基于点对特征的三维点云匹配算法

针对现有的基于全局特征的三维物体识别方法和基于局部特征的三维物体识别方法在有遮挡和混叠场景中识别效果均不理想的问题,提出了一种基于点对特征的三维点云匹配算法。利用模型上的所有点对特征来完成全局模型描述构建,并在减少的二维空间上,利用快速投票方案,在局部对模型点云和场景点云进行匹配,从而恢复模型在场景中的全局姿态。实验结果表明:该算法在有遮挡和混叠的场景中识别效果比较理想。

轨道故障动态三维检测与识别系统

轨道线路作为城市轨道交通不可或缺的基础设施,其关键部件状态的动态检测、故障的自动识别与列车行车安全息息相关。针对现有2D检测手段存在的检测精度低、检测功能单一、易受环境影响、人工效率低等问题,研制了一套轨道故障动态三维检测与识别系统。该系统基于三维成像技术获取钢轨、枕木和扣件的二维图像及深度信息,结合阈值分隔技术和YOLOv4目标检测算法精确定位检测区域,利用基于深度学习的三维点云匹配算法识别检测区域状态,并在数据终端实时显示检测与识别结果。经试验验证,该系统对钢轨磨耗的检测精度达到±0.25mm,轨表、枕木、扣件的故障识别率达96.7%以上,且能排除环境因素的干扰,可用于实时检测轨道线路多种故障,有助于轨道检修作业的智能化升级。

激光点云线性KNN算法FPGA实现及加速

针对三维激光点云线性K最近邻(K-nearest neighbor, KNN)搜索耗时长的问题,提出了一种利用多处理器片上系统(multi-processor system on chip, MPSoC)现场可编程门阵列(field-programmable gate array,FPGA)实现三维激光点云KNN快速搜索的方法。首先给出了三维激光点云KNN算法的MPSoC FPGA实现框架;然后详细阐述了每个模块的设计思路及实现过程;最后利用MZU15A开发板和天眸16线旋转机械激光雷达搭建了测试平台,完成了三维激光点云KNN算法MPSoC FPGA加速的测试验证。实验结果表明:基于MPSoC FPGA实现的三维激光点云KNN算法能在保证邻近点搜索精度的情况下,减少邻近点搜索耗时。

基于快速点特征直方图的三维点云配准算法

三维点云配准算法是三维场景模型重建的重要研究部分。针对传统迭代最近点算法(ICP)对点云进行配准时容易陷入局部最优的问题,本文研究了基于局部特征点改进的ICP算法。文章分析了点特征直方图(PFH)和快速点特征直方图(FPFH)两种局部特征点,得出了FPFH具有比PFH更低的时间复杂度的结论,因此通过FPFH特征描述子对两片初始点云进行粗配准,使其具有较好的初始位姿,最后用经典的ICP算法进行精配准。实验结果表明,基于FPFH特征点改进后的ICP算法能提供较好的点云初始位姿,一定程度上避免了配准时陷入局部最优的问题,比传统ICP算法具有更好的配准效果。

基于神经网络的运动参数估计

分别就两种约束使用神经网络对三维刚体运动进行参数估计。一是基于三维点匹配,将预测的运动参数作用于运动前的坐标,与运动后坐标进行比较;二是基于二维运动场,将使用预测的运动参数计算得出的二维运动场与图像序列中计算得出的二维运动场进行比较。两个神经网络均使用Newton-Raphson方法更新权值,以达到目标误差最小化。通过实验验证了该神经网络方法。