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。

基于深度学习的室内点云语义分割研究进展

点云是一种被广泛使用的三维数据,而语义分割作为三维场景理解的关键技术,人们对其的需求也越来越广泛。近三年来,点云语义分割技术的发展迅速,为了展示基于深度学习的室内场景三维点云语义分割方面的进展,着重整理了其近三年最新的研究动向。首先介绍了点云语义分割常用的数据集以及评价指标,接着对近三年的各种点云语义分割方法进行分类,并从间接、直接处理点云的角度,按照不同类别分析总结了各种方法的框架结构以及其创新点,在S3DIS、ScanNet等几种最常使用的室内数据集上对各种算法的mIou等评价指标进行了对比展示。最后,根据现有的点云的语义分割技术的研究现状和存在的问题进行了总结以及展望。

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。

室内烟雾场景下基于激光雷达的三维建图方法研究

室内火灾发生时,可利用激光雷达传感器构建事故现场地图,辅助消防救援。由于室内的封闭性,环境中积累大量烟雾颗粒,使激光雷达传感器产生噪点,导致地图失真。为解决此问题,改进了传统点云滤波算法,使用动态阈值和强度信息辅助的半径滤波器去除激光雷达点云中的烟雾噪点。之后对点云进行特征提取和近邻点匹配,用于位姿计算和地图构建。通过搭建室内烟雾场景用于数据采集和算法测试实验,结果表明,所提方法能够有效消除烟雾对激光雷达三维建图的影响,且对非噪点有较好的保留作用。

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。

基于点云匹配的智能工厂室内定位算法研究

针对智能工厂中的无人叉车系统需要精准的室内定位来满足装卸货工序的需求,研究了基于SLAM的定位算法以及基于反光柱的两种激光点云数据匹配定位算法,分析了这两种方法的优势和问题,并提出了一种新的融合定位算法。算法以高精度的反光柱定位算法为核心,通过SLAM定位来弥补反光柱数量不足时的系统延迟和精度损失问题,从而实现了一套连续、稳定、可靠的室内定位系统,其定位精度可以满足无人叉车日常工作的需求,也可以直接用于具体的工业生产流程中。

一种室内确定目标的点云图像分割方法

针对室内确定目标点云图像分割应用场景,在语义分割层面,改进了PointNet++网络,为提高下采样的精度和效率,用重要性采样代替了最远点采样;为提升点云稀疏区域的特征提取效果,加入了包围球特征提取的阈值。在实例分割层面,为有效分割同类的多个实例重叠交错的点云图像,在DBSCAN粗聚类的基础上,使用最小割算法对每个实例进行逐一分离。实验结果表明,在语义分割层面,论文算法在分割准确率、训练耗时、点云稀疏区域的分割表现上均优于PointNet++;在实例分割层面,论文算法的总精确度比Jsnet网络提高了6.04%。

基于特征影像的室内静态激光点云高效粗配准方法研究

点云配准是室内静态激光点云数据处理中必不可少的一步,其配准效率直接影响配准算法的可用性。在处理大量密集的室内点云数据时,需要自动、高效的粗配准方法。为此,提出了一种室内静态三维激光点云自动、高效的粗配准方法。该方法充分利用静态激光扫描仪在数据获取中使用内置倾斜传感器补偿倾斜角的先验知识,将粗配准的自由度从六自由度降至四自由度,并通过三步法实现高效四自由度粗配准。结果表明,所提方法不仅能达到厘米级的配准精度,满足精配准精度的需求,而且配准的效率要优于其他对比方法。

3DMAX室内环境感官设计建模方法

提出基于3DMAX的室内环境感官设计建模方法。首先通过划分室内空间环境,分别采集每个子空间激光点云环境数据,提取室内空间特征量,基于特征分量完成数据融合处理;然后考虑室内环境感官设计要求,重构三维视觉空间点,将室内环境二维图像矢量数据和激光点云匹配信息同步导入3DMAX软件中,自动生成室内环境感官设计三维模型。实验结果表明:误差仅为0.014 m,与对比实验方法建模结果的中误差分别少0.018、0.01 m,说明新研究方法可以更好地辅助室内环境感官设计,实现室内场景虚拟模型的高质量创建。

基于融合采样策略的轻量级RGB-D场景3D目标检测

针对室内RGB-D场景中3D目标检测对复杂背景的适应性较差、难以进行有效采样,以及场景推断时间较长等问题,本文提出一种基于融合采样策略的轻量级RGB-D场景3D目标检测方法。该方法以场景RGB-D数据作为输入,首先通过深度相机投影将其转化为三维点云场景;然后利用一种结合距离最远点采样和特征最远点采样的融合采样策略对场景点云进行采样,有效保留了场景各实例代表点,将所有特征代表点汇集在一起形成场景的特征代表点云;最后在代表点云中利用深度霍夫投票机制投票出场景各物体的中心,并对各物体周围的相关特征进行聚类,从而实现场景的3D目标检测。实验结果表明,与传统方法相比,所提框架的目标检测准确率得到有效提升,同一评估指标下的检测准确率平均提升2.1%,且同一环境下每个场景的推断速度仅需要57 ms,远快于传统方法2倍多,从而保证了室内场景3D目标检测的准确性和高效性。

基于室内点云地图的特征轮廓识别方法

针对用激光雷达构建室内点云地图时存在窗户等透明物体,导致激光雷达的线束透过窗户产生噪点影响地图精度等问题,提出一种适用于室内三维点云地图的墙面识别方法,并借助此方法进一步识别出窗户的位置,进而实现对窗外的噪点与集群点的去除。前者从三维点云地图中的各个点分布的密度来识别出墙面点;后者则通过墙面坐标定位到外墙及窗户位置,从而去除噪点和无效特征。实验在三个场景下的室内地图进行方法验证,结果表明,上述方法在墙面和窗户的提取中准确率均在95%以上,并可有效的去除窗外噪点。在特定场景下窗户提取的召回率可达到100%,上述方法可用于简单和较为复杂的室内环境中进行窗墙识别去噪,在特征繁多的室内也有不错的效果。

基于目标检测的室内动态场景同步定位与建图

为了提高室内动态场景下定位与建图的准确性与实时性,提出了一种基于目标检测的室内动态场景同步定位与建图(simultaneous localization and mapping,SLAM)系统。利用目标检测的实时性,在传统ORB_SLAM2算法上结合YOLOv5目标检测网络识别相机图像中的动态物体,生成动态识别框,根据动态特征点判别方法只将识别框内动态物体上的ORB特征点去除,利用剩余特征点进行相机位姿的估计,最后建立只含静态物体的稠密点云地图与八叉树地图。同时在机器人操作系统(robot operating system,ROS)下进行仿真,采用套接字(Socket)通信方式代替ROS中话题通信方式,将ORB_SLAM2算法与YOLOv5目标检测网络相结合,以提高定位与建图的实时性。在TUM数据集上进行多次实验结果表明,与ORB_SLAM2系统相比,本文系统相机位姿精确度大幅度提高,并且提高了每帧跟踪的处理速度。

基于点云的室内房间要素及拓扑关系提取

房间要素是室内导航地图的关键要素之一。针对从点云中提取房间要素不仅需要精确提取房间多边形而且需要构建房间构成要素之间的拓扑关系问题,本文提出一种自上而下分割点云并自动记录房间-墙线拓扑关系的房间要素快速提取方法。首先利用点云Z值投影的高度直方图提取天花板点云;其次将天花板点云向XOY面投影,通过欧式聚类分离出每一间房间点云,以房间为单位采用α-shape算法进行房间边界点提取;然后利用随机抽样一致算法(RANSAC)结合欧式聚类方法分割房间边界点得到墙线及其参数信息,并利用墙线中点对无序墙线进行排序后计算相邻墙线的交点作为房间角点;最后,生成房间、墙和角点之间的拓扑关系。实验结果表明,该方法不仅适用于包含平面墙体的建筑点云数据,也适用于包含曲面墙体的情况,具有良好的适应性和有效性。

空地融合的建筑物室内外一体化点云构建技术

室内外一体化的建筑物模型是智慧城市管理的基础数据,倾斜摄影和地面三维激光扫描是当下两种主要的建筑物模型数据获取方式。针对单一数据采集方式受诸多因素制约,难以获取完整建筑物室内外三维数据的难题,本文提出了倾斜密集匹配点云与地面激光扫描点云融合的技术路线,利用地面激光扫描获取建筑物立面与室内点云,利用倾斜摄影获取建筑物顶部点云,并将两者结合构建室内外一体化的完整建筑物点云;以高密泥塑展馆为研究对象,验证了该技术路线的可行性及融合精度,可为类似项目提供参考。

激光雷达室内定位技术研究及应用综述

室内定位技术伴随机器人等在室内环境下自主作业的需要已成为热门研究领域,室内定位效果依赖其使用的传感器以及相关算法。为探索激光雷达在室内定位过程中的技术发展及相关应用,通过文献调研对基于激光雷达的室内定位原理,激光雷达产品,激光雷达室内定位技术发展展开分析。结合当下激光雷达室内定位技术的部分应用场景探索激光雷达现阶段实际应用中的不足,并提供了部分切合实际的技术解决方案。最后对基于激光雷达的室内定位技术进行了总结及展望,为后续该领域的研究提供一些可行思路。

倾斜三维实景模型与BIM模型融合的室内外一体化场景构建

倾斜三维实景模型以其高空间精度、高分辨率、真纹理的优势在各行各业尤其是数字城市的建设中应用广泛;BIM技术包含丰富的建筑信息,是建筑管理功能的集大成者。本文基于倾斜摄影测量技术,采用飞马D2000无人机获取测区影像并构建三维实景模型,采用飞马SLAM100手持激光扫描仪获取目标建筑的室内点云数据,并结合BIM技术构建室内BIM模型,选用易智瑞GeoScene Pro平台,实现模型的融合及室内外一体化场景的创建、模型属性查询及管理分析应用,以期为实景三维建设的相关应用提供借鉴。

基于激光点云数据的室内空间划分与建模方法

进行室内空间划分与建模时,没有对图像信息进行融合处理,导致室内空间利用率较差,对此提出基于激光点云数据的室内空间划分与建模方法。根据室内空间划分结果,构建室内空间图像采集模型,将采集后的图像结合激光点云数据分析法,构建空间划分的对象参数模型,得到室内覆盖率参数,采用分块模板匹配法,提取室内空间的特征量,将特征量通过边缘过渡区域RGB特征进行分解,根据特征分量构建激光点云数据融合模型,完成数据融合;利用分块组合和线性滤波方法,完成室内空间划分与建模。仿真结果表明,本方法的空间利用率最高达97%,室内建筑节能率保持在60%左右,室内建模最长使用7天,说明本方法的空间匹配能力较好,艺术设计效果表达能力较强,建模效率较高,提高了室内空间规划水平、利用效率与建筑节能率。

室内障碍物要素图构建方法

针对当前室内地图构建过程中未充分考虑可移动障碍物的问题,提出了一种室内障碍物要素图构建方法。首先,利用PointNet++-KPConv获取室内点云的语义信息;随后,采用滤波及体素下采样进行处理;然后,通过随机采样一致性(random sample consensus,RANSAC)算法及欧式聚类对门、墙及室内障碍物点云进行提取,并提出了一种障碍物类型判别方法,将室内障碍物划分为可移动障碍物和不可移动障碍物;最后,将要素点云投影到二维平面构建室内障碍物要素图。结果表明,所提方法可以有效提取室内要素,障碍物类型判别方法的总体准确率达到97.96%,生成的障碍物要素图能够正确地表达室内环境语义信息。

基于语义特征的3D点云室内目标检测

当前有许多关于点云目标检测的研究,但这些研究大多适用于室外环境。室内目标相对于室外目标的检测难点在于体积较小且细节较多。而点云数据具有稀疏性,不利于检测小型目标。为了提高室内目标的检测精度,提出了一种改进VoteNet的目标检测模型。首先,该模型添加了一个能有效提取语义特征的前置网络,通过将提取到的语义特征与几何特征进行融合,得到更有效的特征块用于目标检测。其次,通过在VoteNet投票簇生成阶段添加语义约束,一定程度上解决了VoteNet投票簇中点的语义非一致性问题。在公开数据集ScanNet上进行实验,实验证明改进模型在检测室内目标时获得了更高的检测精度。