基于点云特征的改进RANSAC地面分割算法

针对室外复杂场景下,轻量级和地面优化的激光雷达里程计与测图(LeGO-LOAM)算法由于地面分割不精确而导致算法定位精度降低的问题,提出一种基于改进随机一致性采样(RANSAC)的多线程地面分割算法:相较于传统RANSAC算法,该算法舍弃从全部原始数据中随机选取种子点拟合地面模型的迭代方式,首先利用点云高程、曲率等点特征信息挑选出所有小于高程、曲率等阈值的种子点以构建种子点集合,并根据种子点集合中的种子点数量判断是否需要多线程处理;然后根据判断结果从种子点集合中选择种子点子集进行地面拟合;最后比较各地面模型所包含的点云数量以获得最优地面模型参数以及地面点云集;地面分割精度的提高有效地降低了LeGO-LOAM算法的定位误差。实验结果表明,在室外复杂场景下所提出的地面分割算法分割效果更好,杂点更少;相较于原LeGO-LOAM算法,改进算法的定位误差降低至3.73 m,平面均方根误差降低了20.8%。

基于RANSAC的圆拟合算法在螺纹孔检测中的应用

在视觉检测过程中,针对多残缺、多噪声圆周的拟合精度不佳的问题,提出了一种基于RANSAC的圆拟合算法。首先对图像进行边缘检测,使用基于Scharr算子的Canny算法可获得高质量的边缘分布图;使用霍夫梯度法在边缘分布图中对目标圆弧进行粗定位,并提取包含目标圆弧的点集;提取到的点集中含有大量无关边缘像素点,使用RANSAC算法剔除点集中的异常数据,得到有效样本数据构成的待拟合圆周点集;最后采用LIN算法对待拟合圆周点集进行拟合,得出最终的拟合结果。算法在椒盐噪声和曲线噪声抗干扰实验中表现优异,有着较强的抗干扰能力。已经成功应用到了螺纹孔圆周的拟合,精度和实时性均可满足实际生产要求。

基于改进RANSAC的本质矩阵求解方法

针对在单目系统大尺寸测量场景下使用RANSAC算法求解本质矩阵时稳定性和求解精度不高的问题,提出了一种改进RANSAC的本质矩阵求解方法,首先在所有匹配特征点中,通过当前内点求得的本质矩阵对剩余匹配特征点进行重投影误差,并采用相对判别法通过这些误差的值大小来确定当前内点是否为高质量内点,之后在此基础上采用二分法动态调整阈值从若干本质矩阵中寻找最优值。最后,设计了多组视角不同误匹配率下的仿真实验和实际拍摄的实验,实验证明,相较于传统与其他改进的RANSAC算法及LMedS算法,本文改进的算法能够快速确定初始内点并自适应调整阈值,同时求出较好的本质矩阵,满足求解稳定性与精度的要求。

基于改进RANSAC-ICP算法的点云配准方法

针对点云配准时重叠区域小,难以提取特征,配准精度较低的问题,提出了一种结合改进的随机采样一致性(RANSAC)算法和改进的迭代最近点(ICP)算法的点云配准算法。首先,采用快速点特征直方图(FPFH)描述子对点云进行特征描述;其次通过融合几何一致性,采用改进随机采样一致性的算法,及时删除匹配过程中的误匹配点对,保持着对应点之间的优质关系,使其在低重叠率的点云以及含噪声的点云下也能找到具有对应关系的点,进行点云粗配准;最后针对点云数据量大时ICP配准耗时长的问题,采用KD-Tree搜索,将无序的点云进行有序化排列,进行点云精配准。采用激光雷达扫描的真实点云数据进行实验验证,并与主流点云配准算法进行比较分析。实验结果表明,对于较低重叠率、含噪声的点云,能够快速、精确地求得最优变换,具有较好的配准效果。

基于RANSAC算法的工业机器人运动学参数标定

为提升工业机器人末端绝对定位精度,文中提出一种基于RANSAC算法的运动学参数标定算法。首先采用D-H模型建立末端位置运动学误差模型;通过RANSAC算法对标定点集进行筛选,剔除误差较大的粗差点;最后采用抗差岭估计辨识运动学参数,减少测量扰动、粗差和法方程病态性等因素的影响。试验结果表明,机器人绝对定位精度的RMS误差由0.999 mm降低至0.229 mm,误差下降77.08%。相比于传统的标定算法,文中算法辨识运动学参数准确性更好,标定精度更高。

融合PCA+RANSAC的激光雷达点云直线特征提取

直线特征是测量场景中的普遍特征,也是点云智能化处理的基础数据。针对目前直线特征提取算法复杂、精度有限的问题,提出了一种融合PCA和RANSAC算法的直线特征提取算法。首先,构建点云的协方差矩阵,并采用PCA算法求解特征值和曲面变分,用曲面变分筛选出特征区域点云;然后,再次使用PCA算法求解特征区域点云,根据特征值分布规律和曲面变分协同精化出直线特征区域点云;最后,利用RANSAC算法逐条分割出直线特征点云,并根据局内点坐标计算空间直线的方向和点坐标参数。试验结果表明,本文方法提取了block模型的全部12条直线特征并获取了正确的直线参数,直线特征点云的召回率为97.0%,精度为99.7%。本文算法有效可靠,可快速准确地提取点云直线特征。

结合改进RANSAC算法的建筑物点云色彩增强方法

针对彩色三维点云中因建筑物阴影导致可视化效果不好的问题,提出了一种以建筑物面分割为基础对建筑物局部进行色彩增强的方法。首先采用改进随机抽样一致性(RANSAC)算法对建筑物进行表面分割,并提出光照向量的概念将表面分割结果分为阴面与阳面;再单独针对阴面进行色彩增强。实验表明,该方法有效改善了三维点云建筑物的视觉效果,在保证建筑物风格一致的前提下提高了建筑物点云的整体亮度与对比度,可在一定程度上消除建筑物阴影对可视化效果的影响,适用于各类以建筑物为主体的点云实景三维工程。

区域增长与RANSAC模型结合的机载点云平面分割方法

针对现有的建筑物点云分割数据效率低、抗噪性弱等问题,提出了一种区域增长与RANSAC模型结合的点云平面分割方法,该方法以种子点的曲率、法向量及其邻域点到法平面的欧氏距离为生长约束条件,通过不断扩展种子面提取符合平面模型的初始样本点集,然后采用基于RANSAC平面拟合的稳健参数估计方法估计出高精度的平面参数。试验证明该方法具有可行性。

基于RANSAC平面检测种子点的机载屋顶点云提取方法

机载激光雷达技术已经成为快速获取城市建筑三维数字模型的有效手段,而建筑物屋顶点云提取则是建筑物三维数字模型重建的关键。针对该问题,本文提出了一种基于随机抽样一致算法(RANSAC)平面检测种子点的机载屋顶点云提取方法。首先,通过近地点分离将地面点从点云中分离出来,保留建筑物点云和少量树冠点云。然后,利用RANSAC平面检测选取种子点,这些种子点几乎全部为屋顶点,且非屋顶点比例极低。接下来,将种子点作为初始增长点,利用种子点与其邻域点法线夹角和Z方向上的距离差值作为聚类特征,进行屋顶点提取。实验结果表明,该方法在不同数据集上取得了良好的屋顶点提取效果。点云密度对屋顶点提取结果有一定影响,较高的点云密度有利于提取几何特征明显的屋顶点。此外,通过该方法选取的种子点准确性较高,非屋顶点的影响非常有限。综上,该方法能够有效地提取机载点云中的屋顶点,为建筑物三维重建和城市规划等应用提供了重要的数据支持。

一种基于三维最小二乘与RANSAC算法的隧道断面检测方法

盾构法因安全高效在地铁隧道等交通设施建设中被广泛应用,为保障建成后隧道的平稳运行需进行定期稳定性检测。相对于全站仪等传统低效率作业方法,短时间内获取大量数据的三维激光扫描技术逐渐成为盾构法隧道检测的首选方法。但隧道内管线、轨道等设施同样被扫描并掺杂在获得的点云数据中,成为影响隧道断面参数计算的噪声点。本文提出一种基于三维最小二乘与RANSAC算法的隧道断面检测方法,该方法首先基于三维最小二乘(Three-Dimensional Least Square Method,3D-LSM)计算隧道点云中轴线整体方向向量来获取隧道断面,进而将获取的三维断面数据转换到二维平面上,随后基于随即抽样一致算法(Random Sample Consensus,RANSAC)建立拟合去噪模型,根据断面数据拟合计算隧道断面的半径和椭圆度。通过青岛某地铁隧道精密检测工作表明:该方法能够应用于三维激光扫描计算隧道断面的椭圆度和半径中,并有效地克服了噪声点对拟合精度的扰动,提高模型拟合计算精度和对粗差点抵抗性。

基于RANSAC和三维谱峰分析的全姿态散射中心建模

全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。

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。

SURF算法和RANSAC算法相结合的遥感图像匹配方法

综合利用了SURF(speeded up robust features)算法和RANSAC(random sample consensus)算法各自的优势,提出了一种SURF算法和RANSAC算法相结合的遥感图像匹配方法。首先利用SURF算法提取特征点并进行预匹配,然后用RANSAC算法剔除误匹配点对,解决了SURF算法中存在的误差匹配和错误匹配问题。通过实验验证了所提算法的有效性,并且该算法在实际应用中也取得了良好的效果。

基于区域方差和RANSAC的海天线检测新方法

针对海空背景图像中海天线的检测问题,提出了一种基于区域方差和RANSAC算法的新方法。该方法首先搜寻图像中设定区域内方差最大值的位置,并以此确定出若干海天线候选点坐标,然后结合RANSAC算法求取海天线直线参数。实验证明,该方法能有效地检测出复杂海空背景下的海天线,具有鲁棒性强、运算速度快、工程实用价值高等优点。

RANSAC直线估计方法在路面三维点云优化中的应用

在机场跑道异物检测和公路路面病害勘测等应用领域,快速高效获得大面积路面三维形貌至关重要。在利用车载单线式激光扫描仪实施路面三维重建的应用中,车辆的颠簸会使得路面三维点云数据出现失真。为此,使用RANSAC直线估计算法估计出由扫描仪获得的每条扫描线的斜率,进而消除了路面三维点云的不规则起伏失真。实验结果表明,优化前由车辆颠簸导致的路面点云起伏幅度达0.6 m,优化后的路面点云起伏幅度控制在0.04 m以内。路面重建效果经优化后有较大改进,此外点云优化算法耗时约11 s。因此,文中的路面三维点云优化方法原理简单、实施简便、路面点云优化质量高且耗时少,可在车辆存在颠簸时保证路面三维重建效果,在需要快速高效获得大面积路面三维形貌的场合具有较好的应用前景。

基于SIFT和RANSAC的特征图像匹配方法

针对目前普通图像匹配抗干扰能力不强的问题,将尺度不变特征变换(SIFT)和随机采样一致性(RANSAC)算法结合,提出了一种适应性强的图像匹配算法。首先对图像进行SIFT特征提取,利用最优节点优先搜索并计算最近邻特征向量与次最近邻向量间的欧式距离比来加速完成特征点对预匹配。在此基础上引入随机抽样一致性(RANSAC)算法去除不可靠的匹配对。最后根据匹配点对计算出图像间透射变换的参数。实验结果表明:该匹配算法具有尺度、旋转不变性以及一定的仿射不变性、抗干扰性,可以实现目标物体匹配。

一种基于RANSAC的点云特征线提取算法

点云中提取的特征线在点云处理中具有重要的应用价值,已被应用于对称性检测、表面重建及点云与图像之间的注册等。然而,已有的点云特征线提取算法无法有效地处理点云中不可避免的噪声、外点和数据缺失,而随机采样一致性RANSAC由于具有较高的鲁棒性,在图像和三维模型处理中具有广泛的应用。为此,针对由建筑物或机械部件等具有平面特征的物体扫描得到的点云,提出了一种基于RANSAC的特征线提取算法。本算法首先基于RANSAC在点云中检测出多个平面,然后将每个平面参数化域的边界点作为候选,在这些候选点上再应用基于全局约束的RANSAC得到最终的特征线。实验结果表明,该算法对点云中的噪声、外点和数据缺失具有很强的鲁棒性。

基于RANSAC算法的柱面全景图拼接方法

针对RANSAC算法只适用于平面图像配准的局限,将RANSAC算法应用于柱面图像上,设计了一套适合柱面全景图像拼接的算法.整个算法用匹配特征点对之间的关系解决了两幅图像的旋转、垂直偏移以及柱面图像拼接时的月牙缺陷问题.实验结果表明,该方法能正确找到两幅图像的重叠位置,实现自动拼接,在基于柱面投影的全景图生成中应用,效果良好.

基于RANSAC算法的地铁隧道点云数据滤波

三维激光扫描技术能够快速、有效地获取隧道点云数据,可用于提取地铁隧道的形变信息,但隧道点云数据中包含着噪声点、离群点,需要滤波去除,目前已有滤波算法不适用于隧道环境。文中采用统计特征去除部分噪声点,利用区域增长方法初步提取隧道壁部分点云作为RANSAC算法种子点,进一步利用RANSAC算法拟合数学模型提取隧道壁全部点云数据,并利用RANSAC点云拟合模型对隧道盾构体施工精度进行评估。实验结果表明了方法的有效性。

RANSAC平面估计算法在路面物体体积测量中的应用

在利用车载单线式激光扫描仪实施路面三维重建及路面目标物体积测量的应用中,使用RANSAC平面估计算法获得了路面的0高度平面,提高了路面目标物体积计算的精度。实际测试表明,对路面上一不规则形状坑,采用注水法测量得到的坑体积为2.25 m3,点云经优化前后计算得到的坑体积分别为1.86 m3和2.10 m3,误差分别为17.3%和6.7%,点云优化过程耗时约7 s。因此,本文的路面三维点云优化方法速度快,且三维重建效果及目标物的体积计算精度可满足实际要求。