利用局部形状描述实现点云配准和3D目标识别的关键技术研究

随着3D获取技术的发展,如Microsoft Kinect、Intel Realsense和三维激光扫描技术等,三维点云数据易于获取,并且正在变得越来越普遍。在许多实际应用中,三维点云数据起到重要的作用,是重要的数据来源,如实时上图与定位(simultaneous localization and mapping,SLAM)、建筑物信息管理(building information management,BIM)、智能运输系统、场景和模型重构、文物保护和逆向工程等。在这些应用中,点云数据处理是必不可少的,包括点云配准、点云分割与分类、点云简化、特征提取和目标识别等。论文主要对利用局部形状描述实现点云配准和3D目标识别进行研究。

无人机LiDAR点云与无人机影像匹配点云分析比较

随着无人机技术的不断发展,无人机数码航测技术和无人机LiDAR技术在测量领域的应用越来越广泛。为分析无人机LiDAR点云和无人机影像匹配点云2种点云的差异,该文通过对西南某铁路一个测区在同一飞行高度的情况下同时进行无人机数码航摄及无人机LiDAR航摄2种方式航摄。对2种不同的摄影方式获取的点云进行比较,分析出2种方法获取点云在形态表现、滤波分类,以及利用2种点云制作DEM高程精度方面的差异,为实际工程航飞方式的选择提供一个参考。

基于三维点云处理的髋臼锉锉齿尺寸分析

髋臼锉是髋关节置换手术中最重要的手术刀具之一,髋臼锉锉齿的尺寸变化会影响髋臼锉对髋臼的铣削质量。通过处理髋臼锉三维点云可以检验髋臼锉的磨损情况,为此提出基于三维点云处理的髋臼锉锉齿尺寸分析的算法。首先结合锉齿孔洞具有点云的边界特征引入微切面法,利用最大夹角准则获取髋臼锉点云的边界;然后通过K-means聚类算法分割点云边界以标记不同齿孔位置,并对分割出的各个齿孔边界点云进行半径最近邻搜索获取隶属不同的锉齿孔的齿刃点云;最后通过RANSAC(RANandom SAample Consensus)算法对髋臼锉三维点云进行球面拟合,计算各齿孔上的齿刃点云到拟合球心的欧氏距离来分析髋臼锉的切削齿尺寸。以PCL(Point Cloud Library)为框架,实现了对髋臼锉锉齿点云的处理,其中髋臼锉点云的齿孔分割准确度达到100%,髋臼锉点云球面拟合半径精度达到0.004 mm;并对各个锉齿点云尺寸范围进行了分析。实验结果表明,所提算法对髋臼锉点云处理效果好,能有效地实现髋臼锉锉齿尺寸分析。

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。

堆石坝检测坑点云切片分割提取方法

堆石坝压实质量的检测是大坝工程安全稳定运行的重要保障措施之一。传统的灌水法中检测坑体积的测量耗时耗力,利用三维激光扫描技术可以快速计算检测坑体积,提高压实质量检测效率,而从扫描点云数据精确提取出检测坑点云数据是确保该方法计算精度的关键环节。本文提出了一种基于点云切片分割的堆石坝检测坑点云提取方法:首先对点云数据进行切片处理,然后采用单向搜索排序方法对每个切片点集进行点排序,最后采用一种基于切片点集排序序号的聚类分割方法分割每个点云切片,从而精确提取出检测坑表面点云。利用MATLAB编程实现了基于点云切片分割的堆石坝检测坑点云的快速提取,并通过堆石坝检测坑点云数据开展试验,验证了该方法的有效性。

异常点云干扰下的车身构件鲁棒性配准方法

点云配准是大型车身构件位姿参数测量的关键方法,但现有算法在大量异常点云干扰下难以配准至有效位姿,从而导致匹配失真,进而无法保证后续机器人作业质量。针对此问题,提出一种能够有效抑制异常点云干扰的车身构件鲁棒性配准算法——鲁棒函数加权方差最小化(RFWVM)算法。建立鲁棒函数加权目标函数,通过施加随迭代次数可变的动态权重来抑制配准过程中异常点云的影响,并由高斯-牛顿法迭代完成刚性转换矩阵的求解。以高铁白车身侧墙、汽车车门框为研究对象的试验结果表明,较经典的最近点迭代(ICP)算法、方差最小化(VMM)算法、加权正负余量方差最小化(WPMAVM)算法和去伪加权方差最小化(DPWVM)算法,所提出的RFWVM算法配准精度更高,能够有效抑制各种异常点云对配准结果的影响,并具有更好的稳定性和鲁棒性,能够有效实现各类车身构件点云的精确配准。

基于残差优化的综采工作面煤壁点云补全方法

煤矿综采工作面巷道的数字化三维重建过程中需要完整且密集的煤壁点云数据。受遮挡、视角限制等因素影响,采集的综采工作面煤壁点云数据往往不完整且稀疏,影响下游任务,需进行煤壁点云修复和补全。目前缺少针对井下点云补全任务的数据集和网络模型,现有模型用于煤壁点云补全时存在点云密度分布不均匀、点云特征信息丢失等情况。针对上述问题,设计了一种基于残差优化的煤壁点云补全网络模型,采用监督学习方式学习点云特征信息,通过最小化密度采样和残差网络迭代优化输出完整点云。采集煤矿井下真实综采工作面煤壁点云数据,预处理后筛选可用数据,通过模拟随机空洞制作煤壁点云缺失数据集,并用缺失数据集训练基于残差优化的煤壁点云补全网络模型。实验结果表明:与经典的FoldingNet,TopNet,AtlasNet,PCN,3D-Capsule点云补全网络模型相比,基于残差优化的煤壁点云补全网络模型针对构造的缺失煤壁点云和稀疏煤壁点云补全的倒角距离、地移距离及F1分数均能达到最优水平,整体补全效果最佳;针对实际缺失的煤壁点云,该模型能够实现有效补全。

基于无人机影像匹配点云的土石方量计算

针对传统土石方量测量中存在受地形限制、耗时费力、成本高等问题,提出一种基于无人机影像匹配点云的土石方量计算方法。使用单镜头多旋翼无人机获取玉林市某矿山区域范围内正射影像与倾斜影像,借助Pix4Dmapper软件对无人机影像进行处理与分析,提取矿山地表三维点云数据;利用布料模拟点云滤波算法对所获取的点云数据进行滤波处理,进而分离非地面点与地面点;同时利用局部多项式插值算法对地面点云缺失区域进行插值拟合,生成更加准确的地形特征;利用EPS软件对点云成果进行分析,计算矿山现状开采范围内的土石方量值。结果表明:基于无人机影像匹配点云的土方量计算所得结果与GNSS-RTK实测结果差值比为1.9%,计算方法具有可行性与可靠性,可作为土石方量计算新方法。

点云加权迭代线拟合室内平面图自动生成方法

提出了一种基于三维激光点云加权迭代线拟合的室内平面图自动生成方法,根据线特征对三维点云沿高程方向的投影点云进行分割,采用加权迭代直线拟合方法进行分段直线拟合,并进一步对拟合直线进行融合和轮廓补全,实现室内平面图的自动生成。基于手持SLAM系统获取的典型室内场景激光点云自动生成室内平面图,结果表明,该方法能有效抑制室内点云噪声,结构提取完整性可达94.4%,制图精度优于3 cm,可快速生成室内平面结构图。

基于自蒸馏框架的点云分类及其鲁棒性研究

与2D图像数据集相比,3D点云数据集的规模较小且表征性较差,容易导致神经网络出现过拟合和泛化能力差的问题。为此,提出一种点云自蒸馏(PointSD)框架,通过对表征形式不同的数据样本进行学习,使网络提取到原始点云数据中的更多特征信息,实现样本之间的知识交互,在不增加额外计算负荷的情况下提升网络的泛化能力,适用于不同规模的分类网络模型。基于该框架提出一种点云抗腐败训练方法TND-PointSD,解决了当前点云训练方法抗腐败能力不足的问题。实验结果表明:在ScanObjectNN数据集上,应用PointSD框架的PointNet++和RepSurf-U 2X基准网络的平均准确率(MA)相比于应用标准训练(ST)方法提高了8.22和4.86个百分点;在ModelNet40-C数据集上,在15种腐败类型上分类网络的平均整体准确率(MOA)均有所提升,证明了TND-PointSD方法能够有效地增强网络模型的腐败鲁棒性。

基于Transformer的道路场景点云分类与分割方法

针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为85.9%,比其他模型平均高出3.5%,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。

基于点云强度和地面约束的大范围激光SLAM

在无人车领域,点云强度和地面约束对大范围环境下的建图和定位起着非常重要的作用。然而,现有的激光SLAM算法在构建地图时只考虑几何特征,而忽视点云强度信息和地面约束,导致建图细节模糊、在Z轴方向上易存在漂移,从而降低了SLAM系统的精度。为此,本文提出了一种基于点云强度和地面约束的激光SLAM优化算法。基于地面测量模型,提出构建局部条件性地面约束,不仅提高地面点提取的准确性,而且减少Z轴方向的漂移;引入点云强度信息来改善非地面点聚类的可靠性,进一步提高建图精度和定位稳定性。提出基于局部平滑度的特征提取方法,通过引入强度因子并对强度特征进行排序,优先选择具有一致强度信息的特征,增强特征提取的鲁棒性。引入球形强度图来构建强度残差,与几何残差共同优化估计位姿,有效解决里程计中地图细节处的模糊问题;基于特征投影的匹配距离以及强度差异被用来去除动态点云的干扰,进一步提高SLAM系统的鲁棒性。在公开数据集KITTI和真实场景下的实验表明,引入地面约束和点云强度信息后,本文提出的算法具有更高的建图和定位精度,相对优于传统LIO-SAM的LVI-SAM算法,本文算法的精度提升了54.5%,为无人车在大范围环境中的SLAM任务提供了可靠解决方案。

基于激光雷达点云地图的车辆定位与导航

为解决自动驾驶系统中车辆自主定位与导航无法准确估计车身位姿及导航路径不够平滑等问题,提出一种基于先验激光雷达点云地图的定位与导航方法。利用点云分割技术分离出可行区域以及潜在的风险源,研究基于优化收敛流程的NDT(Normal Distribution Transform)点云配准定位方法,并对传统A*算法从动态权重设计和扩展领域优先搜索策略两方面进行改进,以适应自动驾驶的实时定位与导航需要。实验采用百度Apollo自动驾驶开发套件(D-KIT)进行多组对照实验,在体素降采样Leafsize参数为1(高采样)、1.2(中采样)与1.5(低采样)时,定位耗时分别降低了27.77%,38.75%和38.30%。选取四组符合实际驾驶需求情况进行导航实验,改进后导航路径最大曲率分别降低了80.9%,74.9%,65%,69.5%,导航过程路径曲率保持较低且稳定平滑,曲率数据符合车辆动力学。为车辆定位与高精度导航提供有效方法。

结合分割算法和图卷积网络的车载点云分类方法

车载点云数据语义标注是道路场景语义分析和理解的前提,该文提出了结合分割算法和图卷积网络的车载点云分类方法。首先利用具有噪声的基于密度的聚类方法(densitybased spatial clustering of applications with noise,DBSCAN)将点云分割成点簇,并以点簇为节点,相邻点簇构成边,节点和边形成图;然后利用图卷积网络对图节点进行半监督分类,得到点云中任一点的类别标注。实验表明,所提方法以点簇代替原始点云,极大减少了算法处理的数据量;半监督图卷积网络模型顾及了点云数据的上下文关联,在少量标注样本的情况下,能够获得较高的分类精度,场景简单的实验数据分类精度可以与Pointnet++模型相当,场景较为复杂的实验数据分类精度与Pointnet++模型相差在6.7%以内。

融合栅格与表面特征编码的轻量级点云分类网络

点云携带着丰富的三维特征,其分类问题一直是深度学习领域的热点。现有点云分类网络的精度已经较为理想,但参数量与计算量过于庞大,不利于实际场景下的部署。针对该问题,提出一种轻量级点云分类网络GridPoint。首先设计点云栅格化模块Gridding,根据点的坐标位置进行栅格区域划分;然后扩展坐标的高次项函数,对原始点云进行表面特征编码,增强对轮廓特征的表达;最后使用两次全局池化完成局部特征的提取与全局特征的聚合。使用经典点云数据集ModelNet40、ShapeNetCore与真实数据集ScanObjectNN进行分类与消融实验。实验结果表明,GridPoint的分类精度接近PointNet++等主流网络,差距在0.3%~2.3%之间;网络参数量与计算量分别为0.11 M与0.05 G,相较主流网络分别减少了81.7%和88.9%以上,在轻量化方面优势显著,具有良好的实用价值。

基于点代理增强和逐层上采样的猪体点云补全方法

采用逆向工程技术进行猪体的三维重建并测算,是低成本无接触式猪体型体况评估的一大解决方案,在比较单视角和多视角采集方法的优缺点后,本文提出基于深度学习的点云补全方法,将猪体局部点云恢复成一个完整的点云以实现猪体三维重建。该猪体点云补全方法基于点代理增强和逐层上采样,首先通过特征提取结合位置嵌入生成点代理,使用点代理增强Transformer进一步提高点代理的特征表示能力,再基于点代理通过逐层上采样由粗到细逐步恢复最终的高分辨率、细粒度和分布均匀的完整点云。本文对实际生产环境中采集的猪体点云进行补全,所提方法与目前主流的点云补全方法进行对比试验,在多个指标的评定上,本文提出的方法都取得了较好性能,尤其是在猪体点云缺失严重补全难度较大的情况下效果更为突出。试验证明该方法对猪体主干部位的补全具备应用价值,能够用于实现基于局部点云的猪体三维点云重建。

基于三维点云的PIP掩码自编码器

现有的三维点云MAE的算法存在位置信息泄露问题和模态单一问题。为了解决这些问题,文章提出了一种用于点云-图像-点云MAE算法,称为PIP-MAE,该算法通过丰富二维图像知识来指导三维点云预训练模型,对输入的三维点云及其投影的二维图像进行随机掩模,然后重建两种模态的遮掩信息。对下游任务进行了实验,验证了PIPMAE算法的有效性,提高了下游任务精度,能广泛用于各类下游任务。

无人机载LiDAR点云密度对DEM精度的影响分析

无人机载LiDAR点云数据是目前生产DEM的重要数据源。为进一步提升DEM构建效率,本文选取平地和山地两类地形作为试验区,利用基于不规则三角网的点云抽稀算法,对滤波处理后的地面点云数据分别按照80%、60%、40%等7种地面点保留率进行抽稀,并用平均误差(ME)、标准差(SD)、均方根误差(RMSE)3个指标,对不同抽稀比例下生产的DEM成果进行综合精度评定。结果表明:(1)平地地面点云密度达2点/m^(2),山地地面点云密度达9点/m^(2)时,生产的0.5 m格网间距的DEM精度优于0.05 m;(2)随着地面点云密度的增加,DEM精度水平逐渐趋于稳定,当地面点云密度抽稀到1点/m^(2)时,DEM精度快速下降。针对无人机载LiDAR点云数据进行大范围工程化DEM生产任务,该研究结论对降低数据获取成本、提升DEM生产效率具有一定的指导和借鉴意义。

基于流形聚类的欠采样非均匀密度三维点云配准

三维点云配准中各个视图的激光扫描点云数据彼此之间会存在重叠的部分。针对由于重叠区域不同而造成的点云密度不均匀直接影响多站点云配准精度的问题,本文提出一种基于流形聚类的欠采样非均匀密度多站三维点云配准方法。首先,将测地距离作为相似性度量,对不平衡点云数据进行聚类划分实现点云数据精简;然后,采用K邻域搜索方法计算每个点半径范围内点的个数,划分点云分为密度区域;再对密度较大的区域进行聚类并对每个聚类进行曲面拟合,计算曲面上所有点的曲率;再提取曲率较大的点,使得密度较大的区域与密度较小的区域中点云的个数基本保持平衡,得到密度较为平衡的点云数据。最后,将流形聚类欠采样后的点云使用K均值(K-means)进行聚类并更新聚类中心和刚性变换矩阵,实现非均匀密度多站点云配准。与随机采样法和均匀采样法相比,本文方法的倒角距离较小,并且保留了点云的局部特征信息。在斯坦福大学公共数据集中的Bunny数据集上的实验表明,所提方法在保证配准精度的前提下使配准的效率提高了60%以上。

无人机摄影测量点云道路自适应提取

在无人机摄影测量中,针对传统的地面点云提取方法对图像点云数据中的道路提取适应性较差的问题,本文提出了一种无人机摄影测量点云道路自适应提取方法.首先,根据点云的空间几何特征将点云划分为3个类别;然后,针对非道路的点云类别采取相应的方法进行剔除;最后,对经过自适应提取方法得到的点云数据进行滤波平滑和基于颜色的区域生长分割处理.实验结果表明,该方法提取的道路点云的I类误差为4.97%,II类误差为1.14%.该方法能够有效地提取目标道路路面,提高了无人机摄影测量工程应用中点云数据处理的效率.