基于体素中心优化的3DSC配准算法研究

随着三维扫描技术的发展,大量点云数据被生成,如何有效处理与分析这些数据成为一个重要问题。点云配准是点云处理的一个关键步骤,3DSC是一种基于特征的配准算法,广泛应用于计算机视觉领域。该算法具有较高的配准精度,但对大规模点云数据或噪声干扰严重的数据进行配准时存在配准时间过长的问题,在对精度和配准效率要求较高的场景下不适用。为解决该问题,首先,对3DSC算法进行优化,在其配准时提取体素中心进行降采样处理,将完整的点云数据重复进行八叉树分割,直至达到最大递归深度或者不能再分割;其次,对每8个相邻最小单元内的数据点提取体素中心;最后,将所有体素中心重新构建成新的点云数据并进行配准。相较于传统的3DSC算法,优化后的3DSC具有更高的配准效率,大大缩短了配准时间。

利用点云处理的实时的类别级位姿估计

针对传统的视觉算法无法准确地测量物体3D质心和尺寸、无法检测数据集中未出现过的物体等问题,提出一种基于点云的类别级物体质心与位姿估计算法.首先通过2D分割算法对物体待检测区域进行分割,并通过BlendMask提高实时性;然后将分割区域生成点云,并结合先验形状输入到神经网络中重建物体模型;最后输出一个变形场以及对应矩阵,并通过Umeyama算法对物体进行位姿估计.实验结果表明,所提算法达到了较高的精度;在质心估计方面也优于包络盒中心作为质心的算法;实时速率达到了13帧/s.在GPUNVIDIA2060上进行仿真实验,证明了所提算法计算的质心优于对比算法,以及该算法的准确性及可靠性.

基于点云的铣刀螺旋槽截面预测模型

基于点云离散的思想,将铣刀棒料离散为点云集合,将砂轮简化为回转面及中心矢量表达的二维模型,建立判断棒料截面点云与砂轮回转面是否包含的磨削切除预测模型,并利用预测截面点云集合计算螺旋槽相关参数。采用OCC建立实际仿真磨削的点云切除过程模块,实现对预测螺旋槽截面的显示以及结构参数的精确计算。通过改变砂轮结构位置参数,给出螺旋槽截面相关参数变化规律,并对其中具体实例进行了结果显示。

采用点云分区统计的成捆棒材端面定位方法

针对成捆棒材端面贴标过程中出现的端面中心位姿测量难度大、效率低等问题,提出一种基于点云分区统计的成捆棒材端面定位方法.首先对端面点云进行预处理操作;然后使用改进的聚类分割算法对端面点云进行分割,并以分区统计为依据提出完整单根棒材端面中心定位方法和残缺单根棒材端面中心定位方法,实现端面中心定位;最后以端面法向量表征端面中心姿态重建端面中心位姿.采集200组不同姿态的单根棒材端面点云进行实验的结果表明,单根棒材端面定位时间不超过0.5 s,位置误差小于3 mm,姿态误差小于2°;所提方法是高效的,可准确地定位棒材端面中心.

使用中心预测-聚类的3D箱体实例分割方法

随着深度学习技术在工业领域的大量部署,应用于运输、装卸、包装、分拣等环节的自动化系统成为仓储物流行业的研究热点。针对机器人箱体拆垛场景提出一个点云中心预测-聚类网络(center prediction-clustering network,CPCN),对箱体垛进行实例分割,并计算每个箱体的上表面中心坐标。CPCN在传统的语义-实例联合分割结构的基础上,为实例分割分支设计了中心预测模块和中心强化模块。中心预测模块帮助定位实例中心以避免中心点分割错误,中心强化模块令属于同一实例的点在特征空间中向中心聚集,二者有效增强了实例特征的辨识能力。在实例特征处理部分设计的中心-实例聚类方法直接对实例特征进行距离度量来计算实例标签,大幅减少了计算时间。在箱体数据集上进行的实验表明,与现有方法相比CPCN在实例分割任务中的平均精确率最低提高了0.7个百分点,最高提高了17.2个百分点,预测实例中心的准确率达到94.4%,中心偏移量低至13.70 mm,且推理速度快于同类型的联合分割网络,对于箱体拆垛任务更有针对性,具有良好的应用价值。

车载移动测量技术在既有铁路横断面测量中的应用

为了解决既有线横断面测量中传统单点测量手段时面临的测量效率低、人员上线作业安全隐患大等问题,采用车载移动测量技术开展既有铁路横断面测量应用研究,从采集设备、数据采集、数据解算3个方面介绍技术应用的流程与方法。基于该技术快速采集的铁路沿线全断面LiDAR点云,提出一种基于POS轨迹线引导和两步ICP配准的钢轨模型重建和线路中心线提取方法,在此基础上设计了断面点云分割和属性点自动推算的数据处理方法,实现了既有线横断面测量成果的快速批量制作。结合某铁路增建二线工程开展应用,结果表明:采用该方法高程精度为19.2 mm,距离精度为16.1 mm,满足改建铁路工程测量规范要求,并且可以有效提升既有线横断面测量效率,大幅减少上线作业量,改变铁路横断面测量主要依靠人工的现状,为既有铁路横断面快速测量提供技术支撑和安全保障。

利用最小二乘法的网壳结构点云节点中心坐标提取

为解决网壳结构节点坐标测量困难、处理效率低等问题,本文提出基于网壳结构扫描点云的节点中心坐标提取方法:应用三维激光扫描技术采集网壳结构点云数据并预处理;然后基于设计模型,对初始点云模型进行网壳节点局部点云分割和节点多平面拟合,判定拟合平面的属性特征并修正侧面的法向量方向;最后利用空间约束关系及最小二乘算法求取网壳结构节点的精确中心坐标。以三亚国际免税城项目为例开展应用,结果表明所提方法求取的网壳结构节点中心坐标与全站仪实测结果偏差均值为2.89 mm,效率相比传统方法提高近4倍,较大提升了网壳结构节点中心坐标的提取精度和效率,为后续网壳结构施工偏差复核、幕墙板材的深化设计与加工等工程化应用提供了准确的数据支撑。

基于三维激光扫描技术的风电塔筒倾斜检测新方法研究

风电塔筒的倾斜度检测对保障风机安全生产具有重要的意义。本文提出一种基于三维激光扫描技术的风电塔筒倾斜检测方法,该方法通过塔筒圆心拟合算法与轴线拟合算法,从整体与局部对塔筒进行倾斜检测,能够全面量化塔筒轴线在三维空间的变形情况。经实例验证,所提方法较传统倾斜检测等方法,能够提取更全面的信息,检测结果具有更高的可靠性,且精度能够满足工程要求。

自定义聚类中心点的快速K-means聚类点云精简算法

针对传统K-means算法在随机选取聚类中心点出现聚类失败及点云数据重建时在相对平坦的区域出现孔洞的问题,提出一种GK-means的改进聚类算法对点云数据进行精简。该算法首先规定数值K作为最终聚类个数的限定,然后对选点策略进行改进,采用最远点采样选取聚类中心,对簇进行细分,计算所有点到聚类中心的欧氏距离,获取最小值所在的位置,放进最小距离所在的簇。实验结果表明:改进后的K-means算法能够使算法成功的概率提高且运行速度较快,对点云进行精简时,特征区域完整地保留了点云模型的细节特征,重建结果具有较高的光顺性。

基于地面三维激光扫描的桥梁挠度变形测量

将地面三维激光扫描技术应用到桥梁挠度变形测量。针对桥底面点云的具体特点,采用点云拟合计算方法和重心计算方法,分别获取不同荷载情况下的桥底挠度变化,并进行对比分析,初步确定其变形测量精度,验证了该技术在桥梁挠度变形测量中的可行性。

变尺度点云配准算法

针对三维点云配准中点云尺度不一致导致配准精确度不高的问题,提出基于几何重心和质心距离比不变性的多尺度点云配准算法。对点云进行滤波处理;通过点云数据重心与质心建立点云数据之间的尺度比例计算模型;根据配准误差与尺度真值函数关系,对尺度因子进行逐步细化,结合ICP算法进行配准。针对点云数据中不同的情况进行了对比实验,结果表明:在无噪声情况下,实验点云数据配准误差数量级为10^(–12)~10^(–15);在有噪声情况下,实验点云数据配准误差数量级为10^(–4)。

基于子空间特征向量的三维点云相似性分析

提出一种基于子空间特征向量的三维点云相似性分析算法。首先,获取两个物体的三维点云数据,并进行位置标准化。其次,利用最小子空间分割算法将两个三维点云分别分割成若干子空间。随后,计算子空间的质心到其拟合曲面的距离和夹角,并基于上述距离和夹角构成的向量空间,提取子空间特征向量。最后,通过特征向量间的相似度计算来评价两个三维点云的相似性。由于该方法将描述三维形体特征的子空间特征向量作为相似度度量的依据,所以具有数据量小、精度高的特点。实验表明,该算法能够定量地分析两个三维物体的相似性。

复杂场景三维点云中未知球形目标的自动识别方法

为了从散乱三维点云中识别并定位非确定个数、未知半径的球形目标,提出了复杂场景三维点云中未知球形目标的自动识别方法.首先利用局部邻域点集的二阶曲面逼近方法估计每个点的微分几何属性值;再根据各点的2个主曲率差异初步筛选疑似球面点,并根据法向和平均曲率推算各点对应的球心坐标;然后利用专门设计的层次聚类算法以球心坐标和估计半径为特征值对疑似球面点实施非监督聚类,将分属不同目标球的球面点区分开;最后逐类完成球面精确拟合.针对实验室布置场景的三维激光扫描点云进行实验的结果表明,该方法不仅具有较高的目标球定位精度,而且能够稳健地解决被障碍物遮挡情况下的非完整球面的半径识别和球心定位问题.

基于激光点云的平面标靶中心坐标提取方法研究

平面标靶在三维激光扫描仪坐标系转换、点云拼接等过程中具有十分重要的作用,通过提取的标靶中心坐标可以衡量测量的精度。在分析目前平面标靶中心坐标提取算法的基础上,探讨了重心类及几何类标靶中心坐标提取算法的实用性。在对初始数据进行预处理后,使用重心类、几何类方法获得了平面标靶中心坐标,并分别对其精度进行了分析和比较。结果表明,重心类方法具有更好的实用性,而几何类方法目前尚无法满足相关工程精度要求。

大型建筑多测站点云数据配准研究

地面三维激光扫描仪是一种新的空间数据采集设备,在实际应用中,常需要将多测站点云数据或其构成的模型数据转换到地面测量坐标中;无协作目标电子全站仪无需安置棱镜和反射片作为反射目标即能测定待定点的空间位置[1]。通过在扫描对象周围布设控制点,利用高精度无协作目标全站仪与地面三维激光扫描仪采集、拟合布设在研究对象上的靶标靶心坐标,根据摄影测量原理,利用同名点对,解算旋转参数和平移参数,实现扫描仪坐标系下的点云数据到地面测量坐标系的转换。点云数据靶心坐标的精确提取与全站仪靶心坐标的精确测量是实现坐标转换良好效果的基础。

从点云中提取断面轮廓在隧道监测中的应用

针对传统隧道监测所面临的问题,提出利用地面三维激光扫描技术对隧道形变进行快速监测的方式。首先介绍了地面三维激光扫描仪的工作原理,然后提出了快速提取隧道点云数据法向以及中心线、断面轮廓的方法,最后探讨了其在隧道监测方面的应用。该方法能大大提高隧道形变监测的效率和精确度。

一种用于道路障碍物识别的激光点云聚类算法

提出一种适用于道路障碍物识别检测的聚类算法,该算法用来处理各向异性分布的激光点云数据。算法的基本思想是:针对点云空间分布的实时变化,提出在线学习合并阈值的层次聚类算法,以确定聚类数搜索范围上界和初始聚类中心的待选点集;然后提出距离乘积最大化方法,对待选点集进行初始化排序,既结合点云的空间密度分布改善了聚类结果,又克服了传统K-means算法初始聚类中心难确定的问题;最后选取Silhouette和距离评价函数为聚类有效性指标分析算法的聚类效果,确定最佳聚类数。用以上自适应、在线学习的算法对2.5D激光雷达采集的点云数据进行聚类,并与其他两种聚类算法进行实际试验比较发现,本算法可以正确分割大多数空间分布各异且相互连接的障碍物。

一种基于扫描点云数据储气罐支柱形变监测新方法

本文利用徕卡TCA2003精密电子扫描仪获取的储气罐点云三维数据作为储气罐支柱形变监测的原始数据,以Taubin拟合圆心算法为数学基础,借助Matlab作为数据处理的平台,得出了一种储气罐支柱形变监测的新方法。参考《储气罐形变监测规范》并将实验数据结果对比分析得知,该方法能够准确有效监测出储气罐支柱垂直度、直线度、周向变形量和径向变形量,为储气罐安全性提供有效的科学数据。

地面三维激光扫描仪点间距测量精度研究

随着地面三维激光扫描技术的快速发展,将应用于更多行业尤其是工程测量方面,两点之间的距离是工程测量中的常用指标。由于工程应用对扫描点云精度要求越来越高,基于点云的点间距测量精度要求也在增高,研究地面三维激光扫描仪点间距测量精度有较高的实用价值。文中提出一种基于近景工业摄影测量技术的地面激光扫描仪点间距测量精度评定的方法,并针对实验中使用的平面圆形激光标靶,研究了基于平面拟合、空间投影等理论的标靶中心点坐标求取方法。特别是提出一种基于圆面几何特征的标靶中心点求取算法,并利用VC++2010平台开发程序实现,将文中的几何方法与常用的重心类标靶中心求取方法相对比,文中方法误差较小,在激光扫描仪离标靶测距较远,无法测得完整标靶,或是其他原因导致标靶部分数据缺失的时候可优先考虑。

基于狮群优化的改进K-Means聚类算法研究

针对K-Means聚类算法对初始聚类中心选择依赖性强的问题,利用狮群优化算法的快速收敛性及易于获取全局最优解的优势,提出了一种基于狮群优化的改进K-Means聚类算法。通过狮群优化算法对狮王不断迭代更新,优化狮王位置,将算法停止执行时的狮王最优解作为聚类中心,替代传统算法经过随机初始化得到具有不确定因素的聚类中心。选择UCI数据集进行验证,实验结果表明,改进算法的聚类效果较好,有效降低了K-Means对初始聚类中心的依赖。将改进的K-Means聚类算法应用于点云精简过程,获得了较好的点云精简效果。