基于多结构快速生成算法的建筑物平面提取

针对RANSAC算法在多结构数据集中提取平面点时存在的不足,提出了基于多结构快速生成算法的点云平面提取的新算法.该算法在随机产生一组平面模型之后,通过每个点相对于模型的残差排序信息,计算条件内点概率分布,然后利用得到的内点先验分布概率指导模型采样.实验结果表明,该算法能准确地检测出点云数据中的平面,相比RANSAC算法具有更好的采样效率.     

散乱数据点云边界特征自动提取算法

提出一种散乱数据点云边界特征自动提取算法,该算法采用R* -tree动态空间索引结构组织散乱数据点云的拓扑关系,基于该结构获取采样点的k近邻点作为局部型面参考数据,以最小二乘法拟合该数据的微切平面,并将其向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征.实例验证该算法可快速、准确地提取散乱数据点云的边界特征.     

基于点云分割的建筑平面图智能生成技术

为了使房屋检测中建筑平面图测绘更加智能化,提出一种基于点云分割的建筑平面图智能生成技术．首先,使用多站点三维激光扫描仪获取点云数据,将所有站点数据进行点云配准拼接,获得完整的建筑模型,同时对点云进行降采样预处理;然后,采用随机抽样一致性(RANSAC)算法对建筑平面进行提取,通过调整点之间距离的阈值、拟合的平面数量和迭代的次数来分割出不同构件的平面;最后,选取合适的中间高度将分割后的点云模型切片,构建投影函数执行投影生成平面图．使用Python编程语言并结合Open3D点云数据处理库对所提算法进行验证,通过对教学楼某层扫描数据进行分析,实现了含有墙、门窗位置信息的建筑平面图的智能生成．研究结果表明：该技术可以准确地对三维激光扫描点云进行分析处理,且平均尺寸误差在4%以内,具有较高的分类精度．     

基于面结构光的T型焊接接头成形角度测量

针对钛合金带筋壁板T型焊接接头成形角度的测量需求,基于面结构光三维扫描仪设计了三维点云测量系统,以获取T型焊接接头区域三维点云。首先,对三维点云进行预处理,利用统计滤波去除离群点,通过直通滤波剪除场景点云和冗余点云,再用体素化栅格法简化点云;然后,使用区域增长算法分割出T型焊接接头的筋板点云和壁板点云;最后,基于随机抽样一致性（RANSAC）算法拟合出分割后的筋板和壁板平面点云,得到平面法向量,计算求得T型焊接接头的成形角度。将焊接前的测量角度反馈给装配机器人,用来修正筋板的装配精度;焊接后的测量角度则用来评判焊接成形质量。计算结果表明,运用所提的点云数据处理方法能快速精确地计算出T型焊接接头的成形角度。     

采用仿射迭代最近点的晶圆分割方法

针对依赖硬件设施的晶圆分割方法存在生产成本高、工艺复杂且分割效果不稳定的问题,提出以仿射迭代最近点(ICP)算法为核心的基于图像形状配准思想的晶圆分割方法。该方法采用Canny算子提取图像边缘,建立晶圆模板图像与目标图像的特征点集;对目标图像的边缘图像进行基于Hough的直线检测,得到粗略的晶圆矩形边框信息;以矩形左上角的点坐标作为匹配搜索区域的初始值进行基于仿射ICP算法的精确配准,通过晶圆产品图像与模板图像的特征匹配,实现晶圆的快速、准确分割。理论分析及实验结果表明:该方法计算复杂度较低,单独样本分割时间约为0.9s,样本分割精度明显高于其他算法,满足自动化生产线的实时在线检测需求。     

基于点云语义分割算法的下颌角截骨面设计

下颌角截骨手术是近年来较为热门的颅面整形手术.现阶段,下颌角截骨的术前方案设计通常由具有一定年资的医生完成,过程繁琐且耗时较长.为了提高截骨手术术前规划效率,提出一种基于点云语义分割网络的下颌角截骨面设计方法.对颅骨电子计算机断层扫描(CT)数据进行三维重建和表面点采样,将下颌骨三维模型转换为点云数据,然后通过基于Transformer的点云语义分割网络预测下颌骨点云中的截骨区域,最后根据点云分割结果计算出下颌角截骨平面.所提网络主要包括两个部分：一是基于注意力机制的本地特征提取层,用于提取细粒度局部结构信息;二是基于Transformer的非本地特征提取层,用于提取点云的全局上下文信息.在构建的下颌骨语义分割数据集上,将所提算法与其他点云语义分割算法进行比较.结果表明：所提算法能实现最佳的下颌角截骨区域预测,优于目前常见的点云语义分割算法.     

快速成型中的三维数据准备

快速成型中的三维数据包括物体的三维CAD模型、通过三维数字化测量仪器测得的物体表面的三维数据点云、STL文件及三维模型的切片. 通过概念设计和反求工程中的三维扫描可以建立物体的三维CAD模型, 并着重讨论了工件表面点三维数据的获取方法及数据点云的处理, STL文件的格式、精度、分割与拼接.     

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.     

一种新的棉花根系图像阈值分割方法

为了方便实现棉花原位根系的检测,提出了一种自动全局阈值分割方法,用于棉花根系图像分割.采用无损的数码设备成像法对棉花原位根系图像进行采集,使用自动全局阈值分割方法分割图像.该方法首先将采集到的原位根系图像进行空间转换,使采集到的图像在HSV空间下进行分割;然后,通过全局阈值分割的方法选择阈值将图像进行二值化处理,采用闭运算方法对二值图像进行初步降噪;最后,通过形状特征的筛选过滤图像中所有噪声,并筛选出图像中细长的根部特征.本算法可以有效抑制噪声和土壤杂质的影响,能够对根系进行准确地分割,是快速检测作物根系图像的有效办法.     

基于边缘卷积的三维目标识别算法

三维目标检测是实现无人驾驶必不可少的技术,但很多三维检测算法采用的分割算法并不能很好地提取局部特征,导致检测精度不理想。为了改善局部特征缺失的情况,提出一种基于边缘卷积的三维目标识别算法。本算法以激光点云和RGB(red, green, blue)图像作为输入,基于二维候选区域中的像素过滤激光点云生成视锥点云,以此提高检测速度。同时,在分割算法中,在点云的局部特征图的基础上计算目标点和相邻点之间的欧氏距离,并将其作为边缘特征赋予目标点和相邻点。此外,在卷积神经网络提取特征的过程中,每次卷积完成后都会在新的局部特征图上重新计算三维点之间的欧氏距离,为三维点构造新的边缘特征。这使得边缘特征能随着卷积神经网络的计算扩散到整个点云,从而提高局部特征的提取效果。本算法在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)的三维点云数据集上进行验证,分割精度达到92.82%,相比于F-PointNet提高了2.30百分点;对不同目标的检测精度也有所提高,车辆、自行车、行人的检测精度分别达到了85.77%,76.09%,53.08%。试验结果证明了本算法的可行性。本算法可应用于无人驾驶汽车,实现车辆、行人和自行车的定位与检测。     

基于点云的SUSAN特征点检测算法在三维重建中的应用

针对三维重建中点云特征点检测问题,提出了一种基于点云的最小核值相似区(SUSAN)特征点检测算法,并将其应用于三维重建的初始配准.首先,对待测点云进行遍历,利用kd-tree数据结构获取三维r-邻域核值相似区,计算得到点云的候选特征点;其次,使用快速点特征直方图对候选点进行特征描述并实现两幅点云特征点间的匹配;最后,利用奇异值矩阵分解法计算变换矩阵,完成两幅点云的初始配准.实验结果表明该特征点检测算法计算效率较高,产生的特征点匹配准确,可为精确配准提供较好的初始位置.     

基于Kinect 2的三维人脸个性化建模

提出一种基于五官形状特征点以及人脸肌肉函数的优化Kinect 2 个性人脸网格的算法,然后通过自适应uv贴图,使结果更符合个性人脸特征.首先,通过提取彩色图的特征点位置获取个性人脸的x,y 空间的特征信息,基本的五官形状特征点为83 个,通过相似三角关系在鼻梁和鼻翼处添加了6 个特征点以丰富五官形状特征信息.肌肉形状特征约束方面,综合肌肉形状约束量有43 个.其次,通过Kinect 2 人脸个性化建模得到中间模型,同时也获得了五官形状和肌肉形状特征的深度先验信息.接着使用基于拉普拉斯算子的微分网格变形算法对Kinect2 的中间模型进行五官优化及肌肉形状约束,通过对比ASM、正则化均值漂移和face + + 算法检测的人脸特征点来选择更精确的五官位置.最后,为了让人脸更具有真实感,还通过平面微分网格形变实现了uv 自动贴图,提升了maya中手动调整uv 坐标的准确性和效率.同时,使用次表面散射光照模型来使人脸皮肤的真实感加强.实验表明,本文所采用的三维人脸模型的个性化变形方法能使Kinect2 模型更好地符合个性人脸特征,这将为后期的表情生成和动画制作奠定良好的基础.     

散乱点云去噪算法的研究与实现

提出了一种快速去除散乱点云数据表面噪声和离群点的鲁棒滤波算法.应用核密度估计聚类方法,通过Mean-Shift迭代过程将每一个采样点"漂移"到核密度估计函数的局部最大值点,该最大值点确定了点云数据的聚类中心并能准确逼近原始曲面,使点云曲面收敛为一个稳定的三维数字模型.算法中的似然估计函数充分考虑了散乱点的法矢方向,因此不仅可以去除不同幅度的噪点,还可以用简单的阈值条件很容易地检测出离群点的聚类,从而实现了点云数据的高效快速光顺去噪.     

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.     

改进的RBFNN用于机器人三维表面 测量系统曲面重构

为克服三坐标测量机检测速度慢等缺点,提出机器人三维表面测量系统. 针对该系统设计了一种基于径向基神经网络(RBFNN)的简洁快速曲面重构方法. 该方法考虑到RBFNN选取的神经元函数为高斯函数,将机器人三维表面测量系统获得的点云数据投影到二维平面,然后将该二维平面平均分割,选取分割点为RBFNN神经元的中心,避免了模糊c-均值法选取中心需要迭代计算的缺点,并且重构的网络训练精度和测试精度均高于模糊c-均值法选取中心设计的网络精度. 利用该测量系统获得的实际点云数据验证了     

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。     

基于贴近摄影测量技术的高陡危岩体结构面调查方法

为解决传统危岩体结构面接触式调查手段风险高、效率低的问题,提出了一种基于无人机贴近摄影测量技术的结构面提取方法,并以某高位危岩体为例,开展了工程实例验证。首先利用多旋翼无人机对危岩体进行多角度贴近摄影,构建精细化的三维模型和三维点云;然后通过K近邻算法及PCA主成分分析完成优势结构面产状的半自动提取,最后结合三维模型中的岩体裂隙等特征,对危岩体稳定性进行快速评价。结果表明：该方法可获取符合工程精度要求的岩体点云数据,完成结构面产状的半自动提取,且倾向倾角的提取误差均在3°以内,能满足工程精度需求,为分析危岩体稳定性提供可靠的基础数据。     

多轮廓三维立体视景图像的投影检测算法

针对多轮廓三维立体模型进行高精度建模中,因为视觉切换和光线强度衰减产生斑点和投影,需要进行投影检测分离,提高图像品质的问题,提出一种基于相似度特征纹理分割的多轮廓三维立体视景图像的投影检测算法.该算法先根据已知的多轮廓三维模型雏形对所有的建模点进行遍历建模分析,再对遍历后的建模点进行模型重构,构造含积分递推多项式的平面起控基函数,最后采用多轮廓图像的曲线混合函数初始化检测模型,得到改进的三维立体视景图像投影检测迭代方程,用相似度特征纹理分割方法实现对视景图像的投影检测改进,解决了图像投影检测不准确的问题.仿真结果表明,该算法能有效实现对图像的投影检测分离,图像成像保持度更好,提高了图像成像品质.     

三维激光扫描点云直棱特征点填补方法

在三维激光扫描中按照一定的角度分辨率对扫描物体进行离散化采样时,由于物体表面点云中棱角特征模糊,若直接用其构建三维表面模型,在棱角处会导致严重失真,进而影响模型的分析和应用.针对此问题提出了物体棱角自动化填补方法,其技术路线是:首先对点云建立空间索引、精简数据;其次根据扫描点云的法向量,对扫描点云进行非监督分类,从而将属于一个平面的点分为一类;最后利用平面相交的办法填补直线棱角上的特征点.通过实验证明,该方法自动化程度高、填补结果准确,能够使得建立的三维模型与真实物体更加接近,模型分析结果更加准确.     

海量点云数据轮廓特征线的快速生成算法

从海量点云数据中快速生成轮廓特征线,是实现基于特征的模型重建的关键.提出了一种基于切片的轮廓特征线快速生成算法.该算法首先对点云数据进行切片,将数字图像的方法应用到基于切片的特征点提取中,通过设置数字栅格平面的边长快速地提取特征点,并根据提出的双向索引连通法快速构造特征线,最终实现了点云数据的曲线模型.实例证明:本算法可以快速、准确地生成海量点云数据的轮廓特征线.