点云数据特征点提取方法的比较

点云特征的提取在城市、地质等领域有非常重要的使用价值。特征点是最基本的几何特性和纹理特征的特征基元,其不会因为坐标系的改变而发生变化。通过用不同的方法提取点云数据中的特征点,可以在减少计算量的前提下,保留点云的几何特征。通过对利用法矢、曲率和体积积分不变量3种不同的特征点提取方法进行比较,并通过Matlab进行特征点提取实验并分析情况,对其优缺点及适用性进行探讨。     

散乱点云数据区域分割综述

点云数据的区域分割是CAD模型重建的基础.对散乱点云数据区域分割的概念、准则、分类及研究现状进行了综述,总结了这些分类方法的基本思想并加以分析比较,最后对点云分割技术的发展动态作了介绍,并对未来研究作了展望.     

基于八叉树的点云数据的组织与可视化

三维激光扫描获取了大量的点云数据,数据的组织直接影响点云数据的操作速度.采用数据库管理点云数据,对点云数据采用八叉树数据模型进行组织,建立空间索引,对点云数据进行分块提取,实现点云数据的检索以及可视化.     

基于点云数据的建筑物快速三维重建方法

为实现建筑物的快速可视化三维重建,对用地面激光扫描仪获取的建筑物点云数据进行可视化处理,提出了一种拟合平面投影线的快速建模方法,并以Geomagic Studio软件为平台进行了实验。结果表明该方法能提高模型三维重建速度,所建模型很好地再现了原始场景,建模效果好,方法可行。     

散乱点云数据的曲率精简算法

针对海量散乱点云数据精简问题,提出了以平均曲率为判据的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.在散乱数据点参数化的基础上,对k邻域内的散乱点进行二次曲面拟合,求出拟合曲面的平均曲率,进而得出邻域内所有数据点的平均曲率均值,以此为判据进行数据精简.构造曲率差函数,识别出边界数据点,对其进行数据保护.结果表明,该算法对具有曲率多样化特点的点云数据精简具有一定的理论意义和应用价值.通过实验验证了该算法的可靠性和准确性.     

基于激光点云数据的活立木林学参数挖掘

借助于地面激光扫描仪,获取单株活立木空间的点云数据;并运用计算机相关理论算法得到重要的林学参数。首先针对扫描获取点云数据量大的特点,采用球邻域结合均匀栅格法以获取邻域拓扑关系。其次针对复杂结构的树木点云模型,设计了采用Hough变换提取连续的主枝干圆中心计算材积的方法,从而摒弃由于分枝树叶产生的干扰。再次,通过计算复杂点云中的特征量,如特征向量、法矢量、曲率、弯曲度等,以自动定位二级分枝。最后,通过和人工手动测量的真实数据进行比较,证明方法的有效性。     

基于地面激光点云数据的单木三维重建方法

目的 使用地面三维点云数据,提出一种单株树木三维网格模型重建方法,为精准获取测树因子提供技术支撑。 方法 对获取的点云进行预处理,使用k-d树构建近邻关系图,用Dijkstra算法求算出子图的根。检测出有效路径后,使用探测半径计算关键路径。计算树枝骨架,然后对初始骨架进行Bezier曲线半径平滑,得到平滑的骨架,再将骨架连接,使用半径平滑和圆柱拟合减少点云密度小造成的拟合不足的情况,能够最大限度保留树枝的细节。结果 使用3株落叶松点云数据构建了树枝树干表面网格模型,重建了树木三维结构。将树干、树枝的三维网格模型与点云匹配后,效果较好;所构建的模型能够进行细小枝条的重建,而不是模拟细枝,通过观察重建结果,一级枝的重建效果非常好,大的二级枝也能得到很好的展示;整套算法计算快速,计算时间与枝条的复杂程度、连接关系有关。结论 基于关键路径探测的方法能够很好地构建树木的三维网格模型,可以用于单株树木测树因子的精确提取。     

基于点云数据的建筑物快速精细建模

运用点云切片提取建筑物特征线拟合建模,对于长方体、圆柱体、管状体等规则物体自动匹配建模,对于不规则物体进行点云切割、侧视图提取轮廓线、拟合建模,对相同的结构复制等方式批量处理,然后根据点云组合模型,完成建筑物主体建模;通过平面投影方式提取门窗等细节的轮廓线,将轮廓线导出到第三方软件,实现对门窗的精细建模;最后通过纹理贴图生成极富真实感的三维模型并对其数字化展示.     

反求工程中散乱点云的数据预处理技术

提出了一种基于散乱点云的数据预处理方法.该方法包括四个部分:对散乱点云进行Dirichlet域分割并在此基础上进行三角剖分;在各个三角域中寻找中心点,以其为原点建立局部坐标系并采用正态分布模型进行噪声点删除;利用在三角网格上构建B-B曲面进行数据平滑处理;对漏测的数据点进行补全处理.数据点经过上述处理后能基本满足后续的曲面曲线的重构要求.     

浅析散乱点云数据的三角网格面重构

逆向工程的研究有着重大的现实意义。本文先对逆向工程技术进行概述,然后介绍了散乱点云数据三角网格面重构的分类和经典算法,以及逆向工程的常用软件,最后对全文进行了总结。     

基于粒子群优化算法的散乱点云数据配准

针对目前散乱点云数据配准算法在精度、速度和优化等方面存在的问题,提出一种基于粒子群优化算法的点云数据配准算法.该算法首先根据数据点之间曲率的相似度函数,采用粒子群优化算法在两组点云数据中搜索可以匹配的点对集合,然后用最近点迭代算法进行二次配准,实现了两组散乱点云数据的精确配准.对比实验表明,该算法配准速度快,效果好.     

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。     

基于形态学的散乱点云轮廓特征线提取

采用逆向工程领域切片技术和数学形态学方法提取点云的轮廓特征线.空间散乱点云密度高且无拓扑关系,通过切片分层可将空间点云转换为不同层的平面切片点云.借鉴图像处理方法,将切片点云转换成二值图像,使用形态学运算提取其轮廓像素,将轮廓像素转换为轮廓特征点并采用B样条曲线拟合成轮廓特征线.实验验证该方法可以得到高质量轮廓线,并可以有效地解决"多环"切片难以正确提取轮廓特征的问题.     

基于散乱点云的快速体积计算法

三维可视化体积计算基本上都是先由散乱点云构建出表面网格模型,然后基于网格模型计算体积,存在计算量大、速度慢的缺点.针对此问题提出一种快速体积计算法,首先使用改进的增量式Delaunay三角剖分对散乱点云进行四面体剖分;然后利用K近邻计算散乱点的拟合曲面和最小生成树,得到各点的法向量;由各点法向量剔除体外四面体;最后计算各四面体体积之和从而得到总体积.实验表明,该算法不仅保证了计算准确度,而且较传统算法大大提高了效率.     

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.     

基于点云数据的自然地形分类算法

提出一种自然地形分类算法以解决移动机器人导航中的环境理解问题。在单几何特征地形分类方法的基础上,提出的算法使用从点云中提取的复合特征训练分类器。复合特征向量包含一个点几何特征和颜色特征。算法首先计算点的坐标协方差矩阵和平均法向量协方差矩阵的特征值作为几何特征。然后通过标定激光雷达坐标系和相机坐标系使点得到颜色信息,把点的颜色作为颜色特征加入复合特征向量。算法使用最大期望-高斯混合模型(EM-GMM)训练一个分类器,训练数据由人工标注。实验结果表明,与单几何特征分类方法相比,复合特征分类方法在对自然地形分类时能得到更高的正确率。