基于位置自适应的三维点云处理模型

在点云处理领域中深度学习是一种主流的方法,但是现有方法对三维点云的局部结构信息利用不够充分,对局部形状感知较差。为此,提出了一种基于改进PoinetNet的三维点云处理模型,本模型将位置自适应卷积引入到PointNet中。位置自适应卷积采用动态的方式组合权重库中的权重矩阵来构造核函数,其中权重矩阵的系数是通过位置相对系数网络从点与点相对位置自适应学习得到的。通过此方式构建的核函数,可以更好地解决点云数据的不规则性和无序性问题。位置自适应网络在三维物体分类实验上分类准确率相较于PointNet提升3.60%,在三维物体零件分割实验上平均交并比相较于PointNet提升2.20%,在三维场景语义分割实验上平均交并比相较于PointNet提升9.14%。

多源数据融合实景三维重建研究进展

文章对融合多源数据重建大场景、高精度实景三维的课题进行了研究,总结了激光点云与多视影像密集匹配点云融合重建实景三维的方法,对目前主流融合方法进行了分类,并指出现行融合方法的不足,对后续融合方法研究进行了展望。

局部形状特征概率混合的半自动三维点云分类

三维激光扫描获取的点云数据可用于数字城市建设、三维模型获取、场景分析与物体测量等领域.但因遮挡和噪声的影响,加之扫描场景复杂,采样精度受限,使得不能直接运用经典的曲面和三维空间理论对点云数据进行有效分析和处理.分类是点云数据预处理的重要方式之一.提取近邻四面体体积、近邻法向量差异度、主方向差异度和主曲率值4个局部形状特征,采用概率混合策略构建了一种点云数据的半自动分类方法,可实现平面点集、柱面点集和其他点集的有效区分.其中,概率混合策略是依据近邻点平均距离和单指标类别一致程度估计每个特征推断形状的概率,通过混合加权,依据概率赋权函数最大值准则进行局部形状推断.可实现用户交互,以便处理不同扫描尺度和精度的点云数据.采用本文方法对模拟生成的点云、单棵树木点云、街道场景点云、旷野自然场景扫描点云以及航空机载扫描点云等多组数据进行了实验,结果表明,基于局部形状特征的概率混合方法对各种点云数据均具有良好的分类效果.

山地城市大场景机载LiDAR点云制作DEM技术探索

机载LiDAR移动测量技术已经成为新型测绘应用的热点,本文首先利用机载LiDAR测量装备获取山地城市大场景点云数据,因点云数据量庞大,本文通过对点云噪声剔除、点云分块、点云分类等关键技术研究,得到试验区域地面点云数据,由于地形地貌和算法参数影响,自动分类后的地面点云数据存在一些误分类的点,针对局部误分类点云通过人工编辑得到准确的地面点云。最终利用正确的地面点云制作得到山地城市大场景DEM,形成了一套基于大场景机载LiDAR点云制作DEM的技术路线。

基于Feature-RNet的三维大场景点云分类框架

随着大场景三维点云应用在越来越多的领域中,近些年对激光点云大场景下的分类研究不断深入,各种分类模型层出不穷,在大场景点云分类任务中表现优异,但是依然存在训练时间长、计算复杂以及分类精度低等问题。针对分类精度低这一问题,提出一种基于Feature-RNet的三维大场景点云分类框架模型来实现点云分类工作。该框架模型不直接以三维点云数据作为输入,而是以通过KNN方法提取三维点云的二维特征和三维特征构建的特征图像作为输入,避免了网络框架对三维点云数据直接处理的不适应性;该模型设计的RNet框架结构利用了残差模块,并对其进行变型以达到提高分类精度的效果。采用公开的Oakland三维数据集对Feature-RNet框架模型进行训练,与现有的其他深度学习分类框架相比,提出的Feature-RNet框架模型在分类精度上有较大的提升,总体分类准确率能达到97.7%。

实景三维模型与LiDAR点云联合测图工艺研究

大比例尺地形图(1∶500)需求依旧旺盛,与此同时三维化、全要素化成果需求急速增长。而传统地形图生产方式不仅外业工作量大,且仅能提供单一化的地形图产品,难以满足三维化需求。倾斜摄影测量和三维激光扫描技术(LiDAR)是测绘领域近些年发展起来的高新技术,本文结合这两种技术同步对测区进行数据采集,实现了LiDAR点云分类以及两种类型数据的联合测图工艺,并成功地将该工艺应用于多个实际工程项目中,满足1∶500地形图测绘精度的同时,提升了大比例尺测图整体效率,并且形成了实景模型、高精度DEM等更加多样化的测绘产品。

基于点-体素一致性约束的城市激光雷达点云分类

准确高效的点云分类在场景理解和数字孪生城市建设等任务中发挥着关键作用。利用单一点、体素等视觉结构数据的点云分类方法容易丢失关键几何特征;融合多种结构数据的点云分类方法学习到不同数据的多层次、多尺度特征,但难以平衡不同数据之间的差异,降低了点云分类的准确性。因此,提出一个基于点-体素一致性约束的点云分类网络(PVCC-Net),用于准确分割城市场景中的不同尺寸地物。PVCC-Net采用双分支U-Net结构,体素和点分支分别负责提取粗粒度和细粒度特征,并利用点-体素一致性约束模块对齐粗细粒度特征,以减小不同粒度特征的分布差异。然后,所提网络采用点-体素自注意力机制自适应融合聚合后的粗粒度和细粒度特征,进而提升点云全局特征表达。引入Toronto3D、Semantic3D和SensatUrban三个城市场景点云数据集对PVCC-Net进行性能评估。结果显示,PVCC-Net分别取得了97.97%、93.80%和93.00%的总体精度(OA),以及82.92%、75.70%和55.40%的平均交并比(mIoU)。对比实验结果表明,相比基线方法,所提方法可以有效提升对复杂城市场景点云的分类性能,且获得更优的分类结果。

基于切片采样和质心距直方图特征的室外大场景三维点云分类

三维(3D)点云数据在智能驾驶、遥感测量和虚拟现实等领域的应用越来越广泛。针对室外大场景,提出了一种兼顾快速性与准确性的三维点云分类算法,该算法首先对原始点云进行离群点去除,并在现有地面滤波算法的基础上,结合点云法向量差信息滤除地面点;然后再使用具有噪声的基于密度(DBSCAN)的聚类算法对非地面点云进行分割,同时针对点云的过分割问题采用了就近融合的策略;再提取出不同物体点云的全局特征,包括垂直方向切片采样直方图和质心距直方图,以及点云的二维投影图像方向梯度直方图(HOG)特征;最后,通过支持向量机(SVM)分类器分类,得到较为精确的三维点云分类结果。实验结果表明:所提算法可以将复杂的室外大场景分类为较为准确的单个物体,并且具有较高的精确率以及召回率;相较于其他算法,所提算法的效率有了较大提高。

基于改进的RANSAC的场景分类点云粗配准算法

点云配准是基于RGB-D(RGB-depth)传感器的室内场景重建的关键技术之一。针对稀疏建图中关键帧间的点云配准问题,提出一种基于改进的随机采样一致性(RANSAC)的场景分类点云粗配准算法。首先分别利用几何信息与光度信息进行关键点的检测、描述与匹配,然后由场景分类算法判断场景类别,适应性地结合几何匹配与光度匹配,最后提出一种改进的RANSAC算法,通过有偏重的随机采样与自适应的假设评价,对关键帧间的变换矩阵进行估计。采用公开的RGB-D数据集对整体的点云粗配准算法进行实验验证,并与多种算法进行比较。实验结果表明,该点云粗配准算法能够实现稳健有效的变换矩阵估计,有助于后续的精配准与整体的室内场景重建。

基于二值神经网络的大场景点云分类

近年随着3维数据采集技术不断发展,大场景点云数据的获取越来越方便。目前深度学习网络框架在2维图像处理领域越来越成熟,而大场景点云是一种3维无规则化的数据,3维卷积神经网络直接处理大场景3维数据会存在分类精度低和计算复杂等问题。因此为了有效解决基于深度学习的点云分类任务中存在的计算时间长和分类精度低的问题,本文提出基于二值神经网络的大场景点云分类方法,针对不规则的3维点云数据设计特征值计算方法,基于IR-Net二值神经网络处理输入的点云特征图像,进一步采用Dynamic ReLU激活函数,提高神经网络的计算效率,最后得出点云分类结果。实验结果表明,所提出的方法在Oakland数据集上分类精度达到97.6%,在GML数据集中取得了92.3%和97.2%的分类精度,实验结果证明Dy-ResNet能够有效提升了点云分类的精度,减少计算的复杂度,并提高了训练效率。