非一致性稀疏采样的LiDAR点云压缩方法

针对自动驾驶车载LiDAR点云,提出一种基于形态学分割和非一致性稀疏采样的点云有损压缩框架.将LiDAR点云分割为地面和非地面点云两部分,对两者进行不同强度的去冗余稀疏采样;然后将3D数据转换为2D形式的距离图像,并结合占据图和Morton排序,将点云表示为更加紧凑的1维距离向量形式;最后利用图像编码方法进一步压缩点云...     

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。     

一种基于三维帧间配准预测的V-PCC改进算法研究

基于视频的点云压缩（video-based point cloud compression，简称V-PCC）把点云序列分解成2D的非规则图像块（patch）,每一个patch是由一组彼此相邻且具有相似法线的3D点云投影形成的2D图像，然后对2D的图像采用现有视频编码的方法进行压缩。然而分解成patch进行编码的方法破坏了点云的连续性，不利于后续的帧间预测。对此，设计了一种三维配准帧间预测结合V-PCC帧间预测的改进算法。首先，为了提高点云配准的有效性，设计了一种基于运动一致性的二叉树的粗分割和进一步八叉树细分割的算法，使得每一块点云在配准时具有一致性运动和准确的对应性。进一步，为了保证三维帧间配准预测的可靠性，对分割后的块进行三维配准帧间预测并计算误差。对于误差小于一定阈值的块直接熵编码块索引和运动信息；对于误差大于阈值的块，则融合并使用V-PCC的帧间估计。实验结果表明，本方法进一步提高了V-PCC的编码性能。     

基于3D活动轮廓模型的缺陷点云分割方法

提出一种基于3D活动轮廓模型的缺陷点云自动分割方法,通过扩展数学形态学方法构造符号距离函数估算点云的平均曲率,并应用中值滤波方法去除点云噪声对曲率估算精度的影响,避免了点云的一致性法矢估算和三角网格重构,在保证点云分割精度的同时有效提高了计算效率.应用结果表明本文方法能够有效处理点云缺陷并实现大规模散乱点云的快速分割.     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰,点云密度不均匀,场景复杂多样以及物体之间存在遮挡现象等问题,使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题,提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数,利用核密度估计学习一个密度函数,对非均匀采样的点云数据进行卷积操作。同时,受深度学习在图像领域的启发,引入残差连接、空洞卷积等结构,训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

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%。     

三维帧间配准预测的V-PCC改进算法

针对视频点云压缩(video-based point cloud compression,V-PCC)把点云序列分解成2D的非规则图像块(patch)进行编码,破坏点云连续性,不利于后续帧间预测的问题,设计一种三维配准帧间预测结合V-PCC帧间预测的改进算法.首先,为了提高点云配准的有效性,设计一种基于运动一致性的二叉...     

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...     

基于鲁棒主元分析的SAR图像目标分割

合成孔径雷达(SAR)图像的目标分割,是SAR图像自动目标识别的关键预处理步骤。与一般SAR图像目标区域分割方法不同,鲁棒主元分析融合了主元分析(PCA)与压缩感知(CS)理论中稀疏矩阵的先进思路,利用多帧具有相似性的SAR图像,构建一个观测矩阵D,通过求解一个凸优化问题,重建出一个低秩矩阵A和一个稀疏矩阵E。将矩阵A和E的列向量矩阵化,即可完成SAR图像目标与背景的分离。实验结果表明,鲁棒主元分析算法避免了复杂的SAR图像背景建模,针对同一目标的多帧SAR图像,所提方法对SAR图像目标和背景的分割问题具有可行性和有效性;与经典的最优阈值分割算法相比,误分率明显降低。     

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。     

三维成像载荷地面快速融合处理方法研究

三维成像载荷是一种能够同时采集激光雷达数据以及CCD影像,并快速融合生成三维立体影像的新型载荷。在分析载荷工作原理的基础上,面向载荷的地面检校及成像试验,提出了一种针对该新型三维成像载荷的地面快速数据融合处理方法;并利用地面实测数据对方法进行了验证。结果表明,该方法能快速生成实验区的三维影像,同时也验证了该类型载荷对激光雷达数据与影像数据快速融合的能力。     

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.     

车载激光点云数据精度的提高方法

车载LiDAR系统是继机载LiDAR系统后的又一新型测绘方式,在数据采集和处理中有着自身独特的方法。以StreetMapper360系统采集的一段厦门环岛路数据为例,分析了车载LiDAR系统的主要误差来源,随后从激光点云的数据采集、GPS/IMU数据后处理、安装误差角检校与地面控制点调整4个方面讲述了改善车载激光点云数据精度的方法,最后用地面检查点验证了点云成果数据的精度。     

基于L1中值骨架提取的植物茎干补全研究

【目的】植物的可视化技术是数字林业研究的重要组成部分。针对植物进行三维点云重建时茎干部分容易缺失的问题,基于拓扑连接的缺失部分位置判断及L1中值骨架提取提出一种茎干补全方法,为实现植物可视化提供技术支撑。【方法】依据概率图模型及最小生成树确定点云簇之间的拓扑连接情况,判断缺失部位所在位置。提出了一种基于搜索的待拟合点点集确定方法,使用基于 L1 中值的局部迭代方法提取茎干点云骨架,并对骨架点集进行排序,确定缺失部分待拟合点。最终使用Bezier曲线拟合缺失部分茎干轴线并使用三维参数圆补全缺失部分点云。【结果】对于叶片与茎干缺失分离的植物点云,茎干补全方法可以真实且有效地对其进行补全,拟合结果整体平滑且具有一定的实际物理意义。【结论】通过三维扫描得到的不完整点云在补全后,能在一定程度上弥补扫描的缺陷,构建出完整且逼真的植物三维点云模型,使其能够更加有效地应用于植物的三维可视化建模。     

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。     

基于面特征和SIFT特征的LiDAR点云与航空影像配准

针对LiDAR数据与航空影像融合中的配准问题,提出一种将面特征与点特征相结合的配准方法,首先由LiDAR点云生成深度影像,对深度影像和航空影像提取面特征,在此基础上采用SIFT算子提取点特征,完成LiDAR点云与航空影像的配准。文中方法采取了由面特征到SIFT特征的配准策略,减少了面特征配准的数据量和SIFT算法的计算量。从ISPRS提供的数据集中选取了3组数据进行实验,实验结果表明该方法能有效减少SIFT算子的特征描述符的数量,减少寻找正确匹配点的时间,在保证配准精度的情况下提高配准的效率,适用于城市地区等包含大量面特征地区的LiDAR点云与航空影像配准。     

基于地面LiDAR点云的北川县城震害建筑物提取研究

北川县城在汶川地震后变成一片废墟,本文以北川县城扫描获取的地面激光雷达数据为实验数据,在介绍地面LiDAR点云基本特征、面向对象方法思路的基础上,将面向对象方法引入到地面LiDAR点云建筑物提取中,从而实现了震害建筑物的自动提取。通过对比分析插值生成的特征的不同,构建适合于LiDAR点云震害建筑物提取的特征规则集,基于面向对象方法对北川地震遗址地面LiDAR数据进行震害建筑物识别,对结果进行分析,震害建筑物提取总体精度达92.3%,Kappa系数为0.873,提取精度满足地震遥感应急评估的需求,为震害评估增添新的可用遥感数据源。     

一种基于几何特征由粗到细点云配准算法

针对点云配准算法对初始位置敏感且收敛速度慢的问题,提出一种基于几何特征由粗到细点云配准算法。在粗配准阶段,通过投影法提取源点云和目标点云各4个轮廓点,然后利用曲率特征和轮廓点之间的距离寻找稳健的特征点对,计算得到初始刚性变换参数;细配准阶段,计算点云法向量及法向量夹角,以法向量为特征进行特征匹配,然后使用法向量夹角来启发搜索,使迭代最近点(iterative closest points, ICP)算法快速收敛。实验结果表明,所提出的由粗到细的配准算法鲁棒性强,具有较高的精度和速度。