基于三维激光点云曲率突变的航空发动机进气道异物检测方法

为了解决目前人工巡检航空发动机进气道时存在的准确性差、效率较低等问题,提出一种基于三维激光点云曲率突变的进气道异物检测方法;设计一种基于体素网络的点云数据压缩方法,计算压缩点云数据在进气道深度方向上的曲率变化;利用迭代阈值法计算分割曲率突变点云的动态阈值,通过阈值分割识别曲率突变的异物点云;采用区域生长法将离散的异物点云聚类分割为整体的异物目标;参考航空发动机进气道实物搭建了进气道模拟件测试环境,对3种不同尺寸的异物进行了检测定位,异物识别准确率达到95.4%,异物定位精度达到1.46 cm,实验结果验证了该方法的准确性与高效性。

基于区域生长的非结构巷道点云去噪方法

目前针对地下巷道点云去噪研究未完全满足巷道点云的特殊去噪需求,尤其是在狭长、密闭且复杂的地下巷道环境中,未能充分应对管壁附属物、粉尘和人为噪声等因素造成的挑战。通过分析井下非结构场景和传感器误差,考虑行人、移动设备和管网带来的噪声,提出一种基于区域生长的非结构巷道点云去噪方法。利用三维激光扫描技术获得井下巷道场景的3D点云信息,并分析其中由于井下非结构场景和传感器误差造成的异常点,以及行人、移动设备和风/水管网形成的噪声特点;利用k维树(kd-tree)构建点云的拓扑关系,选取适当的种子节点和生长准则,设定合适的曲率和角度阈值,通过区域生长算法实现巷道点云的有效分割,去除未加入分割区域的离群点云;根据噪声特点,基于巷道点云区域分割结果进一步去噪优化。试验结果表明:对于巷道中存在行人、设备等特征的情况,建议将区域生长算法的角度阈值设定为10°左右,曲率阈值设定为3左右;在实际应用中,应平衡数据量的减少与去噪效果,以确保数据处理的有效性,同时提高数据质量;采用基于区域生长的非结构巷道点云去噪方法进行去噪时,点云数量减少幅度介于SOR滤波器和低通滤波器之间,能有效移除行人、设备等噪声。

结合K-means聚类的点云区域生长优化快速分割方法

机载LiDAR点云分割是点云数据处理的重要环节。区域生长法是点云分割的经典方法,但该方法通常是以点基元进行生长,在处理数据量较大的点云数据时,由初始种子点选取的不确定性,存在分割速度慢和分割性能不稳定等问题。针对这些问题,本文提出了一种将K-means聚类法与区域生长法结合的点云优化快速分割算法。首先,对点云进行K-means聚类获取对象基元并计算质心点,判断各对象基元质心点是否满足角度和高差阈值,实现基于对象基元质心点的点云滤波;然后,遍历地物对象基元,通过计算对象基元内各点的邻近点的法向量角度和距离,判断其是否满足阈值生长条件,重复迭代直至分割结束;最后,采用3组不同区域的点云数据进行试验分析。试验结果表明,本文方法的分割精度可达到86.19%,相较于传统的K-means聚类法与区域生长法机载LiDAR点云分割的精度有大幅度提升。此外,本文方法相较于传统的区域生长法能够显著提高运算效率。

基于边界特征约束的室内三维点云平面分割

三维点云室内平面要素的准确分割是室内模型自动化重建的基础。针对现有区域生长算法分割室内平面时边界区域点云易被错误分割的问题,提出一种边界特征约束平面分割方法。该方法首先利用欧氏聚类方法融合RGB信息对室内桌椅等不参与平面分割的部件进行聚类提取,然后对剩余点云进行平面分割,首先利用区域生长算法分割平面内部点,然后对种子点的生长过程进行监测,对处于边界区域的种子点精确识别其邻域内的边界点,以边界点为生长约束界限对平面点进行分割。采用两组不同场景的点云数据进行试验分析,试验结果表明,该分割算法能够准确地对边界区域点云进行归类,避免了点云过分割和欠分割的问题,平面分割的准确率和完整度相比于区域生长算法分别提升了3%和4%左右。本算法能够有效提升室内场景平面分割精度。

一种针对大规模场景的点云匹配算法

针对大规模点云匹配时传统算法速度慢和匹配结果不一致的问题,提出一种新的点云匹配方法。该方法首先利用KD树找到点云中深度最小的点并以该点作为种子点,然后通过在深度信息和曲率两个方面做以改进的区域生长分割算法提取出点云上表面区域,并在该区域提取点云边界。最后使用改进的点对特征完成点云匹配算法验证。实验结果表明,相比传统算法,该方法在匹配速度以及匹配结果的一致性方面得到了显著的提升,在处理大规模点云匹配上具有实际应用价值。

区域增长与RANSAC模型结合的机载点云平面分割方法

针对现有的建筑物点云分割数据效率低、抗噪性弱等问题,提出了一种区域增长与RANSAC模型结合的点云平面分割方法,该方法以种子点的曲率、法向量及其邻域点到法平面的欧氏距离为生长约束条件,通过不断扩展种子面提取符合平面模型的初始样本点集,然后采用基于RANSAC平面拟合的稳健参数估计方法估计出高精度的平面参数。试验证明该方法具有可行性。

基于点云数据的切坡建房风险评价——以武汉市低山丘陵区为例

针对武汉市低山丘陵区的切坡建房风险区,本文采用机载激光雷达(LiDAR)生成坡面山体点云数据,大面积排查区域内的房屋建筑,降低人为参与程度,提高切坡建房判断精度,同时运用区域生长法、坡度计算等方法,结合武汉市地质灾害隐患排查标准,建立武汉市切坡建房风险等级评价体系,并采用点云剖面计算、实地勘察的方式进行准确度验证。结果表明,依据本文算法提取的风险区成果与点云剖面计算、实地勘测的风险等级一致,所得结果与削坡高度、边坡距离、自然坡长的误差分别在-0.2~1 m、-1.3~2.7 m、-1~2 mm之间;坡度误差在-1°~7°之间;容积率误差在-0.07~0.53之间;与实地勘测的拟合度在0.9以上。因此,基于点云数据建立的切坡建房风险等级评价体系可从不同角度对地貌特征进行分析,大大节约人力和物力,为武汉市地质灾害及隐患调查数据的获取提供参考。

基于RANSAC平面检测种子点的机载屋顶点云提取方法

机载激光雷达技术已经成为快速获取城市建筑三维数字模型的有效手段,而建筑物屋顶点云提取则是建筑物三维数字模型重建的关键。针对该问题,本文提出了一种基于随机抽样一致算法(RANSAC)平面检测种子点的机载屋顶点云提取方法。首先,通过近地点分离将地面点从点云中分离出来,保留建筑物点云和少量树冠点云。然后,利用RANSAC平面检测选取种子点,这些种子点几乎全部为屋顶点,且非屋顶点比例极低。接下来,将种子点作为初始增长点,利用种子点与其邻域点法线夹角和Z方向上的距离差值作为聚类特征,进行屋顶点提取。实验结果表明,该方法在不同数据集上取得了良好的屋顶点提取效果。点云密度对屋顶点提取结果有一定影响,较高的点云密度有利于提取几何特征明显的屋顶点。此外,通过该方法选取的种子点准确性较高,非屋顶点的影响非常有限。综上,该方法能够有效地提取机载点云中的屋顶点,为建筑物三维重建和城市规划等应用提供了重要的数据支持。

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。

基于三维声纳点云的水下沉井地形探测技术

为了解决水下沉井地形监测难题,给出了一种基于三维扫描声纳的地形监测方法以及地形点云的高精度快速处理方法。首先,结合沉井特点,给出了一种悬挂式三维扫描声纳扫描沉井水下地形方法;然后,结合沉井形状及点云特点,给出由降采样点云抽稀法、基于欧式距离的区域自生长算法的点云去噪方法和基于K-means++聚类算法的沉井水下地形分割方法等组成的水下地形点云处理方法,实现了基于声纳点云的地形点云快速获取及水下地形恢复。实验结果表明,该方法可有效用于沉井水下地形探测。

基于平面提取的点云数据分割算法

针对点云数据处理过程中边缘不易定位准确的问题,提出一种抗噪性强的点云数据分割新算法。该算法以点云的区域分布特性为基础,通过对数据进行主成分分析(PCA),构建点云平面基元检测的新模型。定义多个平面相似度准则并结合多个阈值判断,进行平面的区域增长,实现点云数据的准确分割。实验结果表明,该方法能快速稳定地识别场景物体各个平面,得到较为准确的分割结果,且具有较强的抗噪性能。

基于Otsu的建筑物点云分割改进算法

提出了一种基于Otsu的建筑物点云分割改进算法,针对传统Otsu分割算法在精确性方面的不足提出2点修改意见。首先根据投影点密度理论将三维点云转换为二维灰度图像,再利用Otsu算法及其改进算法对图像进行分割。采用Riegl公司VZ-400激光扫描仪采集的武汉大学信息学部第一教学楼的点云进行分割处理,并与传统的Otsu分割算法进行对比。结果表明,该算法分割正确率可达96.54%,远高于改进前的72.82%。

基于SVM的机载LiDAR数据电力线提取方法

针对数字电网巡线日益增长的需求,机载Li DAR为数字巡线提供了一种新的方式,电力线又是数字电网建设的关键。SVM算法是一种机器学习算法,基于SVM算法,提出一种机载Li DAR提取电力线的方法,并研究了点云密度和电力线提取精度之间的关系。首先提取9个特征构建特征空间,然后实验确定最优的分类参数和邻域半径训练分类器,利用分类器对电力线进行提取,最后采用区域增长的方法,对误分类的碎片进行剔除。通过不同的数据对提出的方法进行了检验,最终电力线的提取比率均达到99. 8%以上,Kappa系数均达到0. 99以上,实验结果证明该方法可以实现电力线快速、高精度地提取。

激光点云中典型地物分割方法

对于激光点云中的典型地物,传统点云分割算法由于其适用性不同,且分割阈值较难设置,易出现过分割或欠分割现象。针对此问题,通过分析不同算法的原理及适用性,提出基于区域增长与欧氏聚类相结合的点云分割方法。该方法通过区域增长将激光点云中的典型地物分为树、杆类及建筑类,再分别对这两大类地物设置不同阈值,采用欧氏聚类算法将个体单独分割开来。实验结果表明,本文方法能将树、杆状物、建筑物等典型地物分割开,同时解决了因阈值设置不合理而出现的过分割或欠分割问题。

非结构环境下一种改进的区域生长点云分割方法

针对非结构环境下目标零件识别过程中零件相互堆叠造成分割困难的问题,提出了一种改进的区域生长点云分割算法。首先,采用直通和统计滤波器对获取的点云进行预处理,得到去除冗余数据后的点云;其次,使用八叉树建立点云之间的拓扑关系,提高后续点云分割的效率;最后,选择基于局部径向基函数的曲率计算方法,通过计算选取曲率最小点为初始种子点,并设定空间阈值范围进行区域生长。实验结果表明:该方法能有效解决非结构环境下零件堆叠导致的分割困难问题,分割准确度高且效率满足工业实时需求。

基于骨架的三维点云模型分割

针对目前三维模型分割方法在分割细节方面准确度低、分割结果不明确的问题,通过研究三维模型骨架数据的拓扑关系,提出一种以提取三维点云模型骨架为预处理步骤的分割算法。提取对三维模型进行骨架提取,通过骨架数据之间的关系,提取骨架关键点;选择同一邻域内关键点到质心的距离最小的点作为最终的关键点,对已找到的关键点进行优化处理,减小错误关键点对分割结果的影响;使用找到的关键点,通过改进的区域生长算法,得到分割后的骨架区域,即可得到相应原始数据的分割结果。实验结果表明,采用该方法得到的分割结果相较于现有分割方法可以准确获得三维模型的语义分割结果及较好的分割边界。

基于无人机的道路点云数据分割提取算法

针对机载LiDAR获得道路的数据信息精确度低问题,提出基于无人机的低空扫描三维点云数据,动态拟合提取分割道路信息的算法.首先使用主成分分析法获得道路点数据的法向量,之后将高程信息和法向量信息结合,利用聚类算法获得道路的高程和法向量的范围,提取道路点云数据;其次利用多项式拟合对道路数据进行数学建模;然后通过动态多项式拟合提取出所有路面数据和路面上的资产以及行人车辆数据;最后使用区域生长算法对路面上的资产以及行人车辆数据进行分割.实验表明算法对道路上的遮挡物有很强的抗干扰能力,可以将路面提取出来并将路面上的数据分割进行分割,将本文算法与区域生长算法进行对比,本文算法对路面数据更加敏感.

一种改进的超体素与区域生长点云分割方法

点云分割作为识别地理场景的空间特征、探索和记录空间信息的关键处理步骤,其分割精度直接影响后续三维场景重建、地物特征提取等应用的效果。针对传统区域生长点云分割算法的不稳定等问题,本文结合超体素和区域生长算法对点云数据进行分割,并利用点云自身的色彩信息进一步改进分割结果。试验结果表明,相较于传统的区域生长和已有的结合超体素与区域生长的分割算法,本文算法对点云数据分割的效果更好,且其精确率与召回率均有提高。

船舶舱室点云模型重构技术研究

针对大型船舶舱室结构复杂的特点，采取先整体后局部、由外到内的分割策略，利用三种不同的方法对船舱内外点云进行分割，并进一步提取点云特征，再根据不同的船舱内部部件设计出区域生长曲面重建流程，并将曲面块拼接为实体，实现大型船舶舱室曲面模型的重构。

基于改进NDT算法的城市场景三维点云配准

对于存在较大初始变换误差的两帧点云,正态分布变换(NDT)配准算法通常会收敛到局部最小值。为提高收敛性能,提出一种新的区域生长聚类正态分布变换(RGC-NDT)算法,该算法在优化步骤中取代体积分割,消除体素边界处评分函数的不连续性。使用主成分分析法(PCA),针对点云中的每个点计算局部特征向量及曲率。基于这些特征向量的相似性,根据区域隶属判定规则,将种子点周围的相邻点聚合为簇类,然后为每个聚类计算正态分布变换,并将该区域内的点表示为分布-分布匹配的概率密度函数。实验表明:相比于传统NDT算法,该算法匹配准确度提高1.18倍,且匹配耗时仅为其1/3。