基于激光雷达点云数据的虚拟室内场景搭建研究

通过搭建虚拟室内场景实现室内视景重构,提出基于激光雷达点云数据的虚拟室内场景搭建技术,采用三维光学面扫描设备采集激光雷达点云数据,采用融合卡尔曼滤波方法实现对虚拟室内场景激光雷达点云数据滤波处理,减少点云数据干扰,提取虚拟室内场景的空间分布域特征量,获取虚拟室内场景中被测量物体的全局标志点,通过逆向设计和三维边界轮廓特征点重构的方法实现对虚拟室内场景散乱点云重组和稀疏性特征点拟合,在拟合曲面采用纹理渲染方法实现对虚拟室内场景重构。仿真结果表明,采用该方法进行虚拟室内场景搭建的激光雷达点云数据重建能力较好,保留原始点云的特征信息较为饱满,能满足较好地重建几何精度场合,重建精度达到了0.98,并且重建时间仅为4.5 h。

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。

三维点云室内场景的语义实例联合分割网络

针对点云分割网络无法在复杂的室内场景中实现高精度分割的问题,本文设计了一种基于深度学习的语义实例联合分割网络,同时完成三维点云数据的语义分割和实例分割任务,主要包含多任务学习主干网络、特征融合模块和语义实例特征联合模块等。特征融合模块通过跳跃连接融合多个网络层,分别融合2个任务各自不同级别的特征,加强网络对数据中包含的信息的整合,并选取大型室内场景数据集S3DIS和部件分割数据集ShapeNet进行对比实验。实验结果显示,网络在数据集S3DIS的语义分割的总体准确率为86.5%,在数据集ShapeNet的语义分割类别交并比为83.1%,在数据集S3DIS的实例分割的平均精度为60.8%。语义实例特征联合模块通过多任务级的特征联合增加语义和实例的判别特征,提高了点云的语义分割和实例分割的准确率。

室内移动机器人激光点云2D墙线检测实验

快速、准确地识别墙线环境元素是室内移动机器人导航功能的重要基础。该文针对传统霍夫变换方法易丢失信息和产生过多冗余线段问题,提出一种基于激光雷达点云数据空间特性的2D墙线直接提取算法。首先通过点云直通滤波技术去除原始三维点云数据中的地面点云干扰;然后将清洗后的点云投影到二维地平面上,转化为二值化图像后进行直线检测;再利用自定义的直线滤波增强算法,在减少冗余线段的同时保留更多有效墙线信息,从而快速生成更为吻合的建筑物墙线模型。仿真实验结果表明,新算法在不同复杂度场景下提取的线段数量整体平均降低50.8%,且处理时间小于100 ms,满足移动机器人导航过程中实时环境识别需求。该实验适合用作高校教学实验,有助于学生将理论知识与实践操作相结合,深入理解室内地图构建与环境感知技术。

激光点云数据离群点删除下的多视点场景虚拟重构

单纯的激光扫描技术在现实场景虚拟重构时,有效点云数据过少,坐标均衡性较差,混乱坐标较多。为提高虚拟现实重构精度,设计基于激光点云离群点删除的多视点场景虚拟重构方法。提取多视点场景激光点云数据,包括激光数据角点特征提取,以及视觉数据角点特征提取。设置离群阈值,计算三维坐标轴中非离群点数据集所包含的空间长度,设置离群点坐标栅格结构。通过点激光云数据提取值,计算移除离群点前后点云数据之间的平均距离,完成无用数据移除,实现虚拟重构。实验结果可知:移除前后平均距离差距显著,可见离群点的移除对虚拟现实重构技术有明显作用;在使用所提方法得到的虚拟现实重构场景中,可以得到明显的房间轮廓,且大型物体重构影像也十分清晰。

点云场景语义标注的排序批处理模式主动学习法

针对点云场景语义标注存在着手工标注费时费力、算法耗时严重、标注精度不高和不适用于大规模场景点云处理等问题,本文提出了一种结合排序批处理模式的主动学习点云场景语义标注方法。该方法首先对原始点云进行下采样处理,然后利用改进的递归特征增加法从庞大的特征集中筛选出最优特征子集,采用排序批处理模式采样算法迭代选取并人工标注少数未标注点,通过创建最小人工标注训练集来完成下采样点云的语义标注工作,最后利用邻域等权标签传播算法完成原始点云数据的标注。对3个室外大场景点云分别进行的试验表明:本文方法只需人工标注7.50%、7.35%、5.83%的点云即可完成下采样点云的标注工作。此外,对比试验表明,本文方法在标注精度和减少人工成本方面优于其他方法,能为点云语义标注工作节省大量人工成本。

三维点云的室内外场景层次化理解方法研究

环境理解是计算机视觉领域的基础工作,在机器人导航、智能交通等诸多军民领域有着广泛的应用。三维点云因其高精度、高密度等的数据特性,能够高效地捕获和描述三维场景中清晰的地物目标几何结构和丰富的空间细节信息,是表达、分析和理解室内外环境信息的重要数据类型之一。因此,基于三维点云数据进行室内外场景理解一直是备受关注的热点问题。

输电线路基于高精度LiDAR点云数据采集处理和三维建模技术分析与应用

对输电线路没有高精度的三维激光点云数据采集,需要大量的人工进行分析处理,且处理数据得到的信息无法及时传递回到生产系统以指导生产,历史数据未得到挖掘利用。基于云服务平台的输电线路激光雷达巡检原始数据智能解算技术为基础,实现海量点云数据处理分析、对输电线路激光雷达点云数据自动解算、整理、识别等,并可进行三维操作,实现输电线路走廊三维可视化、线路工况模拟研判,无人机精细化巡检航迹规划和无人机自主精细化巡检。

面向室内场景点云的对象重建

针对当前逆向工程中对象提取及模型重建效率较低的问题,提出了一种面向室内场景点云的对象重建方法。首先构建直通滤波器,采用改进的RANSAC算法剔除非对象点云,然后根据欧氏聚类提取算法分割出各个对象点云,最后基于α-shape理论批量重建出对象模型。试验结果表明,该方法能够从散乱的室内场景点云中快速、自动地重建出代表真实对象的三维模型,具有较高的实用价值。

航空导向器三维测点处理与喉道面积精确计算

导向器是航空发动机的重要部件,喉道面积作为其关键参数直接影响发动机动力性能。针对导向器喉道面积现有测量方法效率低、喉道面积估计不准的问题,提出了导向器三维测点处理与喉道面积精确计算的新方法,并在多联叶片导向器样件上开展了该方法与三坐标测量计算方法的对比实验。实验结果表明,所提方法得到的喉道面积更精确,且多次测量计算结果具有较高的一致性。

逆向设计中点云数据处理技术的研究进展

逆向设计是随着计算机及数据测量技术的发展而迅速兴起的一门新学科,也是CAD/CAM技术的重要组成部分,基于点的点云处理技术是逆向设计中的重要研究内容之一。总结了国内外在逆向设计中点云数据处理的研究现状和分析了典型算法的特点应用情况,比较了各种方法存在的优点和不足,对目前点云数据处理技术研究应用中的问题和发展方向作了探讨。

基于全局能量函数和锚点图的室内语义分割

室内场景是人类生活的重要场所,基于三维点云感知与理解室内场景一直以来都是研究热点。室内语义分割根据不同粒度细化为:结构(地板、墙壁、天花板等)的提取、空间(房间、走廊及开放空间)的语义划分,以及物体(桌子、椅子、书架、柜子等)的语义分割识别。现有方法可有效实现遵循曼哈顿世界(Manhattan world,MW)假设的室内场景分割识别,可以满足结构与坐标轴保持平行,无曲面墙面和所有物体均垂直地面放置的简单环境下应用需求。然而,在复杂环境中,如面对曲面墙面、长走廊、任意定向物体,现有方法往往出现曲面结构错分割、长走廊过分割及室内物体错分类等问题,无法满足高精度室内语义分割的要求。为改善上述问题,实现基于室内三维点云的更高精度的分类和分割,论文拟从下面3个方面入手。

基于类别-实例分割的室内点云场景修复补全

三维室内场景修复补全是计算机图形学﹑数字几何处理﹑3D计算机视觉中的重要问题.针对室内场景修复补全中难以处理大规模点云数据的问题,本文提出了一种基于类别-实例分割的室内点云场景修复补全框架.该框架包括点云场景分割模块和点云形状补全模块,前者由基于PointNet的类别分割网络和基于聚类的实例分割模块完成,后者由基于编码器-解码器结构的点云补全网络实现.本文框架以缺失的室内场景点云数据为输入,首先根据“类别-实例”分割策略,采用PointNet对室内场景进行类别分割,并利用基于欧式距离的聚类方法进行实例分割得到室内各家具点云,然后借助点云补全网络将分割出的缺失家具点云逐一进行形状补全并融合进原始场景,最终实现室内点云场景的修复.其中,为了实现缺失家具点云形状的补全,本文提出了一种基于编码器-解码器结构的点云补全网络,首先通过输入变换和特征变换对齐缺失的家具点云数据采样点位置与特征信息;然后借助权共享多层感知器和PointSIFT特征提取模块对各采样点提取形状特征和近邻点特征信息,并利用最大池化层与多层感知器编码提取出采样点的特征码字;最后将采样点特征码字加上网格坐标数据作为解码器的输入,解码器使用两个连续的三层感知器折叠操作将网格数据转变成完整的点云补全数据.实验结果表明,本文提出的点云补全网络能够较好地补全室内场景中缺失的家具结构形状,同时基于该网络的场景修复补全框架能够有效修复大型室内点云场景.

基于点云处理技术的汽车车身尺寸获取研究

我国处理交通事故的主要方法依然是手工测量,容易产生数据错误与丢失,且效率低下。激光扫描技术是一种以非接触方式快速获取扫描物体表面点云的数据获取技术,而目前我国还没有运用该技术进行交通事故现场数据获取的相关研究。提出一种利用汽车点云获取车身尺寸的方法,并结合车身曲面特点采用适合汽车点云数据预处理的点云处理算法,然后利用matlab软件编写程序获取车身尺寸,最后通过对比实际卷尺测量尺寸与计算所得尺寸,发现两者相差最大值为13 mm,说明该方法可行。

基于三维点云处理技术的工件识别和匹配

在自动分拣领域,机器视觉技术起到举足轻重的作用,本文采用一种基于三维点云处理技术的方法对工件进行识别和匹配,从而从生产线上的杂乱工件堆中分拣出目标工件。首先,利用激光传感器采集密集点云,得到识别区域的三维点云数据。其次,进行点云数据的去噪和过滤,对去噪后的点云计算法线向量,再进行体素格子下采样获得关键点,减少计算量。再次,对关键点计算法线方向的直方图特征描述子,从而获取目标点云和场景点云相关联的描述符,使用K近邻树状结构搜索算法,基于欧几里德距离找到相似的描述符,并添加到关联集中。再者,调用聚类算法,基于霍夫投票算法获得场景中的与目标点云匹配的局部点云集,然后使用点云匹配算法迭代最近点算法进行目标点云与锁定的局部点云集进行匹配。最后,为了减少错误率,使用全局假设验证算法过滤掉错误的点,并标定识别到的目标进行可视化输出。该方法相对于一般算法,实现对目标的高效匹配,提高了识别的时间和精度。

面向钢铁工业场景的三维点云技术研究

随着国家在供给侧结构改革中对钢铁产能过剩的处理,钢铁企业面临着产能整合以及智能化改造的压力,亟需提升生产业务的自动化水平。文章以钢铁企业实际应用场景为基础,结合钢铁工艺与三维点云处理过程,分析了某钢铁企业热轧钢卷库采用三维点云技术实现步进梁、汽车及火车的识别与定位,有效地支持了库内作业的无人化,证明了三维点云技术在钢铁工业智能化改造领域具有重要作用与广阔应用前景。

三维激光扫描点云数据处理与应用技术浅析

近年来,随着科学技术的稳步发展,测绘工程事业呈现了较为快速的发展态势。对于建筑测量工作来说,传统模式下采取的单点测量方法,存在精度低的缺陷。而利用三维激光扫描仪,则能够得到物体表面三维精确数据,使对物体三维点的高精度测量需求得到有效满足。本次在分析三维激光扫描点云处理技术进行概述的基础上,进一步重点分析三维激光扫描点云数据处理与应用技术,希望以此为建筑测量作业提供有效的技术支持。

机载激光雷达点云数据处理技术探讨

本文主要说明了点云数据处理在机载激光雷达中的技术应用原理,分析了该技术应用中的关键点,并根据当前技术应用,对该领域未来技术发展进行了展望。本文认为,在未来的技术综合性应用中,必然可以实现精准度和还原度更高的三维和四维场景再现。

动态场景下基于视觉同时定位与地图构建技术的多层次语义地图构建方法

为提高视觉同时定位与地图构建(SLAM)技术的环境适应性和语义信息理解能力,该文提出一种可以在动态场景下实现多层次语义地图构建的视觉SLAM方案。首先利用被迫移动物体与动态目标间的空间位置关系,并结合目标检测网络和光流约束判断真正的动态目标,从而剔除动态特征点;其次提出一种基于超体素的快速点云分割方案,将基于静态区域构建的3维地图进行优化,构建了物体级的点云语义地图;同时构建的语义地图可以提供更高精度的训练数据样本,进一步用来提升目标检测网络性能。在TUM和ICL-NUIM数据集上的实验结果表明,该方法在定位精度上远优于目前主流的动态场景下的视觉SLAM方案,证明了该方法在高动态场景中具有较好的稳定性和鲁棒性;在建图精度和质量上,经过将重建的不同种类地图与各个现有方法进行比较,验证了提出的多层次语义地图构建的方法在静态和高动态场景中的有效性与适用性。

基于移动LiDAR点云数据的室内全要素三维重建

精确的室内三维模型在古遗产保护、公共场所的精细化管理和室内导航等领域有着重要作用,而激光雷达正被逐步应用到室内三维重建中。文中采用移动激光雷达对室内所有附属设施进行高精度激光扫描,得到融合CCD影像色彩信息的彩色点云数据。给出室内全要素三维重建的技术流程,并利用Autodesk CAD等三维建模平台对点云数据进行有效处理,最终得到高精度且带有大地坐标的室内三维模型。实验结果表明,采用移动激光雷达能快速获取高精度的室内三维点云数据。通过文中提出的流程,可快速得到真三维、真尺寸、真纹理的室内全要素模型。