基于R*-tree的散乱点云截面数据获取算法

为快速准确地获取散乱点云的截面数据,以较少数据准确表达模型信息,提出一种截面数据获取算法.采用R* -tree建立点云的动态空间索引结构,基于该结构快速准确获取截面邻域数据,依据该数据与截平面的位置关系将邻域数据分为正负两个邻域,通过对两邻域数据点配对连线与截平面求交获取截面数据,并采用最小生成树算法对其排序,最终得到有序的截面数据.结果表明,该算法数据适应性强,截面数据获取精度高,运行速度快,且能够以较少数据准确表达模型型面特征.     

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。     

基于自适应八叉树的点云数据压缩方法研究

首先详细讨论了借助包围盒建立点云K邻域以及使用平面拟合方法获取法矢量等方法,然后根据点云数据法矢量变化程度,采用自适应八叉树得到压缩后的点云数据.对相关参数的选取以及算法步骤进行了改进.最后,使用此方法实现了点数为10000的点云模型的数据压缩.     

样点邻域同构曲面约束的散乱点云曲率估计

针对现有点云曲率估计算法难以兼顾估计结果的精度与稳健性问题,提出一种样点邻域同构曲面约束的散乱点云曲率估计算法。以目标样点的邻域点集作为局部样本,采用二维Delaunay网格剖分与三维Delaunay网格过滤相结合的策略对局部样本进行曲面重建,获得插值于采样点集并与原表面拓扑同构的局部网格曲面;为稳健估计计算样点曲率所需的样点法向,通过局部网格曲面中顶点一阶邻域面的形状和尺寸确定邻域面法向的权重,以一阶邻域面法向的加权和作为法向估计结果;基于网格曲面顶点一阶邻域面初步估计样点曲率,进而根据邻域样点与目标样点间测地距离对初步估计结果进行平滑修正获得最终曲率估计结果。实验结果表明,所提算法可有效反映曲面特征并兼顾样点曲率估计的精度和稳健性,实现样点曲率的平滑过渡;相比于Meyer提出的Voronoi算法,所提算法对采样精度较高的点云数据可保证与其相当的计算精度,对存在噪声的点云数据计算精度和稳健性均可提高1～2倍。     

K-邻域法对不同形态植被点云数据特征的提取

以三维激光扫描仪获取的点云数据为数据源,在分类裁剪得到不同自然地物的点云数据基础上,介绍了利用K-邻域法对不规则的自然地物点云数据进行邻域检索,通过设定尺度参数k的值对高矮不同的植被进行特征点的提取算法。通过实验对提取后的结果进行比较分析。结果表明:尺度参数的设置对点云密度较大的低矮植被效果明显,对于密度相对稀疏的高植被影响不大,参数k设置在3~5之间效果显著。     

法向约束的多幅点云数据融合算法

针对光学测量中多幅点云的数据融合,提出了一种基于法向约束的多幅点云融合算法.该算法首先对多幅点云法向滤波,通过2幅点云的双向查找来寻找种子点,在点的法向方向寻找2幅点云中对应的k邻域,计算邻域点的加权和,而融合点是种子点沿其法向移动的结果.与平均聚类法相比,该方法获得的模型表面更加光顺,特征更明显,点的分布也更均匀,对于包含粗大匹配误差的多幅点云模型的融合具有较好的效果.     

基于点云片段法提取道路边界线

车载激光扫描技术作为一种新的数据获取手段,因其可快速获取地物表面的高精度三维信息等特点而逐渐应用于测绘技术中。使用车载激光扫描仪获取的点云数据,采用点云片段法对车载点云数据中的道路边界线提取进行研究。根据高程投影,确定道路边界点所在的大致位置,提取该位置上的点云数据(即点云片段);然后对点云片段上每个点云数据进行斜率计算,根据斜率阀值初步提取道路边界点;最后再对初步提取到的道路边界点进行优化拟合形成道路边界线。点云片段法可通过减少计算过程中的数据量来提高计算效率,可快速而又精确的提取道路边界线,研究结果证明该方法具有可行性。     

基于包围盒法的散乱点云数据的曲率精简

采用非接触式扫描方法测量工件,能够获得高密集度的点云数据,但是过多的点云数据会严重影响曲面重构的光顺性.因此,精简点云数据成为逆向工程中相当重要的一环.提出了直接根据曲率变化精简点云的方法,对邻域搜索、曲率估算和曲率精简原则等进行了研究.对传统的邻域搜索方法进行了改进,采用包围盒法分割曲面,提高了点云精简的效率和精度.     

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。     

基于点云处理技术的汽车车身尺寸获取研究

我国处理交通事故的主要方法依然是手工测量,容易产生数据错误与丢失,且效率低下。激光扫描技术是一种以非接触方式快速获取扫描物体表面点云的数据获取技术,而目前我国还没有运用该技术进行交通事故现场数据获取的相关研究。提出一种利用汽车点云获取车身尺寸的方法,并结合车身曲面特点采用适合汽车点云数据预处理的点云处理算法,然后利用matlab软件编写程序获取车身尺寸,最后通过对比实际卷尺测量尺寸与计算所得尺寸,发现两者相差最大值为13 mm,说明该方法可行。