一种融合区域生长和RANSAC的稠密点云平面分割方法

为提高三维信息的准确度,提出一种在稠密的点云数据中采用融合区域生长和随机抽样一致性(RANSAC)的平面分割方法。利用统计滤波、体素滤波对稠密点云去噪和精简,通过邻域统计特性剔除孤立点。采用点域区域生长分割出平面点,并采用面域区域生长合并平面附近点。采用曲率值检测出异常弯曲的平面。在异常弯曲的平面中采用RANSAC评估平面点的模型误差并剔除粗差点。实验选取公寓、阁楼、办公室等4个典型室内场景数据进行测试。实验表明,该方法可有效从稠密点云中分割出平面结构,分割结果准确度均值可达到95%以上。相比于传统RANSAC方法,可以更好地保证平面结构的连通性。相比于传统区域生长方法分割结果,准确度提升约2%,完整度平均提高约17%,对于后续三维重建和机器人的导航有着借鉴作用。

地铁点云分割方法比较研究

地铁点云数据包含了多种物体信息,无法对其进行特征识别,因此,需要通过对点云数据的分割来将点云数据所包含的不同的场景进行分离,提取出单个目标的点云信息。本文基于地铁场景中不同物体的自身特点,分别采用欧式聚类点云分割法、随机采样一致性(RANSAC)点云分割法和区域生长点云分割法并结合PCL(Point Cloud Library)点云函数库对地铁点云数据中广告墙、地铁上下车门、墩柱、轨道这四个主要部件进行分割。通过对分割后的结果进行分析,结果是在地铁情景中,基于区域生长的点云分割法更适合于准确分割出用户感兴趣的目标单体点云数据。

基于三维激光点云的零件表面缺陷检测

为了获取零件表面缺陷的精确尺寸,提出了一种基于三维激光点云的零件表面缺陷检测方法。首先使用三维激光测量仪对受损零件进行三维测绘,对测得的原始点云经过离群点去除、RANSAC平面分割等操作后得到零件点云。通过基于SAC-IA的粗配准和基于Huber损失函数优化的ICP精确配准算法,将缺陷零件的点云和完整零件的点云(从CATIA中导出)进行配准,使2个点云对齐。最后利用kd-tree加速的最邻近查找算法得出零件缺陷部位点云。分别使用了含破洞、凹陷的零件验证算法的有效性。实验结果表明:论文提出的方法对零件表面缺陷的3D尺寸提取精准。为后续开展零件修复工作打下良好的基础。