基于膨胀图卷积与离群点过滤的残缺点云配准

由于点云在非欧几里德空间中,受到结构不规则、噪声、离群点等不利因素的影响,如何准确配准残缺点云,仍然是一个具有挑战性的任务。针对此任务,提出了一种有效的残缺点云配准网络。为了有效提取局部点云的细粒度特征,设计了一个密集膨胀图卷积模块,通过设置不同的膨胀率增大感受野,该模块中的密集连接形式,能够在有效利用特征的同时,加强特征间的信息传递。在所提出的网络结构中,基于多层感知器的离群点过滤模块,通过利用上下文标准化过滤掉不匹配的点对。在该网络中,匹配点云所需要的转换参数,利用奇异值分解模块获取。在三个广泛使用的数据集ModelNet40、ShapeNetCore与RealData上的实验结果,验证了所提出网络的有效性。

一种使用伪对应点生成的3D点云配准方法

针对三维重建过程中点云配准存在的挑战性问题(如寻找对应点困难等)展开研究,充分利用源点云和目标点云的几何信息,提出了一种基于交叉注意力和伪对应点生成机制的点云配准方法——深度伪对应点生成(DeepACG)。该方法采用三级网络模型,第一级是深度特征编码模块,利用交叉注意力机制交换和增强两片待配准点云之间的上下文和结构信息;第二级是伪对应点生成模块,基于软映射关系加权合成伪对应点;第三级为对应点加权和离群点过滤模块,赋予每个对应点对不同的权重值并剔除概率较低的离群点。在合成和真实数据集上进行大量实验,DeepACG方法在室内真实数据集3DMatch上的配准召回率达到92.61%;在数据集ModelNet40上进行目标未知的局部点云配准实验,旋转矩阵和平移向量的均方根误差分别降至0.016和0.00009。实验结果表明,DeepACG配准精度高,鲁棒性强,配准误差低于当前主流的配准方法。

基于车载激光点云的高精地图矢量化成图

针对车载激光点云中对各特征物提取结果后矢量化成图时的自动化问题,本文基于双方向积分法实现了边缘检测及矢量化成图,旨在保证特征物基本特征的同时,也保证点云的绝对精度。将输入的特征点云进行离群点过滤,以保证外包框算法特征点云的准确度;将三维点云按照外包框算法投影至最优平面,为后续沿各方向积分提供输入;利用八邻域KD-tree算法求出样本特征点云的均值邻域半径,依据邻域半径对各方向积分提供积分域中的微分元;根据提供的微分元沿各方向进行积分,在该积分元内找到距平面最值的最优解;按照积分结果构建点云索引,并根据点云特征构建模型,最终得到高精地图的矢量化点云。试验证明了该方法在处理实际问题时的可行性。

基于高斯效能分布图的“拍照任务”定价

拍照赚钱是用户会员通过完成需要拍照的任务,赚取对任务所标定的酬金。基于合理的任务定价提高任务的完成率的目的。采用以会员能力与信誉度的综合量化值作为基,利用高斯分布函数特有的性质来计算出权重,插值计算出等价高斯效能分布图的方法,提出任务位置在等价高斯效能分布图中的高斯效能值与定价的乘积为完成预期值,结合经验数据中完成任务的完成预期值给出了定价方案。为进一步优化模型提高任务完成率,本文提出了对会员进行离群点过滤与K均值聚类将任务打包方案。结合广东深圳的数据进行实验,结果表明本文的定价方案将原有任务完成率提高了28.62%。