基于区域生长的体素滤波点云去噪算法

介绍了一种基于区域生长的体素滤波点云去噪算法。首先,使用体素滤波算法将点云数据体素化后,根据每个网格与最大密度网格的比值大小,将网格分为两类:大密度网格、小密度网格。然后对大密度网格使用区域生长法处理。最后,对全部数据进行区域生长处理。实验结果表明,该方法能够消除大、小尺度噪声,并且能够消除簇状噪声,且不改变点云的纹理信息。

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。

基于改进ORB-SLAM2算法的RGB-D稠密地图构建

针对传统ORB-SLAM2系统无法稠密建图以及缺少可应用于移动机器人在特定场景下导航与路径规划的八叉树地图等问题,提出了一种改进RGB-D ORB-SLAM2算法.该算法利用深度信息,通过针孔成像模型计算出关键帧点云的三维空间位置,采用离群点滤波去除多余杂点,体素滤波保留具有特征信息的点云进行拼接,降低地图冗余度,并经过稠密回环处理进一步优化更新关键帧的点云位姿,构建出精确的稠密点云地图并转换为八叉树地图.试验数据表明,相比于RGB-D SLAMV2系统,RGB-D ORB-SLAM2系统的全局轨迹误差和相对位姿误差提升有50%以上,均方根误差为0.89%,均值误差为0.76%;在建图性能方面,相比于同类型算法,点云数量平均降低约30%.此外,八叉树地图相比于点云地图,仅占其内存的0.6%,更加满足了高精度、快速性的导航需求.

基于改进Cartographer的激光SLAM算法

针对Cartographer算法在激光雷达的数据处理中存在的点云特征丢失的问题和低帧率激光雷达导致的运动畸变问题,提出一种改进激光同步定位与地图构建(simultaneous localization and mapping, SLAM)算法。采用k邻域搜索邻近点降采样的体素滤波方法代替Cartographer算法中的传统体素滤波方法,在不丢失点云特征的情况下提升计算速率;嵌入轮式里程计辅助模块去除激光雷达运动畸变,减少机器人的位姿累积误差,从而改善建图效果;最后,增加了边约束条件改善回环检测效果。通过在机器人操作系统中的gazebo搭建仿真环境进行模拟实验,对比两种算法,实验结果显示改进算法的建图轨迹误差更小。

自主移动机器人路径规划中的点云噪声处理

机器人在自主导航过程中,图像处理算法通过对路径中障碍物的三维点云平面夹角进行分析,实时计算障碍物的高度,判断是否可以通行。而RGB-D相机输出的原始点云数据存在大量噪声,严重影响分割的准确性,需要进行滤波处理。本文在Table Scene数据集中分析比较了统计滤波中不同参数的去噪效果,得到了最佳参数K=20,α=2。移动机器人通过ORB-SLAM2算法在户外环境下构建点云地图,然后分别进行直通滤波、体素滤波、统计滤波和平面分割,计算斜坡夹角,实施运动规划。实验结果表明,在Table Scene数据集中获得的最优统计滤波参数能适用于户外环境,机器人能根据运算结果自动进行路径规划,完成指定任务。

基于GNSS/INS与激光雷达的缓存池建图

为了解决智能车、无人机、自主机器人对外界环境感知的先验信息不足的问题。本文提出了一种使用惯性导航(INS)与卫星导航(GNSS)辅助多线激光雷达传感器对环境进行自主三维重建的算法。该算法首先采用一种基于GNSS\\INS的线性差值法与四元数插值法并行算法将激光雷达点云转换到唯一坐标系下,纠正点云随时间的漂移;通过基于缓存池的建图方法对周围环境进行点云分割与拼接,对得到的子地图进行体素滤波,最终得到丰富环境信息的三维重建地图。通过机器人操作系统(ROS)在移动平台上进行验证,实验结果表明:该方法成功的对外界环境进行自主三维建图,适用于智能化载体对未知环境下的感知。

改进的采样一致性点云配准算法

为解决传统迭代最近点(iterative closest point,ICP)算法存在配准效率低等问题,提出一种改进的采样一致性点云配准算法。通过自适应体素网格滤波法对点云进行处理,可以根据点云量级自动修改体素立方体大小,剔除偏差较大的噪点,降低点云数据量级;在快速点特征直方图(fast point features histogram,FPFH)中引入距离的二次函数,降低远距离邻域点的权值,提高近距离邻域点的权值。运用公开数据集Bunny点云数据进行实验的结果表明,该算法相对于传统点云配准算法的配准精度提升了54.65%,配准效率提升了39.39%。运用多组数据验证了该算法的有效性。

改进迭代最近点算法支持下的LiDAR点云与正射影像粗-精配准方法

针对直接迭代最近点算法(Iterative Closest Point,ICP)算法难以满足无人机LiDAR点云与正射影像高精度高效配准等问题,提出基于改进ICP的LiDAR点云与正射影像配准方法,为遥感地物目标解译提供丰富的空间信息和语义信息。首先采用体素滤波算法消除原始点云数据冗余;然后,利用主成分分析算法(Principal Component Analysis,PCA)对点云进行粗配准和计算刚体变换参数初始值,最后使用ICP算法实现LiDAR点云与正射影像精配准。实验结果表明,基于改进ICP的配准方法能够实现复杂地物分布、地物遮挡等情况下点云与影像快速、高精度地配准和点云纹理精准着色,相比原始ICP算法精度和效率分别提高了约1.8倍和3倍。

基于多分辨率的快速迭代最近点配准算法

针对迭代最近点(Iterative Closest Point,ICP)算法计算时间长的问题,提出一种基于多分辨率配准点的ICP算法。使用自适应体素网格滤波器对原始点云进行多分辨率采样,利用低分辨率点云快速迭代获得两点云间初始变换矩阵;利用高分辨率点云在初始变换基础上做更精确配准。实验结果表明,该算法在配准精度基本不变的情况下,可以显著降低配准时间,且随着点云点数增加,速度提升效果越明显。

基于自适应分辨率的点对特征点云配准算法

针对基于原始点对特征的三维目标识别算法中存在的内存浪费及过多冗余点导致的配准效率不高问题,提出一种改进的自适应分辨率点云配准算法。通过使用自适应体素网格滤波器对原始点云进行下采样,有效地减少了目标模型哈希表中存在的大量冗余点对,节省了计算机的内存开销并提高了点云配准算法的配准速度。使用迭代最近点方法进一步对聚类结果进行优化处理。实验结果表明:所用算法与传统ICP算法相比,在配准误差相同的情况下配准效率提升显著。

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。

基于三维点云的蔬菜大棚杂草识别方法

为实现蔬菜大棚内自动化除草的目的,针对其中的杂草识别环节,提出了一种基于三维点云的新型蔬菜大棚杂草识别方法。采用RGB-D相机获取青菜田、生菜田的三维点云图像,采用超绿色算法去除其中的土壤等背景,采用体素滤波法在保留点云图像形状特征的同时降低点云数量,然后采用欧式聚类法分割出单株青菜和单棵杂草的点云簇,分别计算得到每个点云簇的最高点的Z坐标值,最后结合深度信息Z坐标值实现蔬菜大棚杂草识别。结果表明:这种基于三维点云的杂草识别方法能够有效的识别出杂草,识别率为86.48%。该方法能够对蔬菜大棚中的杂草进行准确识别,为蔬菜大棚自动化除草提供有效的解决方案。

面向室内动态场景的视觉同时定位与地图构建语义八叉树地图构建方法

针对传统视觉同时定位与地图构建(vSLAM)系统在动态场景中无法有效去除运动物体及缺少可用于更高层应用的语义地图等问题,提出了一种可有效去除动态物体并构建表征室内静态环境的语义八叉树地图的vSLAM系统方法。首先,使用FastSCNN作为语义分割网络提取图像的语义信息,同时,利用金字塔光流法对特征点进行跟踪匹配。然后,使用步进随机抽样一致算法(Multistage RANSAC)通过多次执行不同尺度的RANSAC流程对特征点进行步进采样,再利用对极几何约束并结合FastSCNN提取的语义信息进行视觉里程计动态特征点剔除。最后,通过体素滤波降低点云冗余后构建纯静态环境的语义八叉树地图。实验结果表明:所提方法在公用数据集TUM RGBD的8个RGBD高动态序列中测试的相机相对位移误差、相对旋转误差和全局轨迹误差相较于ORBSLAM2系统有94%以上的提升,全局轨迹误差仅为0.1 m;相较于同类DSSLAM系统,动点剔除总耗时有21%的缩减。建图性能方面,经体素滤波后构建的语义点云地图与语义八叉树地图分别占据9.6 MB、685 kB的存储空间,相较于17 MB的原始点云,语义八叉树地图仅占用其4%的存储空间并因含有语义可用于更高层次的智能交互任务。