一种考虑平面特征的室内稠密点云精简方法

针对室内稠密点云数据海量、信息冗余、处理难度大等问题,提出一种顾及平面特征的室内稠密点云精简方法。首先,通过无效点去除、统计滤波、体素滤波等完成稠密点云的格式检查、去噪和抽稀。然后,采用区域生长算法提取平面,并采用Alpha Shape算法提取其边缘信息。其次,将点云数据降维成图像,并提出一种融合聚类的四叉树分割方法实现目标聚类分割。最后,针对图像中不同聚类区域,采用3种采样策略回溯得到精简点云。试验选取公寓、卧室、会议室和办公室等典型室内场景测试方法性能。结果表明：与传统的随机采样、距离采样、八叉树采样等方法相比,该方法简化效果更佳,平均简化误差在3 mm以内。在保留场景平面特征和边缘细节信息的同时,显著降低点云存储空间。对于三维重建、地图管理和机器人导航有着重要意义。     

基于深度图像与分水岭的平面点云分割方法

根据目前点云数据分割的研究现状以及分水岭算法在图像处理中的应用,提出一种基于深度图像和分水岭算法的建筑物平面点云分割方法.该方法首先将平面点云数据生成深度图像并给像素赋予灰度值,再使用双边滤波算法进行滤波去噪,然后使用分水岭算法进行图像分割,得到分割结果后索引回原始点云数据,得到点云分割结果.为验证方法的可靠性与准确性,利用区域增长法、RANSAC算法以及欧式聚类法进行对比实验.通过对实验结果的对比分析,能有效地将不同点云面片分割出来,并且具有良好的准确度和完整度,分割结果质量较高,为点云的分割提供了新的思路与方法.     

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。     

改进的布料模拟算法在多波束点云粗差剔除中的应用

针对目前多波束滤波需要人工剔除的现状,在布料模拟滤波算法（cloth simulation filtering,CSF）基础上,提出了一种基于点云分割和自适应参数调整改进的CSF算法。先对多波束点云数据进行分割,然后根据点云数据的面积和标准差调整每块CSF算法的参数,再构建布料滤波模型剔除粗差点,最终将分割后的点云拼接生成水下地形点云数据。结果表明,本文算法与CSF算法相比,克服了过度滤波现象,而且对于不同地区与人工方法粗差点剔除比分别从1.03下降到1.01和从1.46下降到1.19;与人工剔除粗差相比,避免了遗漏粗差点,人工干预很少。     

基于三维点云的工程结构平面分割及表面检测

为了实现对工程结构各平面更加全面、快速、准确的数字化检测,本文提出了一种基于三维点云的工程结构平面自动分割及表面检测方法。首先,通过无人机重建满足工程检测精度要求的高精度三维点云模型;其次,融合体素降采样方法、随机采样一致性(RANSAC)方法和基于密度的聚类算法(DBSCAN),快速、精准、自动地分割工程结构的特征平面,避免手动分割过程中存在的结果不确定及计算效率低的问题;第三,通过设计的精细分割算法有效剔除特征平面周围的噪点,准确提取结构特征平面点云,计算分析特征平面点云,数字化描述结构的表面形状;最后,通过一个在建地铁车站深基坑工程实例,系统地验证了该方法的有效性和准确性。研究结果表明：设计的三维点云平面自动分割算法能够实现工程结构各个平面快速准确的自动分割,自动分割与手动分割结果的交并比接近90%;针对工程结构平面的表面检测算法能够实现结构表面形状的准确测量,有效映射结构物理表面的状态。     

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。     

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。     

基于云理论的图像分割新方法

针对区域生长算法的种子点初始化和生长准则问题,提出了一种基于云模型和区域生长的图像分割方法.该方法首先利用云变换对图像进行变换生成云模型,然后利用云模型的Ex作为区域生长的种子点,以云的极大判定法则作为区域生长准则进行区域生长,获得最终的分割结果.这种分割方法不但克服了区域生长法种子点和生长准则选取不当而产生过分割和欠分割的不足,而且很大地提高了云模型分割图片的速度,实验结果证明,该方法可以准确地分割出目标,是一种有效的图像分割方法.     

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

特征更新的动态图卷积表面损伤点云分割方法

针对金属部件表面损伤点云数据对分割网络局部特征分析能力要求高,局部特征分析能力较弱的传统算法对某些数据集无法达到理想的分割效果问题,选择采用相对损伤体积等特征进行损伤分类,将金属表面损伤分为6类,提出一种包含空间尺度区域信息的三维图注意力特征提取方法。将得到的空间尺度区域特征用于特征更新网络模块的设计,基于特征更新模块构建出了一种特征更新的动态图卷积网络(Feature Adaptive Shifting-Dynamic Graph Convolutional Neural Networks)用于点云语义分割。实验结果表明,该方法有助于更有效地进行点云分割,并提取点云局部特征。在金属表面损伤分割上,该方法的精度优于PointNet++、 DGCNN(Dynamic Graph Convolutional Neural Networks)等方法,提高了分割结果的精度与有效性。     

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。     

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.     

基于RANSAC模型的机载LiDAR数据中建筑轮廓提取算法

使用正交多项式分带滤波方法对机载LiDAR点云数据进行滤波处理,通过迭代不断剔除非地面高点数据,最终得到由贴近地面的数据拟合而成的正交多项式.通过设定高程阈值将数据分成地面部分与非地面部分.提出了一种基于随机抽样一致性(RANSAC)算法模型的建筑物面片识别和轮廓提取算法,实现在包含噪声的点云数据中快速准确地识别和提取建筑物轮廓.在实验中对长春市的机载LiDAR数据进行了滤波、建筑屋顶面及其轮廓的提取,验证了本文算法的较高效率和精度.     

基于点云数据的杂乱场景分割算法研究

目前处理桌面上单个对象已经被解决,然而处理复杂的场景时由于杂乱和遮挡而引起相当多的问题。虽然当前最先进的方法在基准性能上继续逐渐提高,但是它们也变得越来越复杂。针对杂乱场景中多个物体的分割问题,提出了一种基于RGB-D点云数据的分割方法。该方法先将场景点云超体聚类分解为基于体素网格的邻接图,然后对邻接图的边缘进行分类创建凸度图,再通过区域生长合并具有凸关系的分块从而得到未知物体。此外,提出用欧几里得算法对区域生长进行改进,发现对于碗和杯子这类具有内部凹面的物体有较好地分割效果。我们在对象分割数据库和手动提取场景中的实验结果,表明该方法可以在杂乱的桌面场景中分割各种形状的对象。     

一种基于MPEG压缩域的运动对象分割算法

针对目前视频压缩域中运动对象分割准确率不高的问题 ,提出一种有效的压缩域运动对象的分割算法 .该算法先对运动矢量进行运动累加和中值滤波处理 ,然后利用离散余弦变换 (DCT)系数块之间的相关性对非零运动矢量区域进行校正 .由于在对运动矢量处理的同时加入了空间DCT块的相关性校正 ,因此分割准确率有了较大的提高 .实验统计结果表明 ,对几种不同视频场景中的运动对象进行分割 ,其分割率比现有的算法提高了约 15 % .     

采用局部凸性和八叉树的点云分割算法

针对粗糙点云分割效果差的问题,提出了一种采用八叉树和局部凸性的点云分割算法.该算法首先通过仪器扫描得到仅包含坐标信息的点云数据,然后对点云进行法向量估算,并根据点云的法向量信息进行八叉树初始分割得到面片,最后根据面片之间的局部凸性特征进行融合,得到最终的分割结果.与其他同类算法相比,采用八叉树和局部凸性的点云分割算法不仅能有效地减少曲面数量,而且在曲面质量上也优于同类算法.采用塔身震落石块的点云数据进行的实验表明,该算法在处理分布较均匀的闭合点云数据时,能够有效减少最终的曲面个数,且面片的质量与手工分割拟合度达到90 ％以上.     

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.     

自适应法向量约束的工件分割方法

针对目前对工件点云分割中出现的过分割、欠分割等问题,提出一种结合欧式聚类和自适应法向量约束的工件分割方法.首先对采集到的点云进行体素滤波,使用随机采样一致性(random sample consensus,RNASAC)算法滤除背景并通过统计滤波器去除噪点,接着利用欧式聚类算法将目标点云划分成点云簇,最后针对点云簇中含...     

基于车载激光点云的道路几何信息自动化提取

为了高效地进行道路设施信息采集与数字化建模，利用车载激光点云数据构建了一种自动化提取道路几何信息的方法框架。针对激光数据的无序性和冗余性，通过网格降采样和半径滤波精简点云规模、去除噪音点；通过栅格单元划分进行点云组织和索引，合理利用点云的空间局部性、缩减运算规模；利用道路要素在高程上的层次性与路面结构的连续性、光滑性，设计了高程滤波、基于主成分分析框架的局部法向量滤波、DBSCAN聚类等方法，实现从原始点云到路面点云的精确分割；利用采集车辆的行驶轨迹信息获取道路走向，利用其方向向量与法向量进行道路横截面的划分；切取横截面后投影至二维平面，并通过滑动窗口、最小二乘等算法提取道路宽度与平纵横参数。通过提取算法与人工测量的结果对比，在复杂街区和郊区公路两个实验数据集，点云分割准确性均超过87%，完整性均超过97%，提取质量均超过86%，几何信息的平均相对误差较小，说明算法具有良好的提取质量。有限算力条件下，两个数据集中点云处理时间分别是6.864与10.078 s/km，几何信息提取时间分别是1.732和0.843 s/km。提出的方法能够很好的兼顾提取效率与精度，在复杂街区和郊区公路环境下...