基于反射强度的改进欧式距离聚类钢轨点云分割方法

线路点云数据结构化是深化专业计算与分析的技术前提。点云分割是点云数据结构化的基础。钢轨作为轮轨走行面,其空间位置的连续及平顺情况直接影响行车安全,因此轨道结构分割中,首先需对钢轨进行分割处理。针对传统欧式距离聚类中线路全景点云数据遍历导致距离阈值难统一、难界定,造成分类过多不易查找,或人工选取初始点及调参带来的自动化程度不高的情况,提出基于反射强度的改进欧式距离聚类钢轨点云分割方法。在对轨道结构特性分析的基础上,采用布料滤波算法进行地面滤波,区分地面点与地物点,精简线路点云为轨道结构点云;融合点云反射强度属性,提出提取率概念,确定钢轨高反射强度区间,进行钢轨顶面点云预分割,进而以轨顶面预分割点作为初始点,根据钢轨断面轨头高和轨头宽构造对角线长度来计算距离阈值,由Kd-Tree找到小于轨头距离阈值的点进行欧式距离聚类,实现对轨头凸集点云的分割。多路段钢轨点云分割试验,精确率及召回率均大于90%,说明该方法可行有效。

结合超体素与颜色信息的区域生长点云分割方法

为解决传统区域生长点云分割算法存在的欠分割和过分割现象,提出一种结合超体素与颜色信息的区域生长点云分割方法。在分割过程中加入超体素过分割步骤,避免直接从点云中分割数据,有效消除噪声和异常值对分割的影响,利用一种几何和颜色信息的联合准则合并超体素并进行区域生长。与深度学习方法和其它3种传统分割算法相比,分割效率和精度都得到了较大提升,解决了欠分割和过分割的问题。

基于改进超体素与图割的室内场景点云分割

室内场景点云分割是三维场景感知、理解、分析及应用的基础。尽管目前的室内点云分割方法可以应用于很多场景,但缺乏对不同结构分割的适应性,在处理临近平行面的分割时,仍无法避免欠分割,因此,本文提出了一种基于改进超体素与图割的方法。首先通过对超体素的邻域选择、法向量计算、特征距离度量,以及对超体素局部邻接图的空间连通性约束与分割,构建出自适应处理临近平行面关系的机制,实现复杂室内场景点云的有效分割,克服欠分割现象;最后通过4组室内场景点云进行验证,并与现有方法进行对比分析。结果表明,本文方法提高了复杂室内场景点云分割的精确率和召回率,验证了其对不同结构分割的适应性和有效性。

室内障碍物点云分割的可变阈值联合聚类算法研究

激光雷达点云分割技术在智能车辆环境识别中扮演着重要角色。由于激光雷达存在点云近密远疏、分布不均匀的问题以及存在噪点的情况,导致出现点云分割不准确的现象。针对上述问题,提出了一种可变阈值联合聚类算法。该方法首先对点云数据进行预处理,使用直通滤波、体素滤波和立方体滤波对点云进行提取、稀疏和降噪,再联合自适应DBSCAN算法和改进后的可变阈值欧式聚类算法对点云进行聚类分割。采集真实场景数据进行测试,结果显示,在C-H系数、轮廓系数、D-B系数及轮廓系数等评价指标上均有所提高。这表明,可变阈值联合聚类算法显著提高了点云分割的准确性,有效的提高了聚类结果的类内一致性和类间差异性,为目标检测和识别提供了更可靠的基础。

自适应区域生长的复杂曲面点云分割方法

机器人自动加工复杂曲面之前,需要对待作业目标曲面进行区域划分,以适配不同的工艺参数。针对现有方法分割复杂曲面点云产生的过分割和欠分割问题,提出一种自适应区域生长的复杂曲面点云分割方法。首先,设计基于动态平滑阈值的自适应生长准则,用于复杂曲面对象的点云分割,以减少过分割现象;其次,提出欠分割判断准则,以判定分割后的点云集,过滤出欠分割区域;然后,将欠分割区域重分割,直到不存在欠分割区域;最后,以扫描陶瓷洁具素坯得到的复杂曲面点云为实验对象,测试了提出方法对复杂曲面点云的分割效果。实验结果表明,提出方法的分割精度达92.63%、召回率达98.89%、综合评价指标F1分数达95.66,能有效且完备地分割出复杂曲面点云的各个区域。

基于邻域特征编码优化的液压支架激光点云分割算法

受井下煤尘和易被遮挡的影响,液压支架激光点云数据容易出现残缺。现有点云分割算法难以获取细粒度的点云特征,无法得到完整的点云结构信息,且易在邻域内引入语义信息不相似的点,导致液压支架激光点云分割精度低。针对上述问题,提出了一种基于邻域特征编码优化的液压支架激光点云分割算法。引入了由邻域特征编码模块、邻域特征优化模块和混合池化模块组成的局部邻域特征聚合模块:邻域特征编码模块在传统三维坐标编码的基础上加入极坐标编码和质心偏移来表征局部点云空间结构,提升对残缺点云的特征提取能力;邻域特征优化模块通过特征距离判断并丢弃冗余特征,来优化邻域空间内的特征表达,从而更有效地学习点云局部细粒度特征,增强点云局部上下文信息;混合池化模块结合注意力池化和最大池化,通过聚合邻域内的显著特征和重要特征来获取具有丰富信息的单点特征,减少信息丢失。构建了由2组局部邻域特征聚合模块和残差连接组成的邻域扩张模块,以捕获特征间的长距离依赖关系,扩大单个点的局部感受野,并聚合更多有效特征。实验结果表明,该算法在液压支架激光点云分割数据集上的平均交并比为93.26%,平均准确率为96.42%,可有效区分液压支架不同的几何结构,实现液压支架各部件的准确分割。

基于改进LCCP的堆叠目标点云分割算法

点云分割作为无序分拣任务中的一个重要处理步骤,其分割精度直接影响后续的目标识别与姿态估计准确率。针对传统LCCP算法在物体复杂堆叠场景下分割效果不佳的问题,本文提出了一种基于改进LCCP的点云分割算法,首先使用改进的VCCS算法将点云划分为超体素,通过融入高斯曲率信息,进一步改善超体素容易跨越物体边界的问题,然后判定邻接超体素的凹凸连接关系,为了进一步减小噪声的影响,对于所有体积小于给定阈值的超体素,判定其与所有邻接超体素间的连接关系,合并所有凸连接的超体素,得到最终分割结果。实验结果表明,本文方法相比于LCCP和CPC算法在分割精确率上提升了3.1%~22%,且算法整体性能有明显提升。

基于编解码结构的激光雷达动态物体点云分割网络

随着科技的不断发展,自动驾驶技术越来越多地进入到人们的生活中。动态物体点云分割是其中十分关键的一项任务,它可以为地图构建、路径规划等任务提供前置帮助。本文提出一种基于编码器-解码器结构的激光雷达动态物体点云分割网络,使用自校正卷积替换上下文特征提取模块中的普通卷积,提升神经网络的特征学习能力;并在网络解码阶段加入通道注意力机制,提升网络对重要特征通道的关注学习程度,从而达成更好的分割效果。本文在SemanticKITTI MOS数据集上进行实验,实验结果表明,本文所提出的动态物体点云分割网络相比原有方法取得更优表现,交并比(IoU)达到72.1%。

一种点云分割金属铸锭的定位方法

针对AGV叉车搬运金属铸锭过程中的精准定位问题,提出了一种金属铸锭表面三维点云分割算法,主要包括预处理和点云分割两个步骤。预处理步骤对初始点云进行压缩和精简,点云分割步骤采用点云重分配方式改进RANSAC算法,解决了分割过程中的错分割和欠分割问题。实验结果表明,算法对目标金属铸锭三维点云分割具有较好的分割效果且用时较短。

基于数字孪生技术的变电站快速建模点云分割方法

针对点云分割结果完整度和逼真度较低的问题,研究基于数字孪生技术的变电站快速建模点云分割方法。使用三维激光扫描技术采集变电站点云数据,依据特征点的密度初步分割变电站点云数据,运用随机森林深入分割难以确定分类的边缘点云数据,引入数字孪生技术实现变电站快速建模。实验结果表明,该方法能很好地保留变电站各区域的边缘轮廓和纹理特征,模型完整度和逼真度较高,且对结构简单的单一设备,以及大规模、结构复杂的变电站均具有优良的快速建模效果。

基于改进聚类算法的目标点云分割

激光雷达作为自动驾驶不可或缺的传感器,非地面点云聚类作为环境感知障碍物的重要环节,对自动驾驶汽车的安全至关重要。针对现有聚类方法出现的聚类不足、过度聚类和实时性差的问题,本文提出了一种从粗到细的聚类策略来平衡聚类的精度和速度。首先提出基于角度和距离判断的聚类方法对点云进行粗处理,然后采用基于断点检测的聚类方法对点云进行细化,实现了目标点云的精确分割。最后在公开的KITTI数据集上对本文提出的方法进行了评估,实验结果表明,其分割准确率达到82.2%,且分割时间较其他传统算法明显缩短,该算法具有良好的鲁棒性。

基于DenseNet与PointNet融合算法的三维点云分割

点云分割对于智能驾驶、物体检测和识别、逆向工程等任务非常重要。PointNet是一种能够直接处理点云数据的方法,近年来在点云分割任务中得到广泛应用,但其分割精度较低,而PointNet++的计算成本又较高。针对以上问题,提出一种融合DenseNet和PointNet的算法,用于点云分割,并引入三分支混合注意力机制,以提高PointNet在提取局部特征方面的能力。基于密集连接卷积网络(DenseNet)思想,提出用DenseNet-STN和DenseNet-MLP结构来替代PointNet中的空间变换网络(STN)和多层感知机(MLP);同时,使用Add连接代替密集块(DenseBlock)中的Concat连接,以提高对点特征间相关性的准确性,同时不显著增加模型复杂度。DenseNet-PointNet能够提高复杂分类问题的泛化能力,实现对复杂函数更好的逼近,从而提高点云分割的准确率。有效性和消融实验结果表明,本文算法具有良好的性能。点云分割实验结果表明,DenseNet-PointNet在大多数类别中的交并比(IoU)都高于PointNet的IoU,并在部分类别中也高于PointNet++,参数量是PointNet++的47.6%,浮点运算量(FLOPs)是PointNet++的49.1%。实验结果验证了DenseNet-PointNet的可行性和有效性。

面向3D视觉引导的点云分割

点云分割是三维视觉引导和场景理解中的关键步骤,点云分割的质量直接影响三维测量或成像的质量.为提高分割精度、解决边界越界问题,本文提出了一种面向3D视觉引导的点云分割算法,该算法根据点云的空间位置、曲率和法向量信息,生成初始超体素数据,并提取边界点;通过计算边界点与邻域超体素的相似性度量,进行边界细化,即重新分配边界点优化超体素;最后基于区域生长获得候选片段并根据其凹凸性进行合并,得到对象级分割结果.经过可视化和定量比较表明,该算法有效解决了边界越界问题,能对复杂的点云模型准确分割,分割结果准确率为89.04%,召回率为87.38%.

基于特征点提取的工件点云分割方法

针对实际生产中工件相距过近,出现的粘连工件点云无法精确分割问题,提出基于特征点提取的工件点云分割方法。使用随机采样一致性算法将无关点云滤除,利用点云法向量特征进行特征点提取,采用欧式聚类算法对去特征点后的点云进行分割,最后利用模板点云进行配准并补全工件点云。实验结果表明,该方法能将工件点云分割成功率由63.6%提升到81.8%。

顾及建筑物屋顶结构的改进RANSAC点云分割算法

针对传统RANSAC点云分割算法在处理多层次、多面片的复杂建筑物中的困难,提出一种改进算法对建筑物点云进行分割和几何基元的提取。首先,结合基于坡度和高差的三角形区域生长方法,对复杂建筑物的不同结构层次进行分解,提高了随机采样时的有效模型命中率,并降低了错分现象;然后,提出一种浮动一致集阈值的RANSAC算法,通过自动调整RANSAC算法中的关键参数,使算法能够适应不同尺度的几何基元。实验证明了该算法在复杂建筑物点云数据分割效果和运算效率上的有效性。

玉米果穗点云分割方法研究

玉米果穗的三维点云分割是玉米果穗三维表型特征计算与分析的基础。提出一种玉米果穗三维点云分割方法,采用Smart Scan三维扫描仪获取玉米果穗三维点云数据;对点云进行重采样以实现点云简化;在此基础上,通过计算果穗点云中各点的法向量,对果穗点云进行收缩变换以增大籽粒点间的欧式距离,通过欧式聚类的方法实现果穗点云的分割。结果表明,果穗点云籽粒分割率可达到90%以上。方法为基于三维点云数据的玉米果穗表型性状研究提供了技术支撑。

采用局部凸性和八叉树的点云分割算法

针对粗糙点云分割效果差的问题,提出了一种采用八叉树和局部凸性的点云分割算法.该算法首先通过仪器扫描得到仅包含坐标信息的点云数据,然后对点云进行法向量估算,并根据点云的法向量信息进行八叉树初始分割得到面片,最后根据面片之间的局部凸性特征进行融合,得到最终的分割结果.与其他同类算法相比,采用八叉树和局部凸性的点云分割算法不仅能有效地减少曲面数量,而且在曲面质量上也优于同类算法.采用塔身震落石块的点云数据进行的实验表明,该算法在处理分布较均匀的闭合点云数据时,能够有效减少最终的曲面个数,且面片的质量与手工分割拟合度达到90%以上.

基于分裂合并的多模型拟合方法在点云分割中的应用

本文基于机器视觉探讨数字摄影测量三维构像下的智能数据处理要素之二:海量点云分割处理技术。多模型拟合方法通过将点云拟合到不同模型中,依照点云空间分布特征和几何结构特征进行分割。针对点云数据量巨大、分布不均匀、结构复杂等特性,本文提出一种基于多模型拟合的点云分割方法。首先通过降采样,采用基于密度分布的聚类方法,实现对点云的预分割。在预分割基础上,利用基于分裂合并的多模型拟合方法对点云进行后续拟合分割。针对平面和弧面,本文采用不同的拟合方式,最终实现对室内密集点云分割。试验结果表明,该方法能够在无须提前设置模型数目的情况下实现点云的自动分割。且相较于现有的点云分割技术,此方法相较于现今的常规方法能取得更好的分割效果,在分割的正确率上要高于现有的常规分割方法,在处理相同数据量的点云分割时,能够达到远低于常规方法的时间消耗。通过本文提出的三维点云分割方法能够实现将大规模、复杂三维点云数据分割为较为精细、具有准确模型参数的三维几何图元,为后续实现大规模、复杂场景的精确三维构象提供有力支持。

基于多维欧氏空间相似度的激光点云分割方法

点云数据分割是对激光扫描(LiDAR)场景进行三维重建的基础。针对现有基于边界、表面或聚类的点云分割方法中存在的分割不足或过度分割问题,提出了一种基于多维欧几里德空间相似度的点云数据分割方法。通过计算激光点的法向量,结合点云的光谱特征进行数学变换,计算激光点在多维空间中的欧氏距离,比较邻近点间的相似性,最终完成对激光点云数据的分割。该方法解决了常用点云分割中几何特征和光谱特征无法同时使用的问题,融合了几何分割和颜色分割的两方面优势,提高了点云分割精度。采用2组数据分别比较了基于几何特征、光谱特征和多维空间相似度的3种不同分割算法的分割结果,实验结果验证了该方法的可行性和实用性。

基于特征融合的林下环境点云分割

针对林下环境几何特征的复杂性,以及基于边检测、表面增长和聚类分割方法存在的效率低、分割不足及过度分割等问题,提出了一种基于特征融合的点云分割方法。采用地面激光扫描仪FARO在北京林业大学选择样本区域进行扫描,对扫描得到的数据进行采样点剔除及滤波,得到由1 166 302个点组成的林下环境点云数据,主要包括林木、地面、石块、人4类目标。综合利用点云法向量信息和激光反射强度信息可实现点云分割。其中,点云激光反射强度可直接从扫描得到的点云数据中获取;法向量可根据点云数据的三维坐标信息,通过对点云数据建立kd-tree数据结构,执行k-邻域搜索,并基于PlanePCA算法计算得到。将点云法向量和激光反射强度2方面的特征优势进行融合,计算中心点与邻域点的综合相异度,并判断其是否在阈值范围内,最终实现点云分割。比较基于特征融合、法向量和激光反射强度3种聚类分割方法得到的分割结果可知,基于特征融合的聚类分割方法能较好地保留数据特征,且分割完整度明显优于其他2种方法。