基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值;通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法二聚类处理图像,采用制作的切割模板切割图像感兴趣区域,提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别;经实验对比证明,采用所提方法提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1 s,干扰下识别时间最高仅为15.1 s,验证了该方法可以快速且准确识别各个类型的交通标志。

利用激光点云的智能网联汽车自主换道横向避障

通过智能网联汽车自主换道横向避障设计,提高车辆自主驾驶安全性能,提出基于激光点云的智能网联汽车自主换道横向避障方法,构建基于全激光雷达的无人驾驶系统的汽车行驶环境激光点云数据采集模型,通过激光雷达激光点云图像检测方法实现对智能网汽车行驶环境感知。结合障碍物检测、车道线检测、可行驶区域检测的方法,分析智能网联下汽车换道障碍物和车道的相关性特征量,通过激光点云的自主寻优方法寻找边界点直到搜索路径达到阈值,再结合直线道路模型和车道线连续性原则实现对汽车自主换道横向避障规划设计。仿真结果表明,采用该方法进行汽车自主环控避障,在5 s时达到收敛状态,障碍物坐标识别误差距离低于0.7,并且该方法的识别精度达到了0.970以上,提高了车道信息的感知能力,准确高效地估计可行驶区域,提高车辆避障能力。

激光点云特征与知识规则协同的车道线提取

实现车道线高效的检测提取是自动驾驶领域中亟待攻克的关键技术之一,众多基于视觉方案的检测算法由于图像数据的特点存在一定局限性,如天气光照影响成像质量、难以兼顾弯道直道等。本文结合三维激光点云优势与道路知识规则提出了一种车道线自动提取算法。首先,通过多次强化道路边界高程差异获取路面点;其次,简化Isodata算法,自适应地得到反射强度滤波阈值;然后采用随机一致性算法检测直线聚类得到候选车道,将候选车道映射成二维矢量并通过类间距约束提取正确车道线;最后,基于相邻关键特征点对的向量拓扑关系一致性实现车道线拓扑重构,得到对应现实世界中意义完整的车道线。算法在车道线达5~6条的情况下,召回率达92.46%,准确率达94.79%,综合评价指标达92.41%,实验结果证明了方法的有效性和可行性。

基于三维激光点云数据的电力电缆绝缘缺陷识别

针对电力电缆绝缘缺陷识别精准度较低的问题,提出一种基于三维激光点云数据的电力电缆绝缘缺陷识别方法。利用剪裁法增强原始三维激光点云数据,通过区域生长法与最小二乘法完整获取电缆绝缘材料的三维结构面信息。借助Canny边缘检测方法求解电缆绝缘表面缺陷与内部缺陷边缘信息,自动识别出电力电缆绝缘的缺陷位置及缺陷类别。结果表明,所提方法可以精准识别电缆绝缘表面的划痕缺陷、电缆外屏蔽表面起泡和孔洞缺陷,识别耗时短,鲁棒性较优,具有较高实际应用价值。

基于三维激光点云的地铁隧道特征提取方法研究

针对地铁隧道的结构化特点,为实现轨道及月台平面的自动化巡查,本文提出一种基于几何约束的轨道及平面点云特征快速提取方法。对于隧道激光点云,通过PCA估计的方法确定其点云主轴方向并将其矫正至水平;在此基础上利用直通滤波提取隧道横截面点云,通过RANSAC拟合构建横截面数学模型;然后计算截面上各点到拟合圆心的距离,依据点心距的变化提取候选轨道点与平面点;根据两组截面的特征点优化求解直线与平面方程,计算点线、点面距离,完成直线、平面的特征提取。研究结果表明,轨道检测精度较好,检测准确率高。

基于移动激光点云的非接触式接触网参数检测方法

针对目前接触网参数检测存在精度低、效率低等问题,提出一种基于移动激光点云的非接触式接触网参数检测方法:基于预处理后的接触网点云实现接触线和接触网支柱要素的分类;基于连通性分析,实现接触网支柱单体化分割,并通过建立kd-tree数据结构提取定位点;最后根据定位点与轨面关系计算接触网导高、拉出值。结果显示,基于本文方法得到的接触网参数检测精度符合《接触网悬挂状态检测监测装置(4C)暂行技术条件》要求,验证了方法的有效性和准确性。

一种基于激光点云数据的微距栅格体积算法

针对规则格网算法难以满足激光点云模型高精度体积计算的问题,提出了一种基于激光雷达点云数据的微距栅格体积算法。该方法首先运用葛立恒凸包算法提取凸包点集,然后运用微距格网划分、高程插值和网格体积累加的方法计算体积。与规则格网法不同,这种算法充分利用激光雷达数据高密度点云特征,采用格网微分和增大插值半径的方法改善模型表面的连续性,进而提高计算精度。实验结果表明,微距栅格体积算法具有较好的时间复杂度和较高的计算精度,适宜于激光点云模型高精度体积计算。

激光雷达点云特征线检测与结构化研究进展与展望

实景三维(3D)建设是国家新型基础测绘建设的重要组成部分,是对在3D地理场景上承载结构化、语义化、支持人机兼容理解和物联实时感知的地理实体进行构建。而结构化是实现地理实体单体分割并获取其几何轮廓及组成结构的过程。随着大范围、城市级激光点云数据采集成本逐渐降低,3D点云的应用也越来越广泛。基于3D点云能完成生成地物的结构化表达,涉及线、面、体重建及语义分割、实例分割等。点云数据处理的核心内容是点云特征线检测、特征线线段化及特征线结构化。因此,点云特征线对点云处理和行业应用具有理论和实践价值。进行城市场景点云自适应特征线检测和精细结构化研究具有重要意义;研究点云特征线智能感知理论及结构化表达方法能为点云数据处理提供新的视角,对各类工程实践具有重要的理论指导意义,可服务于实景3D建设、二维(2D)、3D高清地图生成等具体应用。本文从点云特征线检测、点云特征线线段化、点云特征线结构化角度进行国内外研究现状综述,总结归纳点云特征线检测与结构化研究存在问题,并明确下一步研究思路。

基于激光点云技术的架空输电线路目标建模方法研究

文章研究基于架空输电线路三维激光点云数据,通过点云自动分类(杆塔、导地线、地面、植被等)实现不同地物提取,在此基础上建立不同塔型模型库并进行特征分析,实现杆塔和导地线的类别提取,并进行精准空间坐标(X、Y、H)提取,实现架空输电线路重要巡检对象的精准定位信息获取,并以此规划基于输电线路三维点云数据的架空输电线路全自动巡检航迹规划,为输电线路去人机全自动巡检技术的研究提供技术支撑。

基于三维激光点云数据的校园绿地乔木三维绿量对比研究——以广西生态工程职业技术学院为例

树冠是指树干以上连同其生枝叶的部分,其体积的大小是估算树木三维绿量的重要参数。校园绿地中乔木树冠形态各异,结构复杂,树木树冠体积的准确、自动、无损测量是校园绿地调查中的一个重要研究项目。随机抽取广西生态工程职业技术学院内5个树种共计25棵乔木的三维激光点云数据与树木三维绿量冠幅-冠高公式法进行了对比研究。以三维激光扫描仪获取的三维激光点云数据基于不规则三角网法计算乔木树冠体积。计算结果对比表明:测量值与参考值的均方根误差RMSE为2.913、绝对误差最大值为7.22 m3,最小值为0.17 m3;相对误差最大值为11.06%,最小值为0.12%;平均绝对误差为2.20 m3,平均相对误差为3.13%,该算法不用考虑树冠的形状,减少了人为判别导致的差异。因此,以三维激光扫描仪获取点云数据,运用不规则三角网法自动提取校园绿地乔木树冠体积快捷、有效、可推广。

基于机载激光扫描和倾斜影像匹配的点云构建及差异性分析

点云是三维空间数据的重要组成部分,机载激光扫描和倾斜影像匹配是两种主要点云构建技术,具有共性与差异性。本文旨在分析机载激光扫描和倾斜影像匹配技术构建点云的差异性,首先阐述了机载激光扫描和倾斜影像匹配点云构建的具体方法,然后结合案例,从点云构建效果、数据完整性、密度、精度和植被穿透性等方面进行比较和分析。结果表明,两种技术构建点云都具有较好的数据完整性,均能生产高密集点云,远超规范要求,精度相当且较高,但是激光扫描在遮挡区有漏洞,影像匹配局部盲区细节失真;激光点云具有较好的穿透性,能实现不同植被覆盖区域地面点云构建,而影像匹配点穿透性差,在密集植被区域存在缺失甚至不能构建地面点。研究结果为后续点云构建方法的选用和优化提供了参考,具有一定的研究与应用价值。

基于激光点云的橡胶树参数反演与数字孪生构建

基于激光雷达(Light Detection And Ranging,LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数对林木性状评价、森林动态经营管理与可视化研究具有重要意义。为此提出一种基于骨架细化提取的树木模型重建方法。首先,采用FocusS350/350 PLUS三维激光扫描仪获取3块不同树龄橡胶树的样地数据。然后,作为细化建模的重点,将枝干点云从原始树点中分离出来,再将其过度分割为若干点云簇,通过相邻点云簇判断是否有分枝以及动态确定骨架点间距,并将其运用在空间殖民算法以此来生成树的三维骨架点和骨架点连通性链表,根据连通链表结构自动识别树木中的主枝干和各个一级分枝,再通过广义圆柱体生成树干完成树木三维重建。最后,利用数字孪生技术对这3块不同树龄样地树木进行三维实景建模,使其穿越时空在同一空间中重现,以便更为直观地观察树木在生长过程中的形态变化。该算法得到的橡胶树胸径与实测值比对为,决定系数(R^(2))>0.91,均方根误差(root mean square Error,RMSE)<1.00 cm;主枝干与一级枝干的分枝角为,R^(2)>0.91,RMSE<2.93;一级枝干直径为,R^(2)>0.90,RMSE<1.41 cm;将3个树龄放在一起计算其生长参数,并与实测值进行对比,发现该算法同样适用于异龄林样地的各个生长参数计算。同时发现橡胶树的一级枝条的直径越大,其相对应的叶团簇体积就越大。运用人工智能的理论模型来处理林木的激光点云数据,旨在为森林的可视化以及树木骨架结构的智能化分析与处理等研究领域提供有价值的参考。

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。

基于激光点云的中厚板表面平整度测量

在冶金行业中,中厚板是主要产品之一,其平整度是评估钢板质量的重要指标。压力矫平现场还依赖于人工测量,无法准确地表征板材平整度。为了提高检测的准确度及高效性,提出了一种基于机器视觉的平整度测量方法。基于高精度的三维视觉扫描技术,结合高斯拟合算法,利用高斯系数构建特征值,建立高斯特征值与实际板材弯曲高度的映射关系,构建基准平面,计算点云坐标值与基准平面的距离,结合RGB颜色模型绘制板形云图,在此基础上给出压力矫平添加垫板的位置。实验表明,所提出的方法计算误差不大于0.3 mm,可以实现对中心凸起或边缘翘曲钢板的测量,同时板形云图反映了板形分布状况及垫板位置。该度量方法可以准确测量中厚板的弯曲量,可以为压力矫平提供数据支持。

巷道三维激光点云数据变形提取方法

在地下煤炭资源开采过程中,高地压、高应力等外部因素会使得巷道围岩出现形状改变并引发冒顶、片帮等围岩破坏现象,严重威胁煤矿安全生产。为及时掌握巷道围岩变形情况,对煤矿巷道变形进行有效监测,提出了一种基于三维激光点云技术的巷道断面提取与变形量分析方法,并通过巷道内模拟实验验证了该方法的可行性。实验结果表明:所提方法能够适应井下巷道复杂环境,自动识别巷道变形位置并利用断面提取法进行更精确的变形分析,所监测表面位移分辨率能够达到厘米级,符合巷道表面位移监测需求。

基于邻域特征编码优化的液压支架激光点云分割算法

受井下煤尘和易被遮挡的影响,液压支架激光点云数据容易出现残缺。现有点云分割算法难以获取细粒度的点云特征,无法得到完整的点云结构信息,且易在邻域内引入语义信息不相似的点,导致液压支架激光点云分割精度低。针对上述问题,提出了一种基于邻域特征编码优化的液压支架激光点云分割算法。引入了由邻域特征编码模块、邻域特征优化模块和混合池化模块组成的局部邻域特征聚合模块:邻域特征编码模块在传统三维坐标编码的基础上加入极坐标编码和质心偏移来表征局部点云空间结构,提升对残缺点云的特征提取能力;邻域特征优化模块通过特征距离判断并丢弃冗余特征,来优化邻域空间内的特征表达,从而更有效地学习点云局部细粒度特征,增强点云局部上下文信息;混合池化模块结合注意力池化和最大池化,通过聚合邻域内的显著特征和重要特征来获取具有丰富信息的单点特征,减少信息丢失。构建了由2组局部邻域特征聚合模块和残差连接组成的邻域扩张模块,以捕获特征间的长距离依赖关系,扩大单个点的局部感受野,并聚合更多有效特征。实验结果表明,该算法在液压支架激光点云分割数据集上的平均交并比为93.26%,平均准确率为96.42%,可有效区分液压支架不同的几何结构,实现液压支架各部件的准确分割。

采用边界对比学习的三维激光点云场景分割算法

针对传统三维激光点云场景分割算法容易忽略目标边界模糊的问题,采用边界对比学习算法设计了三维激光点云场景分割网络,旨在通过对比学习提升模型在边界处的预测性能。首先采用PointNet++作为主干网络,通过多尺度的降采样特征编码和上采样特征解码来学习点云中不同类别的语义特征,并逐点预测目标类别,实现场景整体分割;然后引入对比学习算法,采用迭代的方式捕获子场景点云的边界,并挖掘出模糊的边界点;最后在网络训练阶段利用对比学习损失函数实现边界类别增强,大幅提升了对三维激光点云场景分割的精度。在公开的三维激光点云场景分割数据集上进行了大量实验,结果表明:所提分割算法在19个语义类别的点云中有15个的分割性能是最佳的,整体的指标性能均优于对比算法,消融实验和可视化结果也验证了所提算法可以有效改善三维激光点云场景分割任务中边界的预测性能,充分说明了所提算法的优越性。

基于球面投影的激光点云目标检测

基于深度学习的激光点云目标检测已成为了一个重要的研究领域。本文采用球面投影和2D图像的SOTA深度学习网络,实现3D激光点云目标快速检测。首先,将KITTI数据集单帧3D点云经球面投影转换成一帧2D的RGB三通道图像,像平面的像素位置取决于点云的三维坐标,其R、G、B 3个通道灰度值取决于点云归一化后的反射强度、距离、高度。其次,分析了不同分辨率下球面投影的重叠分布情况和对图像质量的技术影响。最后,采用语义分割模型DeepLab-V3+网络,仿真结果表明:该方法在分割精确度和速度方面都具有良好的性能,应用价值较高。

GeoSLAM激光点云的三维可视化数字影像融合目标细部重建

三维激光扫描技术应用范围逐渐扩大,但激光点云缺乏真实的纹理信息,致使目标细部重建与实际目标存在偏差,而三维可视化数字影像技术可以有效地弥补三维激光扫描技术的不足,如何对其进行有效融合应用成为重点研究方向,故提出GeoSLAM激光点云的三维可视化数字影像融合目标细部重建方法研究。利用点云滤波算法去除GeoSLAM激光点云中的噪声信息,校正处理三维可视化数字影像的畸变现象,以此为基础,利用Moravec算子提取融合目标细部特征点,配准激光点云与数字影像中的特征点,制定融合目标细部重建程序,从而实现激光点云与数字影像的有效融合,即目标细部的精准重建。实验结果显示:本方法能够更加精准地完成细部重建,相比对比方法而言,具备均值为0.9295的相关系数,和更低的融合目标细部特征点提取错误率,且对建筑类别的数字影像的细部重建效果更好,细部特征点提取错误率仅为1%,充分证实了提出方法应用性能更佳。

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。