一种三维点云聚类算法的研究

在重构曲面之前,需要对点云数据进行聚类处理,以保证后续3D重建工作准确、高效地进行。基于采用传统的聚类方法处理立体视觉形成的海量数据所存在的计算与存储瓶颈问题,提出一种新型的聚类算法,即基于包围盒的密度聚类算法。它首先利用包围盒算法对给定的海量点云进行过分聚类,然后对每个过分簇求中心,用中心点代替过分簇,最后在过分簇的级别上进行基于密度的聚类来完成对整体的聚类。结果显示该方法能够有效地实现海量点云的聚类,突破计算瓶颈。它实现了原始点云的大量删减,简化率高达96.75%,并最终在过分簇的级别上将原始点云分为5类。     

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.     

改进的基于径向基函数的曲面重建算法

目的改进基于径向基函数的曲面重建算法。方法针对数据量过大,无法在中低端计算机上进行曲面重建的问题,采用分而治之的思想,将点云曲面先分割后重建。结果所给方法能够明显提高曲面重建效率,实现了在中低端计算机上的曲面重建。结论对于不规则的待重建物体,使用任意方向的包围盒比使用轴向包围盒能更好地降低重建过程中的运算次数。     

基于RBF神经网络的三维点云数据孔洞修补

三维扫描获取点云数据,往往由于被测物体自身形状复杂,扫描设备本身局限或者外部遮挡而出现孔洞,影响后续重构精度.由此提出一种基于RBF神经网络的三维扫描点云数据孔洞修补方法.该方法首先基于法线信息和KD tree提取三维点云的孔洞边缘信息,基于蒙特卡罗法在特征平面内生成填充数据点;然后将采集到的孔洞边缘特征点作为样本点集...     

一种新的点云模型控制网格的生成方法

控制网格是三维模型表示成位移细分曲面的关键.针对采用紧缩包围盒方法在处理表面有大凸大凹的点云模型时所出现的问题,提出了一种新的从点云模型中重建其表面控制网格的方法.该方法首先将点云的包围盒均分为n×n×n个小体元,然后,通过一种类似三维种子填充的算法对点云外部的小体元做上标记,并删去这些小体元,最后从剩下的体元外表面上产生一个初始的控制网格.实验结果表明,该方法不仅能快速地产生位移细分曲面的控制网格,而且能更好地逼近于原模型.     

装配式建筑平面激光点云数据线性特征提取方法

提取建筑物线性特征时，由于未对采集到的建筑物点云数据预处理，导致最终提取的建筑物线性特征存在完整度差、提取正确率低的问题，对此，提出装配式建筑平面激光点云数据线性特征提取方法。通过内设激光测距系统获取建筑物在三维向量的有效数据，采用非接触式几何支撑系统建立基于有效数据的空间向量模型，将该模型输入三维激光扫描仪的目标物体表面校正系统中，获取到建筑物的整体点云数据。利用Otsu目标检测法对获取的整体点云数据进行优化处理，采用改进IFFT算法建立基于优化数据的物像空间位姿表征模型，利用连续投影算法提取网格内部特征点并连接成线，完成建筑物点云数据线性特征的提取。实验结果表明，所提方法的装配式建筑平面激光点云数据线性特征提取清晰度高、完整度好，且建筑物线性特征的提取正确率最高可达100%，说明该方法具有实用性。     

面向点云数据的复杂几何模型对象优化方法研究

针对高精度、高保真的点云数据在精简后点云数据重构网格精度降低误差增大的问题,提出了面向点云数据的复杂几何模型对象优化方法.首先通过空间八叉树法建立点云数据和网格的拓扑关系,并利用原始点云到重构网格的距离确定网格的误差,以目标精度为阈值,然后利用增点法对面片进行划分,最后根据插入点算法重新定位插入点.实验验证表明：利用该文方法对兔子和龙进行一次细分使得精简率90%兔子重构网格误差由0.81 mm提升到0.48 mm,精简率90%龙重构网格误差由0.36 mm提升到0.11 mm.     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

依赖包围盒紧密率及多层建模结构的混合碰撞检测算法

针对复杂环境下物体包围盒选择与更新的低效性,直接导致了碰撞检测时间延长的问题,提出了一种依赖包围盒紧密率及多层建模结构的混合碰撞检测算法。算法首先通过计算比较包围盒紧密率将物体形状分为四类,分别采用Sphere包围盒、轴向平行包围盒、方向包围盒和椭球体包围盒,对两两包围盒进行相交测试,快速准确地剔除不相交的物体。同时,提出三角面片-刚体-模型的多层建模结构的优化方法来构造包围盒树(BVT),减少包围盒树更新时间。最后实验结果表明,相比采用单一包围盒和传统结构的混合包围盒检测算法,该算法能大幅度地缩短相交测试的时间,提高碰撞检测的效率。     

基于激光雷达点云密度特征的智能车障碍物检测与跟踪

现有的基于点云数据的车载三维激光雷达障碍物检测和跟踪存在实时性差、准确率不高以及场景内障碍物数目增多时难以有效关联等问题。针对这些不足,文章提出了结合区域生长与密度聚类的算法以及同时考虑了障碍物几何特征与点云密度特征的关联方法。基于栅格地图,运用最大、最小高度图法去除背景点云数据;在得到可靠障碍栅格地图后,搜索匹配8邻域栅格属性,结合自适应阈值的密度特征进行聚类,提高了障碍物检测准确率;考虑了障碍物的点云密度特征和高度特征,提高了障碍物关联的可靠性并运用卡尔曼滤波器对动态障碍物进行了跟踪。在自行搭建的智能车平台上进行的实车实验验证了该文算法的有效性。     

基于可变形物体的碰撞检测算法

为了提高可变性物体在虚拟现实技术中碰撞检测的效率和准确度,提出了一种改进的基于可变形物体的碰撞检测算法。该算法利用蚁群算法优化蛇形轮廓模型,并将蛇形轮廓模型应用于固定方向凸包包围盒的更新过程中。实验结果表明,该算法极大地简化了固定方向凸包包围盒算法的重建过程,提高了碰撞检测的效率,同时由于加入优化的蚁群算法,提高了碰撞检测的准确度。     

近似凸包自适应包围盒碰撞检测方法

针对虚拟装配环境中包围盒碰撞检测存在检测精度差和效率低的问题,设计了粗精结合的分层检测方法。粗检测阶段,采用基于八叉树的球形包围盒进行检测,初步剔除明显不发生碰撞的对象。在精确检测阶段提出近似凸包自适应包围盒算法,基于近似凸包思想提取贴合模型外壳顶点集求解协方差矩阵计算最小包围盒,解决传统方向包围盒算法因三角形面片的尺寸不均匀、导致构造包围盒方向偏移的问题,且构造时间较传统方向包围盒缩短了66%。最后在Unity3D中以液压调平举升平台各部件为研究对象进行实例验证,实验结果表明,本文研究的方法能构造出比传统方向包围盒更加紧密的包围盒,在装配实验执行时间上比使用传统方向包围盒碰撞检测算法加快了22.2%,比使用轴对齐包围盒碰撞检测算法加快了17.4%,能够满足虚拟装配中碰撞检测效率高的要求,且符合使用者实时的自然交互习惯。     

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

虚拟战场环境实时碰撞检测技术

虚拟战场环境地城广阔、战场目标众多,传统的碰撞检测方法是遍历战场中的每一个目标,这将大大影响碰撞检测的实时性．提出了基于OBB战场环境的感兴趣区域(AOI)的实时碰撞检测算法．当战场环境内部状态发生变化时,该算法仅对AOI区域而不是整个战场环境进行碰撞目标的检测,可大大提高虚拟战场环境中碰撞检测的有效性,而且完全不降低碰撞检测的精确性,减少了系统碰撞检测的负担,提高了系统的实时性．     

激光扫描数据的等值线分层提取和多细节表达

从地面三维激光扫描技术得到的点云,数据多,精度高,特征复杂,不能直接采用传统方法提取等值线.对此,首先提出点云的分层模型,并分析点云在Z坐标轴方向数据量分布以及分层点的空间分布情况,提出在高精度、高细节的采样下,将分层点云作为等值线的采样数据.然后,用迭代的凸包算法对无先验连接信息的分层点数据连接.结果表明,得到的等值线符合一般等值线的特点,不会产生边缘交叉等问题.最后,按照凸包算法的迭代次数,对等值线分类,可以表达不同细节程度的等值线,层次越高,等值线所表达的物体表面信息越多.最终通过实例说明方法的适用性.     

面向全自动三维扫描系统的多视角三维数据自动配准技术

针对利用高精度转台进行配准模型的顶部和底部与模型进行配准时效果不佳的问题, 提出一种面向全自动三维扫描系统的多视角三维数据自动配准方案. 对待扫描模型, 利用单轴高精度转台获取由不同角度扫描的点云数据, 先使用一种快速简单的方法求解转台中轴, 利用中轴将多片点云拼合得到模型主体; 再通过点云包围盒变换, 完成点云的初始配准, 并通过改进的ICP算法完成点云的精确配准. 实验结果表明, 该方法具有较好的操作性和较高的精度.     

An Algorithm to Recognize the Target Object Contour Based on 2D Point Clouds by Laser-CCD-Scanning

For a vision measurement system consisted of laser-CCD scanning sensors, an algorithm is proposed to extract and recognize the target object contour. Firstly, the two-dimensional(2D) point cloud that is output by the integrated laser sensor is transformed into a binary image. Secondly, the potential target object contours are segmented and extracted based on the connected domain labeling and adaptive corner detection. Then, the target object contour is recognized by improved Hu invariant moments and BP neural network classifier. Finally, we extract the point data of the target object contour through the reverse transformation from a binary image to a 2D point cloud. The experimental results show that the average recognition rate is 98.5% and the average recognition time is 0.18 s per frame. This algorithm realizes the real-time tracking of the target object in the complex background and the condition of multi-moving objects.     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。