基于融合邻域信息的海面运动目标检测

运动视目标检测是视频信息处理的重要研究课题之一.本文提出了一种基于高斯混合模型邻域信息融合的海面运动目标检测算法.该算法融合了背景差分和背景邻域信息差分,充分利用同一幅图像的像素邻域信息得到运动目标的种子点,认为高斯背景差分图像中包含种子点的连通区域为真实前景目标.实验表明,该方法可以避免背景模型在构建或更新阶段对场景的表征不足或错误而造成的误检,对强光下的海杂波也有良好的抑制作用,且对不同的气候环境有较好的鲁棒性.     

移动最小二乘增量式多视点云数据融合算法

在散乱数据点移动最小二乘曲面拟合的基础上,提出了一种增量式多视点云数据融合算法.将算法中多视点云数据作为对同一物体表面二维流形的一次采样,采样数据中包含匹配误差、冗余和畸变,把多视点云数据融合问题转换为由包含误差的散乱数据点恢复二维流形的过程.对每一幅当前处理的点云,寻找当前点云与已增量式融合的点云数据的重叠部分,在重叠部分数据集上构造移动最小二乘曲面,将重叠部分的每一个在移动最小二乘曲面上的对应点合并到当前已增量式融合的点云数据集中,从而实现了增量式多视点云数据的融合.实验证明,该算法是一种有效的多视点云数据融合算法,并且可从较大匹配误差、噪声、畸变的多视点云数据中获得较好的融合效果.     

基于邻域漂移的点云法向估计算法研究

随着三维激光扫描仪的改进和普及,获取三维点云数据的方式越来越方便.法向量作为点云数据不可或缺的属性之一,在诸多算法中具有重要作用.由于受到噪声、离群点、非均匀采样等因素的影响,准确快速估计尖锐特征点的法向量仍然是具有挑战性的.提出基于邻域漂移的点云法向估计算法,实现准确快速地对尖锐特征点的法向进行估计.首先,对当前点的近邻点构造其邻域,所有近邻点所对应的邻域构成候选邻域集.利用协方差分析对候选邻域进行评价,并选取最优邻域用于最终的法向估计.实验结果表明本算法在法向估计的质量上与前沿算法持平,在运行速度上与传统PCA算法相近,可以最大程度兼顾法向质量与计算速度.     

一种新的散乱点云尖锐特征提取方法

针对散乱点云的尖锐特征识别与提取问题,提出一种基于平均曲率运动的散乱点云尖锐特征提取算法.该算法利用采样点的加权邻域重心近似表示离散Laplacian算子;利用采样点邻域的主成分分析估算散乱点云法向量,通过张量投票的方法平滑估算得到的点云法向场,进一步提高了该算法识别细微尖锐特征的能力;将采样点和其对应加权邻域重心之间的距离投影到法向方向,消除了因为采样密度不均匀以及边界点所引起的尖锐特征点误判.该算法直接对散乱点云进行操作,不需要维护采样点之间的连接关系和任何全局的拓扑信息,简捷且易于实现,对点云中的噪声和局外点保持鲁棒.该算法应用于合成点云和实际扫描点云的实验结果表明了方法的有效性.     

基于点云数据的牙齿表面重建算法

由三维扫描仪对牙齿进行扫描, 得到散乱的点云模型, 首先通过构建K D树的方法对每个点进行K邻域搜索; 然后根据这种邻域关系, 利用最小二乘原理拟合平面, 估算出每个点的法向量信息; 接着确定点云边界, 选取极值点作为初始点并建立种子三角形; 最后采用基于多约束的局部最优三角网格生长算法, 从种子三角形开始, 以边为扩展条件, 逐层搜索点并建立新的三角形; 在此过程中添加了四个约束条件, 能够较好的选取扩展点并对已存在的三角形边向外扩展, 从而形成互相邻接的三角形网格, 实现了牙齿表面的重建.     

面向三维残缺点云图像的数据精简方法

为解决残缺点云模型数据精简时边界特征容易失真的问题，以汽车覆盖件中的薄壁类零件为研究对象。提出一种保留残缺点云边界特征的数据精简方法。借助KD-tree建立数据索引结构，获取数据点最近邻，并通过邻域点拟合出微切平面的方法，计算出点云数据的法向量。利用法向量夹角大小关系，选取边界以及孔洞特征点的初始种子点。再根据欧氏距离实现初始种子点的邻域搜索，从而完成边界以及孔洞邻域特征点的提取。根据曲率精简的方法，对非特征点进行数据精简，最后，合并特征点云与非特征点云，实现对残缺点云模型的数据精简。将随机精简法、曲率精简法分别用于点云模型精简处理，结果表明：相比于其他两种方法，所提方法更好地保留了模型边界以及孔洞邻域特征数据点，其标准偏差、曲面表面积变化率优于其他两种方法且变化相对稳定。     

样点邻域同构曲面约束的散乱点云曲率估计

针对现有点云曲率估计算法难以兼顾估计结果的精度与稳健性问题,提出一种样点邻域同构曲面约束的散乱点云曲率估计算法。以目标样点的邻域点集作为局部样本,采用二维Delaunay网格剖分与三维Delaunay网格过滤相结合的策略对局部样本进行曲面重建,获得插值于采样点集并与原表面拓扑同构的局部网格曲面;为稳健估计计算样点曲率所需的样点法向,通过局部网格曲面中顶点一阶邻域面的形状和尺寸确定邻域面法向的权重,以一阶邻域面法向的加权和作为法向估计结果;基于网格曲面顶点一阶邻域面初步估计样点曲率,进而根据邻域样点与目标样点间测地距离对初步估计结果进行平滑修正获得最终曲率估计结果。实验结果表明,所提算法可有效反映曲面特征并兼顾样点曲率估计的精度和稳健性,实现样点曲率的平滑过渡;相比于Meyer提出的Voronoi算法,所提算法对采样精度较高的点云数据可保证与其相当的计算精度,对存在噪声的点云数据计算精度和稳健性均可提高1～2倍。     

基于R*-tree的散乱点云截面数据获取算法

为快速准确地获取散乱点云的截面数据,以较少数据准确表达模型信息,提出一种截面数据获取算法.采用R* -tree建立点云的动态空间索引结构,基于该结构快速准确获取截面邻域数据,依据该数据与截平面的位置关系将邻域数据分为正负两个邻域,通过对两邻域数据点配对连线与截平面求交获取截面数据,并采用最小生成树算法对其排序,最终得到有序的截面数据.结果表明,该算法数据适应性强,截面数据获取精度高,运行速度快,且能够以较少数据准确表达模型型面特征.     

基于自适应八叉树的点云数据压缩方法研究

首先详细讨论了借助包围盒建立点云K邻域以及使用平面拟合方法获取法矢量等方法,然后根据点云数据法矢量变化程度,采用自适应八叉树得到压缩后的点云数据.对相关参数的选取以及算法步骤进行了改进.最后,使用此方法实现了点数为10000的点云模型的数据压缩.     

高斯函数约束下的多判别参数散乱点云边缘检测

设计一种散乱点云数据边缘检测算法,从而快速、精确地提取边缘特征.该算法以点云的局部特征为基础,通过分析点云数据各点的法向特性,构建各点k近邻法向夹角特征、曲率特征、距离特征,并在高斯函数的约束下完成点云边缘特征的检测.利用公共数据进行多组实验,对比不同算法下的检测效果.结果表明:该算法提取点云边缘特征的速度更快、效果更好.