基于空间网格划分的点云质量检测算法

随着三维激光扫描技术的快速发展,它以非接触性、高密度、高精度、数字化、自动化等特点,被广泛用于多个邻域,其中在建筑物变形监测领域的应用也越来越广泛。针对扫描设备获取的大量变形监测数据,快速地统计出前后两期数据变化差异值,提出了一种基于空间网格划分的点云质量检测算法,算法通过对不同期点云模型进行空间网格划分,依据网格进行点云邻域搜索,并根据点云变化差异值给点云赋予不同色谱颜色值,最后进行直观的两期点云变化差异可视化,并绘制出统计信息图。研究表明,该算法能够快速地分析对比两期点云数据,输出变化差异统计信息,能够为工程的运营提供快速的安全指导参考。     

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.     

动态卷积的3D点云目标检测算法

针对不规则且稀疏的点的提取特征问题,提出一种以动态卷积作为特征提取的3D点云目标检测算法.首先,以一种新型的动态卷积的方式自适应学习点的位置特征,分类出前景点与背景点,同时对提取出的前景点逐一做回归框;然后,用非极大值抑制选出分数值最好的回归框.其次,进行粒度的细化,得到修正规范的3D回归框,完成3D物体的目标检测.最后,在KITTI数据集上验证算法的有效性.结果表明：文中所提算法在汽车类、行人类、自行车类数据集上的3D点云目标检测精度更高.     

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。     

基于局部最大距离的孤立点检测算法的研究

孤立点检测是数据挖掘研究中的一项重要内容,其目标是发现数据集中行为异常的数据对象．本文在局部稀疏系数算法的基础上提出了基于局部最大距离的局部孤立点检测算法,该算法提出检测孤立点只需计算它的最近邻居对象的最大距离．实验结果表明,该算法发现局部孤立点是高效的。     

基于纵横距离的单纯异常点检测算法及应用

首先讨论了异常点挖掘在数据挖掘过程中的重要性,产生异常点的原因,以及目前用于检测异常点的常用算法,指出了单纯应用距离法的局限性,提出了基于纵横距离的异常点检测算法,并给出了基于学生成绩检测的应用实例,该方法不需要进行大量的样本训练,在异常点检测方面有较好的效果.     

基于点云俯视图重映射的3D目标检测

三维(3D)目标检测常见的数据格式为图像和点云,图像数据具有较好的目标识别能力,点云数据具有准确的空间信息.为了更好地利用图像数据目标识别能力较强和点云数据空间信息较准确的优点,文中提出了基于点云俯视图重映射的3D目标检测方法Bird-PointNet.该方法首先将点云编码为俯视图格式,进行目标识别和粗略定位;然后将俯...     

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。     

基于灰色关联分析的三维点云识别算法

为了适应激光引信识别战场目标时高动态、信息量少与干扰复杂的环境,该文提出一种基于灰色关联分析(GRA)的三维点云识别算法。构建由目标尺寸信息、目标轮廓信息组成的26维目标特征描述子,分析描述子中各元素的信息量、信息重要性、抗噪声能力和对遮挡的鲁棒性。提出基于层次分析法(AHP)的特征权重分配方法,建立目标特征空间转换和基于GRA的三维点云识别模型,实现对典型目标的识别。完成了对典型目标的仿真。实验结果表明：各种遮挡情况下的尺寸描述子的综合关联度最小为0.811,截面轮廓描述子的综合关联度在Ⅰ级和Ⅱ级的非严重遮挡下最低达到了0.875;对于Ⅲ级遮挡和Ⅳ级遮挡,通过降低特征融合时截面轮廓描述子边缘元素部分的分配权重,F最小为0.69;在各种遮挡情况下的平均识别率达到了0.862;最大识别时间为12 ms。     

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ISS特征点的快速CPD建筑物点云配准算法

针对大规模建筑物点云数据采用CPD（coherent point drift）算法进行配准时,计算复杂度增大的问题,提出了一种基于建筑物点云特征点简化数据的快速配准ISS-CPD算法。该配准算法采用ISS(intrinsic shape signature)算法求得建筑物点云的特征点,可减少建筑物点云的数据量规模,再对所提取的不同视角下建筑物点云的特征点用CPD算法进行配准。实验结果表明,改进的配准算法提高了建筑物点云的配准效率。     

基于灰度峰谷点的快速识别定位算法

在通常的基于灰度值的快速定位算法基础上,提出了基于灰度峰谷点的快速识别定位算法,能够迅速准确定出运动目标的位置坐标,并对二者的优缺点进行了比较。     

一种3D点云分割改进型边缘特征提取网络

针对点云分割中边缘特征提取不足导致局部特征信息不完整、整体分割精度下降的问题,提出一种3D点云分割改进型边缘特征提取网络.为提升边缘特征表达能力,对深层边缘特征提取层做出改进,引入基于残差结构改进的多层感知机结构,形成边缘特征提取单元,该单元将原始点云特征与多层感知机提取边缘特征相融合,获取更加丰富完整的边缘信息,提高3D点云分割网络模型精度.在Shapenet数据集上的实验结果表明,提出的3D点云分割改进型边缘特征提取网络优于现存同类方法,相较于LDGC-NN链接动态图网络,点云分割准确率提升了1.17％.     

基于图像分块的多尺度Harris特征点检测算法

通过分析Harris特征点检测算法在应用中的不足,提出一种基于图像分块的多尺度Harris特征点检测算法,解决了特征点聚簇现象,检测出的特征点分布均匀.实验结果表明,该算法具有精确性、有效性和鲁棒性,为进一步图像特征点匹配工作提供了保证.     

基于S-NARF算法的点云图像特征提取与描述

 针对NARF算法运算速度较慢和提取图像边界特征的局限性问题,提出了一种在以SIFT关键点为原点的局部坐标系下估算3D NARF特征描述符的算法.首先对点云图像进行特征检测,基于DoG3D算子提取3D SIFT关键点.然后对特征进行描述,以SIFT关键点为原点,在相应的深度图像中建立局部坐标系,并在该坐标系下,依据图像分辨率建立斑块,设计一种等角度间距的星状射线.用射线穿过的单元计算描述符向量各元素的值,构成特定维描述符.最后采用RGB-D传感器获取环境点云数据进行实验.结果表明,改进算法提高了运算速度,所提取的特征更具一般性,并且基本不改变描述符的典型性和独特性.     

基于中轴线的隧道点云去噪算法

隧道作为一个狭长的封闭空间,其点云内部噪声影响点云分析精度,有效去除隧道点云内部的噪声是基于点云隧道形变分析的关键.提出一种基于中轴线的隧道点云去噪算法.通过对点云双向投影获取隧道在水平和垂直方向的姿态变化,根据高阶多项式拟合两条平面曲线并插值中轴线控制点,通过定义空间线段的夹角加密控制点以表达中轴线.通过计算各控制点处的切平面实现对隧道点云的分割,计算各分块内点到中轴线的距离,并根据给定的距离阈值实现隧道内部点云噪声的过滤.通过两组实验分析证实该方法的可行性与精确性.第一组通过模拟隧道点云数据并采用该方法拟合中轴线,比较分析其与已知中轴线的精度.第二组通过分析处理实际的隧道点云数据,实现隧道点云内部噪声的去除.     

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。     

基于特征点距离的手背静脉特征融合方法

针对现有手背静脉识别利用手背静脉特征较少, 识别率较低的问题, 提出了一种基于特征点距离的手背静脉特征融合方法。该方法首先对手背静脉进行细化, 对不变矩特征的量化值求和再进行匹配; 然后提取手背静脉的端点及交叉点, 利用改进的Hausdorff 距离进行匹配, 从而去除零距离点的影响, 提高两幅图之间的非相似性; 最后将这两种匹配方法进行加权融合。实验证明, 该融合算法识别率可达96. 75%, 且运行时间仅为0. 97 s。