数据、bunny点云数据、沈阳建筑大学古建筑物老校门和八王书院点云数据进行去噪实验.结果选用的仿真模型和古建筑模型经过处理,点云数据模型表面光滑,边界特征保持良好.结论所提方法有效地去除了噪声点,增强了点云数据模型的光滑的和光顺度.