基于体素栅格的建筑物三维激光点云数据抽稀方法

为了提升三维激光点云数据处理、存储、运算效率,对基于体素栅格的三维激光建筑物点云抽稀方法进行了研究。通过提取原始三维激光点云空间位置和法向量作为体素栅格存贮数据的主要信息;以三维激光点云最大外包矩形构建最大体素,并依据点云位置不断地进行空间划分,直至阈值范围内,从而实现点云数据的高效组织与管理。对体素栅格内的点云依据设定空间半径阈值检索种子点周边点云,剔除体素栅格中阈值内点云,保留种子点云,从而实现了三维激光点云数据抽稀,有效压缩了三维激光点云数据。并通过实验验证了该方法可以有效降低三维激光点云数据冗余,为海量三维激光点云数据的存储与应用等方面的研究提供参考。

基于体素栅格滤波的点云地图处理方法

为了保证算法的实时性,在激光SLAM算法(Simultaneous Localization and Mapping,SLAM)中通常使用滤波算法使激光点云地图保持稀疏的状态以减少运算复杂度。在多传感器融合的SLAM算法中,激光点云为图像像素提供深度信息,最终输出携带色彩信息的点云地图,此时由滤波算法引起的点云稀疏性将影响融合效果,出现无法清晰辨别物体轮廓或颜色信息的情况。本文基于LOAM(Lidar Odometry and Mapping in Real-time)算法,使用体素栅格滤波算法处理激光点云,在不考虑计算实时性的前提下,通过配置体素栅格的大小提高点云密度,为更多数量的图像像素提供深度信息。在室内、走廊、室外三种场景下的实验表明,通过减小的体素大小,点云密度最大可以增加54.87倍,达到了丰富激光点云图的目的,且此方法在室内、走廊等小场景中更加适用。经融合算法处理,将体素滤波处理后的激光点云深度信息与图像像素融合,生成携带色彩信息的点云地图,使环境结构及颜色信息能够清晰辨识。

基于体素化网格下采样的点云简化算法研究

针对三维点云数据冗余量大、重建时间长、效率低等问题,提出一种基于体素化网格下采样的点云简化算法。该算法首先求出点云数据集的最小三维长方体包围盒,把点云数据划分进三维体素栅格中去;其次计算点云的k邻域,进行曲面法向量估计;然后,在三维体素栅格中选择满足要求的数据点,实现点云下采样;最后,调用Power Crust对下采样点云数据进行曲面重建,在三维可视化类库Visualization Toolkit(VTK)进行显示。实验结果表明,该算法能够加快三维点云数据的重建速度,较好地保持了点云特征,提高曲面重建的效率和鲁棒性,适合实时处理。

智慧矿山挡墙状态检测方法

无人驾驶车辆在矿山行驶过程中,如果矿区挡墙出现破损而没有被及时发现并修复,车辆在行驶或卸载时超出挡墙安全范围,易造成安全事故。现有的挡墙状态检测方法多是基于车端、无人机传感设备采集的点云数据,视野有限,稀疏性较大,稳定性差,且缺乏针对挡墙状态完整性检测的方法。针对上述问题,提出了一种基于路侧激光雷达传感器的挡墙状态完整性检测方法。采用分辨率较高的路侧激光雷达传感器采集车辆行驶区域的挡墙点云数据,采用多边形区域滤波及体素栅格化获得完整的挡墙点云数据。采用滑动寻迹搜索技术,沿着挡墙延伸方向将其划分成子单元,以适应不同形状挡墙。针对矿区场地不平整及远处点云数据稀疏带来的误检问题,采用高度差阈值和密度阈值双阈值法,通过检测子单元的缺陷情况得到整个挡墙状态的完整性检测。采集了内蒙古某矿区“L”型、“S”型挡墙的点云数据,并在有遮挡和无遮挡的场景下进行现场试验,结果表明,该检测方法对不同形状挡墙的缺陷均具有较强的检测能力,能够实时识别并标记出点云数据的破损部位。

基于多视觉传感器的受电弓滑板磨耗检测系统设计

针对列车受电弓滑板磨耗检测需求的不断增加,设计一种基于多视觉传感器的受电弓滑板磨耗自动检测系统。该系统通过安装在检测线龙门架上的多台视觉传感器获取受电弓滑板高精度三维点云,通过建立基于多视觉传感器的组合标定模型,将各视觉传感器坐标系下的滑板数据统一于全局坐标系下,拼接得到完整的滑板表面轮廓;采用基于矩形包围盒的体素栅格对原始滑板点云进行下采样,采样后的点云通过密度聚类算法对滑板和托板进行目标数据聚类;最后拟合托板平面,根据滑板平面和托板平面的高度差计算滑板剩余磨耗量。通过试验证明,该系统在保持较高测量精度的情况下,同时具有较高重复精度、稳定可靠,达到工程实际应用要求。

一种散乱点云的精准重建方法

为解决采集点云数据时存在冗余、噪声及空洞因素影响其快速高质量重建问题,给出一种新的点云重建方法。该方法首先使用体素栅格对点云进行精简,然后利用改进的移动最小二乘法对精简后的点云进行平滑处理,最后利用投影三角化对点云进行快速重建。结果表明,该方法可以有效地对点云局部的空洞进行修补并获得平滑的流形面,使重建结果更接近于现实,最终实现对点云数据高质量的重建。

一种利用曲率约束的改进K-means三维点云数据分割方法

为了提高三维点云逆向重建中对局部细节部位的敏感性,解决表面特征变化较大、外形较为复杂的点云数据分割不理想对后续处理产生较大影响的问题,提出一种利用曲率约束的三维点云数据分割新方法.该方法首先利用点云数据的坐标信息,计算出对应的曲率信息,然后基于坐标和曲率对点云之间的距离进行定义,在此基础上,按照K-means聚类的思想,实现点云的分割.同时,为了解决聚类分割对初始聚类中心的依赖,提高分割效率,提出一种基于立方体素栅格的点云初始聚类中心选取方法.实验结果表明,本文方法实现了点云数据特征明显部位的细分割,通过调整约束参数可以适用于曲面变化差异程度不同的点云数据分割,初始分割中心的选取方法保证了分割结果的唯一性和有效性,大大减少了消耗的时间,明显提高了效率,本文方法对实际应用具有积极的意义.

一种用于点云配准的改进迭代最近点算法

经典的迭代最近点算法(ICP)收敛速度慢,在源点云和目标点云初始姿态不佳时存在容易陷入局部最优解等问题。针对上述问题构建一种结合快速点云粗配准的改进ICP算法。改进的ICP算法首先利用重心重合法进行两个点云集预处理,缩小平移误差,提高点云重叠度;然后采用随机采样一致性算法(RANSAC)实现两个点云集的粗配准,使两个点云集具有相对较好的初始位置姿态;最后利用体素栅格和KD树对ICP算法进行改进,实现点云精配准。将改进算法和经典ICP、GICP算法进行对比实验,结果表明:相较于经典ICP和GICP算法,改进算法精度更高、速度更快。

保留灰度特征的配准点云数据精简算法

论文提出了一种有效的点云精简算法,用于处理配准后的点云数据,解决其存在的数据量过大、点密度不均等问题,同时可以保留点云的灰度和几何特征。对于给定点云,首先基于体素栅格生成一个粗点云。然后,通过不动点迭代算法,将粗点云投影到给定的点云上,用每点邻域内的近似重心点来代替原点位置。同时,在正则化约束条件下,将局部排斥力掺入到距离过近的点用于增加惩罚项,保证了点云的均匀分布。最后,利用KDTree查找重采样后点的最邻近点,将最邻近点的灰度信息映射至重采样后的点。实验结果表明,该算法在充分保留点云数据几何特征和灰度特征的前提下,能有效滤除配准重叠区域的冗余数据,且保持点云的均匀分布。

基于方法库的点云去噪与精简算法

为了减少不同尺度噪声对三维点云模型重建效果的影响,提出一种基于直通滤波、统计滤波、半径滤波、改进的双边滤波、体素栅格滤波的方法库的点云模型去噪与精简算法。首先利用直通滤波将目标物体提取出来,再依据噪声点离模型主体的距离,将其分为小尺度噪声和大尺度噪声,然后利用统计滤波结合半径滤波去除大尺度噪声,利用改进的双边滤波去除小尺度噪声,最后通过体素栅格滤波进行点云精简来降低空间复杂度,并以三角网格面重建展示该算法的精度效果。实验结果表明,该算法可有效去除点云模型的不同尺度噪声,在不破坏点云本身几何结构的前提下,保证点云精简的均匀化,而且算法执行速度快,重建效率高。

一种散乱点云的均匀精简算法

针对散乱点云数据密度大、重建时间长、效率低等问题,提出了一种散乱点云的均匀精简算法。该算法基于开源C++编程库点云库(PCL),利用PCL的体素化栅格类创建一个K邻域三维体素栅格,结合包围盒法对输入的点云数据进行K邻域距离计算和法线估计,确定每个小立方栅格的重心,并以其来近似显示这个小立方栅格内所有的数据点,达到精简点云的目的,最后利用贪婪三角投影类对精简后的点云实现三角网格面重建并显示其效果。实验结果表明,该算法在充分保留点云数据几何特征的前提下,能有效滤除部分点云数据冗余量,且精简结果比较均匀,避免了大规模精简所出现的空白区域,提高了重建效率。