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。     

基于3D激光雷达的实时道路边界检测算法

针对室外自然环境下无人自主地面智能车辆的道路检测问题,提出了一种基于3D激光雷达的道路边界检测算法.算法的原理是:根据道路区域与非路区域之间存在的高度跳变的特性,首先提取道路的可通行区域,然后把得到的障碍网格图利用线性鉴别分析(LDA)的分类的思想划分出最佳的左右非路区域,进而拟合得到道路的边界信息.试验结果表明,该边...     

基于车载32线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,由车载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;其次按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。     

基于HDL-64E激光雷达道路边界实时检测算法

为了使智能车辆在多种道路环境中能够快速有效地提取前方道路,文章提出一种基于HDL-64E激光雷达的道路边界检测算法。该算法首先对激光雷达数据进行空间邻域分析,获取平滑度特征图像;然后利用自适应方向边界搜索算法获取候选道路边界激光雷达数据;为了解决激光雷达数据中存在的干扰及不连续问题,对候选道路边界激光雷达数据进行聚类分析及曲线拟合。实验结果表明,在高速、城区以及乡村道路环境下,该算法能够实时、准确地提取道路边界信息,满足智能车辆道路环境建模及路径规划的需要。     

平面点云边界参数识别

应用图像形态学、边缘检测方法获取平面点云边界,使用随机Hough变换识别边界参数,实现了平面点云边界参数的自动识别。把平面点云看作图像,从而引入图像处理方法处理点云数据,这一新方法获得边界,不同于计算机图形学凸包方法,便于直接使用图像处理现成方法。实验证明该方法是正确有效的。     

基于几何特征与三维点云特征的道路边沿识别算法

针对目前典型道路边沿识别算法存在实时性与可靠性难以兼顾的问题,基于多线激光雷达,根据道路边沿的几何特征与三维点云特征,提出了一种权衡实时性与可靠性的道路边沿识别算法。依据多线激光雷达扫描获取的大量点云数据,基于RANSAC算法的地面分割方法,滤除了预设感兴趣区域内的地面数据点,然后将剩余的无序点进行有序栅格化投射处理,根据道路边沿区域的几何特征与点云分布特征进行匹配筛选,再融合RANSAC的最小二乘法,以完成道路边沿曲线的鲁棒拟合。实验表明,算法在直道和弯道场景识别准确率均大于95%,耗时均低于15 ms,具有良好的准确性和实时性。所提算法能有效识别道路边沿,可为智能车可行驶区域的识别及控制提供理论参考与方法依据。     

基于Clifford代数的3D点云模型数字水印算法

引入Clifford代数,在G3空间中建立了不依赖于特定坐标系的、多维统一的3D点云数据几何表征与计算模型.介绍了Clifford代数空间中的Fourier变换及其计算公式,进而提出了基于Clifford-Fourier变换的3D点云模型数字水印算法.该方法将点云模型映射为相应的Clifford几何空间域系数,并对其进行水印信息的嵌入和提取.实验分析表明,所提出的方法对平移、旋转、均匀缩放、重排序、简化和噪声等各种攻击均具有较好的鲁棒性.
     

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.     

3D点云BSP并行计算模型及算法设计

根据3D点云数据处理计算特点,按照BSP模型的技术思想,建立了3D点云BSP并行计算模型。讨论了HAMA框架下的3D点云BSP并行计算模型的实现方法,构建了一个由普通PC组成的HAMA计算集群。以3D点模型构建计算为例,给出了一种3D点云数据处理BSP算法设计方法。实例的计算结果表明:BSP并行计算方法能高效地完成3D点模型构建计算,与其它计算方法相比,计算效率有所提高。     

保留边界特征的点云简化算法

为有效简化点云数据,提出保留边界特征的点云简化算法。该算法利用三维栅格划分法建立散乱点云的空间拓扑关系,计算每个数据点的近邻,通过球拟合法求得其曲率和具有方向性的法向量,采用投影点个数比值法找到并保留点云边界,根据具体情况设定所需阈值,对非边界点进行分类,通过对点的曲率与平均曲率比较、近邻保留点与近邻点个数比例,完成点云简化。实验结果表明：该算法不仅能对点云进行直接有效地简化,而且还能很好地保留点云模型的细节特征,简化比例达25％～40％。该方法可以满足不同种类点云简化的要求,能够提高计算机运行效率。     

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。     

车载雷达点云的结构化道路边界提取方法

为了提高结构化道路边界检测的准确性与鲁棒性,结合非参数变点统计方法,提出了一种基于32线激光雷达三维点云的道路边界提取算法。基于结构化道路区域和非道路区域存在一定高程跳变特征,该算法利用非参数变点统计,对激光雷达扫描的道路环境三维点云数据中突变的z坐标值进行标记,并提取对应的候选道路边界点(x,y)。利用道路边界方向的最大期望(EM)聚类算法,对候选道路边界点进行聚类去噪。利用最小二乘法拟合道路边界,在不同光照条件下的校园结构化直、弯道路环境进行实车实验,统计直道1 030帧数据和弯道650帧数据。仿真结果表明:算法识别准确性较高且检测距离达18 m,耗时约28 ms,可满足智能车实时性要求。     

一种面向3D打印的点云快速重建算法

采用KinectFusion点云融合技术,探索三维重建技术与3D打印技术的结合性,设计并实现了一种面向3D打印的点云快速重建算法.首先使用手持型Kinect获取物体表面点云数据,使用八叉树存储数据,利用ICP(iterative closest point)算法进行点云配准与融合;然后采用基于统计异常值检测方法、随机抽样一致性算法(RANSAC)、移动最小二乘法等算法对点云数据进行后处理;再将处理后的点云数据进行三维表面重构并根据重心加入底座、支柱等缺失部位,以保持模型的平稳性;最后使用自制的三角洲打印机打印成型.试验结果表明,该算法实现了从实物到三维虚拟模型再到实物打印成型的整个过程,具有设备成本低、实现简单并且高效快速等特点.     

基于改进PointNet的空调散热器V形槽3D点云分割算法

针对给空调散热器自动化点胶时无法准确识别散热器V形槽位置的问题,基于PointNet网络的散热器V形槽语义分割方法,首先针对散热器点云V形槽区域与内部区域特征相似的问题,设计一种通过提取点云边缘将点云边缘区域的点云与内部区域的点云分别进行预处理的方法,实现突出点云边缘区域特征的目的。其次,在PointNet网络最大池化函数的基础上,引入平均池化函数,增加网络所提取的全局特征的特征信息,减少因最大池化引起的信息丢失,并去除T-Net变换网络,减少网络的复杂度。从实验室平台采集空调散热器样本进行实验,结果表明,改进算法的平均交并比(mean intersection over union, mIoU)达到78.17%,总体精度(overall accuracy, OA)达到了92.01%,相较于PointNet提高了9.73%和6.37%,验证了算法的有效性。     

基于WebGL的机载激光雷达点云数据可视化

提出了一种基于网络图形库WebGL,在网络浏览器中对大规模机载激光雷达点云数据进行交互式三维可视化的方法.该方法以平均分布四叉树进行数据组织,基于视点对四叉树进行快速视锥体裁切实现点云渐进绘制.在此基础上开发了原型演示系统.实验证明该系统能为用户在网络浏览器中提供很好的机载激光雷达点云数据的交互式三维可视化体验.     

泥石流沟谷地形的机载激光雷达点云滤波算法对比

为探究不同滤波算法对泥石流沟谷复杂地形机载激光雷达点云数据处理的普适性,选取昆明市东川区大白泥河沟作为研究区,采用改进的渐进加密三角网滤波(IPTDF)、布料模拟滤波(CSF)、基于坡度的滤波(SBF)3种常用滤波算法对研究区内的15个样本机载激光雷达点云数据进行滤波试验,结合国际摄影测量和遥感学会提出的交叉表评价体系对滤波的结果进行量化分析,探究坡度、植被覆盖度两类因素与滤波精度之间的关系.结果表明,当地形平坦、坡度较小时(样本1、 2、6、 7、 10), IPTDF、 SBF和CSF算法的平均总误差分别为8.73%、 8.81%、 8.90%,数值上十分接近, 3种算法都能达到分类地面点的目的,当地形复杂,坡度较大时(样本5、 8、 9、 12、 14), IPTDF、 SBF和CSF算法的平均总误差分别为13.4%、 36.4%、 30.2%, CSF与SBF算法在地形复杂的陡壁区域精度较低, IPTDF算法平均总误差远低于其他两种算法,能够很好地适应泥石流沟谷的复杂地形地貌特征;研究区内坡度和植被覆盖度呈显著正相关,坡度和植被覆盖度对CSF和SBF的误差影响较为明显,各算法Ⅰ...     

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

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3D激光点云的移动机器人行驶环境描述

针对移动机器人在复杂环境中的自主导航行驶问题,提出了一种基于3D激光点云数据的行驶环境描述方法. 在对点云数据进行球、柱坐标转换的基础上,构建机器人环境感知圆柱,根据3D激光雷达的扫描序列,提取点云径、切向坡度特征,结合机器人的运动特性,分析行驶环境的可通行性,提取候选道路点云. 复杂行驶环境下的实验结果证明了此方法能够使机器人准确地对环境进行认知.     

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...