一种基于深度学习的两段式三维面片过分割方法

为解决三维点云面片分割方法参数多、面片数无法固定、泛化性能差的问题，根据二维深度超像素采样方法(superpixel sampling network, SSN)提出一种两段式深度三维面片过分割方法3DFON。方法前段为深度特征提取网络，后段为允许梯度传递的并行点级别迭代聚类算法。利用综合损失函数对进行网络训练。研究表明，该方法在Shapenet Parts数据集上展示了良好的分割效果与泛化能力，与SLIC(simple linear iterative clustering)算法及面片化算法相比，可免调节参数，且在可达成最大分割精度与欠分割误差这两项指标上具有优势。     

大型储罐的三维点云精简方法研究

针对大型储罐三维点云数据散乱、冗余点多等影响计算机显示及容积计算的问题,改进了一种储罐三维点云精简算法。该方法先利用均匀网格法,将待处理的三维点云数据分割成若干小栅格;然后根据随机抽样一致(random sample consensus,RANSAC)算法对每个栅格中的点云数据建立球模型,以保留特征点并滤除冗余数据点,达到精简点云的目的。将该方法与传统的均匀网格法和非均匀网格法进行对比,实验结果表明该方法在保证较高精简率的情况下可以更好地保留储罐点云数据特征。     

基于超点图的点云实例分割方法

提出一种基于超点图的点云实例分割(ISPG)方法。基于超点图结构提取点云对象相邻点之间的关联性特征,并且将传感器扫描的场景划分为均匀的几何元素,用来表示同属性的点云类,再由一个图卷积网络实现实例分割。结果表明:IoU阈值为0.5的情况下,该方法在斯坦福大型三维(3D)室内空间数据集S3DIS上精度达到了48.9%。     

基于卷积神经网络的三维物体检测方法

提出了一种新的三维物体检测方法.在物体定位部分,采用随机采样一致和欧式聚类算法分割三维物体点云以减少计算量;在物体识别部分,将物体点云转化为深度图像,利用k-Means聚类算法学习卷积核,利用卷积网络提取卷积特征,从而提高图像的识别率,并在2个公开的三维物体数据集上对所提出的特征提取算法进行测试.结果表明,与传统的点云特征提取方法相比,基于卷积网络的特征提取方法的识别率较高.     

基于改进随机抽样一致的点云分割算法

随着三维点云数据模型在三维建模、测绘、智能城市以及机器视觉等领域的应用,点云数据处理也成为一个研究热点。点云分割就是将三维空间中点云通过一系列算法,将散乱的点云数据划分成更为连贯的子集的过程,可以为后续的数据分析提供数据基础。针对随机抽样一致算法(random sample consensus, RANSAC)对杂乱、无规则点云数据分割效果不佳的问题,提出一种改进的RANSAC点云分割算法。该算法通过构建Kd(K-dimensional)树,利用半径空间密度重新定义初始点的选取方式,进行多次迭代来剔除无特征点,在实现点云分割的同时可以有效去除噪声点;此外,该算法重新设定判断准则,优化面片合并,可以实现点云的精确分割。实验通过对散乱点云数据进行分割,结果表明该改进RANSAC算法的点云特征提取数据量较大,面片分割的准确性较高,是一种有效的点云分割算法。     

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。     

基于2D先验的3D目标判定算法

提出一种基于2D先验的3D目标判定算法.首先用轻量级MobileNet网络替换经典SSD的VGG-16网络，构建出MobileNet-SSD目标检测模型；其次，通过改进网络结构，提高模型对小目标的检测能力，并引入Focal Loss函数来解决正负样本不均衡和易分样本占比较高的问题；在相同数据集上，将改进算法与Faster R-CNN、 YOLOv3及MobileNet-SSD进行对比测试，其平均精度mAP分别提高了7.2%、 8.8%和10.6%;最后，通过改进算法获取ROI,利用深度相机将二维ROI转换为ROI点云，并借助直通滤波来判断目标物体是否为真实场景物体，既省去了传统点云识别中的诸多步骤又避免了点云深度学习中三维数据集制作难度较大的问题，在识别速度和识别精度上达到了较好的平衡.     

结合位置关系卷积与深度残差网络的三维点云识别与分割

针对现有点云识别与分割算法因忽视点的位置特征和局部几何特征关系而导致难以捕获具有鉴别力的局部几何信息的问题,提出基于位置关系深度残差神经网络的三维点云识别与分割算法。将原始点云嵌入到高维空间并获取其高维特征;将点云的高维特征输入位置关系卷积实现局部邻域内当前点特征与位置几何特征的信息交流,并通过深度残差模块强化提取到的深层语义特征,分层重复以上步骤可逐步得到点云的高级上下文语义特征;通过全连接层与解码器,得到点云的识别与分割结果。实验结果表明,所提算法在ModelNet40点云分类数据集的识别精度达到了93.9%,在ShapeNet Part点云部件语义分割数据集的平均交并比达到了86.0%。所提算法能够提取三维点云的关键特征信息,具有较好的三维点云识别与分割能力。     

基于密度噪声应用空间聚类算法的机载激光雷达建筑物点云提取与单体化

针对机载激光雷达建筑物点云提取过程中自动化提取困难,以及提取后的建筑物单体化过程繁琐等问题,提出一种基于DBSCAN算法的机载雷达建筑物点云提取与单体化的方法。该方法对预处理后的点云数据基于DBSCAN算法进行去噪与初步的提取,通过三维密度聚类,将建筑物的点云进行提取与自动单体化。根据建筑物点云密度的特点,进行二维的密度聚类,结合DOM进行点云分割。最后将处理后的点云数据进行优化处理,并将建筑物单体化簇类进行提取,得到单体化建筑物点云。结果表明：本文采用的提取方法提取的建筑物点云数量正确率为97.36%,轮廓边长的中误差为0.077,可以有效的提取出建筑物点云并将其单体化。     

基于机载LiDAR系统的电力线点云提取方法研究

针对野外地形高度起伏大、走向复杂、杆塔形式多样且点云密度不均匀等造成电力线点云提取精度低的问题，文章提出一种自动化精度高的新型电力线点云提取方法。根据电力线走向对整体点云进行分块处理；使用迭代高程阈值法计算得到最佳高程分割阈值，将地面点、地物点与电力线点进行分割；采用DBSCAN密度聚类法聚类出杆塔点并进行剔除，对于误分到杆塔点的部分电力线点结合点云高程搜索进一步提取出来；使用欧式聚类法对单根电力线点进行精提取。实际输电线路点云数据实验表明，该方法电力线总提取精度为99%,实现了电力线点云的自动、高效提取，可满足实际电力巡检生产需求。     

点云精简的一种方法

重构曲面之前,需要对三维数据点集做精简处理,即在保留特征点的前提下剔除尽可能多的冗余点,这样可以保证后续曲面重构工作的高效进行.本文以样点邻近点与强制中心点切平面的关系,来判断局部空间点的分布情况,从而提供了一种新的数据精简方法.     

三维激光扫描多视点云拼接新方法

提出了一种新的多视点云拼接算法．该方法首先根据点云观测数据，以一个二维平面网格以及网格中各网点所对应的z坐标来拟合参考点云；然后采用公共点对法将目标点云概略拼合到参考网格点云；最后，计算目标点云中各点至网格点云中相应网眼的距离，并以所有这些距离的平方和最小为准则，采用最小二乘法迭代解算点云坐标转换参数．实例证明，该方法算法可靠，操作简单，计算效率高，具有很强的实用价值．     

基于k-邻域密度的离散点云简化算法与实现

提出一种基于k-邻域密度(即k-邻域中的点云密度)的离散点云简化算法, 并给出了在三角网格重构中的实现. 该方法不仅可以保证实物模型重建后的整体轮廓, 而且在细节部分也较好地保持了局部形状特征. 三角网格重构的实验结果表明, 所给方法简单、 高效, 同时, 在实物模型平滑处与曲率变化较大处均取得了理想效果.     

基于混合上下文熵模型的点云几何编码算法

针对三维点云存在的大量空域冗余信息，提出一种基于混合上下文熵模型的点云几何编码算法框架.通过多层感知机与Resnet网络分别对基于八叉树结构的点云和基于体素结构的点云特征进行上下文特征提取，并使用选择单元对上下文信息进行裁剪、选择和融合，使网络能够针对当前编码体素建立更加准确的概率模型，从而提高三维点云的压缩效果.同时，针对模型复杂度高的问题提出并行多尺度自回归进行概率估计的方案，大大降低了编解码时间.实验结果表明：点云几何编码算法能够有效降低每个体素所占的比特数并且整个编码过程无损；与G-PCC编码算法相比，压缩后比特率下降了14.27%.     

二维距离图分割的激光雷达点云无损压缩方法

激光雷达动态获取点云压缩是智能驾驶的关键技术之一。针对动态获取点云场景范围大,分布稀疏,本文将点云几何信息映射到二维距离图(range image),提出一种基于距离图分割的激光雷达点云无损压缩方法。由于动态获取点云的稀疏性,以及噪声和离群点等的影响,目前的距离图分割算法分割后类别过多,导致对分割区域编码时,边缘信息消耗较大的比特数。对此本文提出孤立区域精细处理的方法,有效地改善了过度分割的问题,提高了分割区域的压缩性能。为了保持残差、地面区域点云等数据原有的相关性,我们利用两种无损的数据压缩技术进行编码。实验结果表明,本文设计的基于距离图分割的激光雷达点云无损压缩方法具有较高的压缩性能。     

非结构环境下一种改进的区域生长点云分割方法

针对非结构环境下目标零件识别过程中零件相互堆叠造成分割困难的问题,提出了一种改进的区域生长点云分割算法。首先,采用直通和统计滤波器对获取的点云进行预处理,得到去除冗余数据后的点云;其次,使用八叉树建立点云之间的拓扑关系,提高后续点云分割的效率;最后,选择基于局部径向基函数的曲率计算方法,通过计算选取曲率最小点为初始种子点,并设定空间阈值范围进行区域生长。实验结果表明:该方法能有效解决非结构环境下零件堆叠导致的分割困难问题,分割准确度高且效率满足工业实时需求。     

基于中轴线的隧道点云去噪算法

隧道作为一个狭长的封闭空间,其点云内部噪声影响点云分析精度,有效去除隧道点云内部的噪声是基于点云隧道形变分析的关键.提出一种基于中轴线的隧道点云去噪算法.通过对点云双向投影获取隧道在水平和垂直方向的姿态变化,根据高阶多项式拟合两条平面曲线并插值中轴线控制点,通过定义空间线段的夹角加密控制点以表达中轴线.通过计算各控制点处的切平面实现对隧道点云的分割,计算各分块内点到中轴线的距离,并根据给定的距离阈值实现隧道内部点云噪声的过滤.通过两组实验分析证实该方法的可行性与精确性.第一组通过模拟隧道点云数据并采用该方法拟合中轴线,比较分析其与已知中轴线的精度.第二组通过分析处理实际的隧道点云数据,实现隧道点云内部噪声的去除.     

点云格网化滤波方法及其在隧道变形监测中的应用

将三维激光扫描技术应用于地铁隧道变形监测,针对点云数据的预处理问题,研究基于小波分析的点云格网化滤波方法。结合南京地铁隧道扫描点云数据及其特性,分析和选择合理的插值方法对隧道点云进行格网化处理,采用小波变换对格网点数据进行异常值探测,采用小波阈值去噪对格网点数据进行整体去噪,获得滤波后的点云并进行封装对比,获得了很好的滤波效果。     

海量数据点在UGII中的显示技术

基于UGII系统的二次开发工具及C 的纯虚函数,实现了作为UDO对象的海量数据点在UGII中的显示技术.应用实例表明:该技术可行、有效,很好地解决了UGII系统不能处理海量数据点的问题,为在UGII系统中开发海量数据处理模块奠定了基础.