基于改进Alpha Shape算法的点云数据岛屿边界提取

针对机载LiDAR点云的岛屿岸线提取过程复杂、附属岛屿岸线难以提取等问题,提出一种基于改进Alpha Shape算法的点云数据岛屿边界提取方法。首先利用布料模拟滤波算法剔除非岛屿点云数据,通过欧式聚类进行不同岛屿的提取,再将岛屿点云数据投影至二维平面,并根据岛屿点云构建格网。在此基础上使用自适应Alpha Shape算法,对提取出的岛屿点云进行边界提取,即可得到岛屿的岸线轮廓。选取新西兰的玛提尤/萨姆斯岛作为研究区域,并将本文算法与Alpha Shape算法进行对比,结果表明:本文算法提取岛屿边界点云的精准度为97.78%,可以准确地提取岛屿岸线,为海岛规划提供参考。

基于改进α-shape算法的三维点云树冠体积计算方法

为准确测量树冠体积,深入研究三维绿量和区域碳循环,针对现有点云数据测量树冠体积方法存在的高估与低估问题,提出了一种顾及点云边界密度、变阈值α-shape边界提取方法,并通过实验分析确定最优线性迭代步长和分层间距,实现了对树冠体积的精确计算。首先,对树冠点云数据进行等间距切片处理;然后,采用改进α-shape算法提取点云切片更为真实、自然的边界多边形;最后,计算切片面积和各层点云间的台体体积,并累加台体体积,获得树冠体积。实验表明:树冠体积计算的准确性与树冠内部枝叶结构和点云密度相关;无论对于高密度还是低密度树冠,采用改进α-shape算法的树冠体积计算结果不仅具有良好的稳定性,而且相较于已有其他方法更为准确,避免了Graham凸包算法的高估问题,与体元累加法相比也更利于树冠总体占用空间的计算。

利用Alpha Shapes算法提取离散点轮廓线

本文介绍了Alpha Shapes算法的原理和具体的实现方法,并将其应用到LiDAR离散点云数据的轮廓线提取,取得良好效果。

基于Alpha-shape算法的无人机雷达空间建模方法

为了使用四旋翼无人机搭载二维激光雷达进行空间环境探测与建模,设计了无人机LIDAR(Light Detection and Ranging)探测方案,提出了基于欧式聚类与Alpha-shape算法的点云数据建模方法。以室内环境建模为例,通过无人机LIDAR测得室内多位置、多高度的平面点云数据。根据室内环境点云数据分块聚集的特性,对数据进行统计滤波消噪,并采用欧式聚类算法对点云数据进行聚类,对每个聚类分别选取合适的参数α绘制其Alpha-shape图形。对于采样高度均匀、雷达扫描频率稳定的点云数据,考虑到无人机激光雷达的数据特点,以每个聚类中点的数量和其包络在x-y平面的投影面积为参数,结合测量经验提出了α的计算式。利用此方法可以实现使用二维激光雷达进行空间建模,相较于使用三维激光雷达成本更低,测量更灵活。

散乱点云的自适应α-shape曲面重建

针对α-shape算法不适用于散乱非均匀点集曲面重建的问题,提出了一种基于点云数据局部特征尺寸(LFS)的自适应α-shape曲面重建改进算法。首先,以采样点的k-邻近点计算出负极点逼近曲面中轴(MA);然后,根据近似中轴计算曲面在采样点处的局部特征尺寸,并依据局部特征尺寸对原始点云进行非均匀降采样;最后,根据三角面片的外接球半径和对应的α值自适应重建出物体表面。与α-shape算法相比,所提算法可以有效合理地减少点云数据量,点云简化率达到70%左右,同时重建结果中冗余三角面片更少且基本没有孔洞。实验结果表明,所提算法能够自适应地重建出非均匀点集的表面。

基于α-shape的三维激光点云计算树冠体积的研究

针对树冠形状各异、结构复杂、轮廓难以提取和体积难以精确计算等问题,文中基于三维激光扫描得到的树冠点云,提出一种综合树冠点云切片算法、α-shape点云轮廓提取算法和散乱轮廓点云排序算法的树冠体积计算方法。首先对树冠点云按照一定的间隔进行切片,将树冠点云分成多个类似台体和锥体部分,然后利用α-shape算法对每一层树冠点云进行轮廓点的提取,再使用点云排序算法对α-shape算法提取到的轮廓点集进行逆时针排序,利用多边形面积的行列式计算公式分别计算每层点云的面积;并使用台体和锥体的体积计算公式计算每部分的体积,最终累加各部分体积值得到树冠的最终体积。通过对利用TrimbleTX8地面三维激光扫描仪得到的九棵不同形状和品种的树木树冠点云进行计算与分析,并使用传统的体元法和凸包法对本文提出的算法进行了验证。结果表明本计算方法能很好地提取树冠的外包轮廓,进而得到准确的树冠体积值,在准确性和精度上优于两种传统方法,可应用于林业资源的调查与分析。

Alpha-Shapes分段改进算法在三维模拟树枝体积扫描测量中的应用

针对树木与树枝分叉部分体积计算困难,三维扫描建模易产生黏连现象等问题,提出一种Alpha-Shapes分段改进算法。通过三维激光扫描技术获取三维模拟树枝的点云数据,利用Alpha-Shapes算法计算出三维模拟树枝的点云边缘轮廓并进行三维重建,利用分段算法对三维重建数据进行体积分割计算,通过点云最高层补偿以此保证分段算法的准确度。最后用Alpha-Shapes算法计算各个分段体积并进行累加。实验使用标准塑料直管段、三通管段和四通管段对树干以及树枝的分叉情况进行模拟并通过扫描真实树枝进行验证,通过三维激光扫描技术获取点云数据,实验充分考虑树枝分叉情况、检测精度、黏连问题,结合不同模拟树枝分叉特点,对比选择最合适的半径α值与分段高度β值。实验表明该改进算法的体积计算误差值在4%-5%之间,较改进前降低5%。

双分支结构的多层级三维点云补全

为了缓解现有点云补全方法在特征提取过程中很难平衡局部特征和全局特征的问题,提出了一种双分支结构的多层级点云补全算法。利用两个独立的分支网络分别提取出输入点云的局部特征信息和全局特征信息,再将两种特征信息进行拼接形成特征向量。使用五层联合感知机将特征向量映射成多个维度,进而提取多维特征信息并将其整合成最终特征向量。采用金字塔结构在256、512、1024特征维度上对最终特征向量进行特征解码,预测三种不同分辨率的点云。引入鉴别器网络,通过联合训练鉴别器产生的对抗损失和分层重建点云产生的补全损失去优化网络。在ShapeNet数据集上进行实验,算法显著提升了点云补全精度,并且在缺失大面积点云时也能恢复出较为完善的物体形状。

基于alpha shapes算法的相邻航带点云重叠区提取

相邻航带点云重叠区提取是实现点云配准工作的前提,本文利用alpha shapes算法原理,并结合K-D树快速查找的优势完成航带点云的轮廓边界提取,最后根据PCL中多边形滤波器提取点云边界包含区域,完成相邻航带点云重叠区提取工作。本文试验首先根据简易点云完成初步试验,总结参数的设置情况,最后根据实际作业情况采用两组不同区域相邻航带点云进一步完成对该算法有效性进行验证,结果表明该方法原理简单,设置参数少,对数据边界提取有较强的鲁棒性,且重叠区输出结果可靠。

利用Alpha-shape算法进行树冠三维模型构建

为了研究树冠三维模型的构建,以常用绿化树种榉树为样本,通过三维激光扫描技术获取点云数据,运用alpha-shape算法进行树冠三维模型构建,并通过调整其α参数,得到不同的三维模型构建效果。结果表明,当参数α取值较大时,构建的三维模型较综合,树冠内部变化无法描述;随着α值的减少,构建的三维模型越来越精细,当减少到一定值时,得到的图形是一些离散的面片,重建结果不完整,不能形成树木模型。利用alpha-shape算法构建的树冠三维模型能够反映出树冠的不同空间形态特征,可作为计算冠层结构参数的基础和依据,深入研究可进一步计算相关结构参数。

混合注意力机制的非刚性三维点云模型对应关系计算

针对非刚性三维点云模型对应关系构建中后处理过程计算复杂、算法泛化能力较差的问题,提出一种采用混合注意力机制并以无监督学习的方式计算对应关系的算法.首先引入点对特征改进边缘卷积,使提取的特征蕴含点与点之间更多的相似位姿信息;然后构建以余弦相似度计算为核心的混合注意力优化模块,将模型间特征相似的部分编码为相似度矩阵;最后,直接利用相似度矩阵与坐标信息双向重建对应的模型,获取最终的对应关系结果.在SURREAL,SHREC’19,SMAL和TOSCA数据集上的定性和定量实验结果表明,所提算法与CorrNet3D算法相比,在利用原始模型与重建模型之间的欧几里得距离衡量对应关系误差时,平均误差在SHREC’19和TOSCA数据集上分别减少了0.19和5.00,在容忍误差为10%时对应关系准确率分别提高了9.26个百分点和20.41个百分点,且在不同数据集上具有良好的泛化能力.

融合形状结构恢复和细节补偿的双分支点云修复网络

针对传统点云修复中难以有效地保持原始形状细节结构信息的问题,提出一种融合形状全局结构恢复和局部细节补偿的双分支点云形状修复网络.网络中的形状全局结构恢复分支为编解码-解码器结构,编码器对缺失点云数据进行特征变换以克服点云形状的旋转不变性,利用最大池化操作解决点云的无序性问题,并通过多层感知器生成原始点云的特征码字,解码器对编码得到的特征码字使用4个二维网格进行2次折叠操作,拟合点云形状得到粗修复结果;为了补偿点云粗修复结果的形状细节信息,网络中的局部细节补偿分支对编码器提取得到的不同维度特征,通过层次特征学习和多层次特征融合学习点云形状的几何结构特征,有效地恢复缺失点云数据并保留原始形状细节信息;最终将经全局结构恢复分支和局部细节补偿分支分别得到的点云数据拼接融合,再进行迭代最远点重采样,得到点云形状精修复结果.实验结果表明,在ShapeNet数据集上,所提网络比已有网络修复结果的平均CD误差和平均EMD误差分别低16%~29%和19%~65%;在ModelNet数据集上,比已有网络修复结果的平均CD误差和平均EMD误差分别低6%~41%和31%~59%;该网络可以修复原始形状的整体结构信息并能有效地恢复其形状细节,生成采样点分布均匀的完整点云模型,且对模型噪声和不同程度的模型缺失均具有鲁棒性.

平滑注意力与谱上采样细化的非等距三维点云模型对应关系计算

为了解决非等距3维点云模型对应关系计算易受模型大尺度形变影响而导致对应失真、准确率低且平滑性差的问题,该文提出一种结合平滑注意力与谱上采样细化的非等距3维点云模型对应关系计算新方法。首先,利用点所在表面的几何特征信息设计平滑注意力机制与平滑感知模块,提高特征对大尺度形变区域非刚性变换的感知能力;其次,将深度函数映射模块与平滑正则化约束相结合,提升函数映射计算结果的平滑性;最后,在谱上采样细化模块中,以多分辨率重建的方式得到最终的逐点映射结果。实验结果表明,与已有算法相比,本算法在FAUST、SCAPE和SMAL数据集上构建的对应关系测地误差最小,处理大尺度形变模型时,能够提升逐点映射的平滑性和全局准确率。

基于激光点云的中厚板表面平整度测量

在冶金行业中,中厚板是主要产品之一,其平整度是评估钢板质量的重要指标。压力矫平现场还依赖于人工测量,无法准确地表征板材平整度。为了提高检测的准确度及高效性,提出了一种基于机器视觉的平整度测量方法。基于高精度的三维视觉扫描技术,结合高斯拟合算法,利用高斯系数构建特征值,建立高斯特征值与实际板材弯曲高度的映射关系,构建基准平面,计算点云坐标值与基准平面的距离,结合RGB颜色模型绘制板形云图,在此基础上给出压力矫平添加垫板的位置。实验表明,所提出的方法计算误差不大于0.3 mm,可以实现对中心凸起或边缘翘曲钢板的测量,同时板形云图反映了板形分布状况及垫板位置。该度量方法可以准确测量中厚板的弯曲量,可以为压力矫平提供数据支持。

基于深度学习的颅面点云生成模型

针对实际应用中对初始头骨数据完整性要求高、重建复原时间长、扩展性和实用性不强等问题,论文设计提出一种基于深度学习的形状修补以及形状学习颅面点云复原模型。模型通过使用补全自编码器(Repair AutoEncoder,rAE)从缺失的头骨点云数据中复原完整头骨点云,并通过形状生成自编码器(Generation AutoEncoder,gAE)来生成初始头骨所对应的头面部点云。实验表明该模型补全生成的头骨点云和学习生成的头部点云的复原精度能很好地支撑对头部模型的三维重建。论文提出的深度学习方法与传统方法相比较能够由不完整的头骨数据,快速、逼真和准确地重构三维头部形状,在经典颅面复原任务如:出土残缺古人类头骨补全、面貌复原、刑事案件侦破等任务中展现出良好的稳定性与可扩展性。

复杂异型建筑立面测绘轮廓提取方法设计

为解决点云数据密度异常时复杂异型建筑立面测绘轮廓提取精度变差的问题,提出基于局部点云密度的复杂异型建筑立面测绘轮廓提取方法。引入基于平面投影和双边滤波的测绘点云数据平滑方法,对测绘数据进行去噪和平滑处理,并通过点云分割方法提取目标点云区域。通过基于改进Alpha Shapes算法的立面测绘轮廓提取方法,以边界网格筛选的方式,去除目标点云区域冗余点云数据后,使用滚动圆半径自适应调节方法提取轮廓数据。试验结果表明,所提取轮廓匹配度高达95.08%,具有良好的精度和可行性。该方法可在有效平滑点云数据、分割获取目标点云区域的同时,高精度提取复杂异型建筑立面测绘轮廓。

基于激光SLAM的切片式巷道体积计算方法

井巷的精准测绘是矿山生产的重要环节,但当前的测绘工作缺乏快速高效的数据测量方法和共享方式。本研究基于便携式激光扫描仪,提出一种自适应切片式巷道体积计算方法,能集成在多种同时定位与地图构建(SLAM)框架中满足现场测绘高精度、高时效需求。现场实验表明,与矿山传统测量手段相比,体积误差和巷道断面误差均控制在2%以内,计算耗时控制在200ms,能在手持设备上实时查看当前所测巷道的体积,并且能快速接入后台矿山软件,有效提高现场测绘效率,增强了各部门间数据共享能力。

基于无人机LIDAR的露天矿填挖方算量范围提取方法

针对传统露天矿填挖方算量范围确定方法工作效率低、劳动强度大、受主观因素影响大等问题;基于无人机LIDAR采集的点云数据,提出了一种露天矿填挖方算量范围确定算法;算法对点云进行格网划分,然后设置高差、连通区域等参数将符合露天矿填挖方算量范围的点云提取出来,最后采用Alpha shapes算法对其进行轮廓线提取,形成填挖方区域边界线。将该算法应用于南芬露天矿两期点云的填挖方算量范围提取,结果表明:输出的边界线和点云均与三维模型重合较好,为2期点云填挖方量计算提供准确的算量范围。

“S”形检测试件测量结果可视化研究及其软件开发

“S”形检测试件已成为国内航空主机厂商检验五轴联动数控机床加工性能的一项必要环节,为方便机床调试人员分析数控机床误差,提高调试效率,对S形试件测量结果可视化进行研究。分析了S形试件的几何特性及现有测量方法,通过获取S形试件的点云数据,对点云数据进行预处理,为S形试件测量结果的可视化奠定了基础。利用克里金插值法将试件测量点的点位误差映射到整个形面的点云上,得到了密化的形面误差数据,利用色谱图和分层显示的方式实现了S形试件测量结果的可视化显示,并对可视化结果进行了实验验证。基于上述处理流程及相关算法,基于Python语言,开发了S形试件测量结果可视化软件。此种方法开发的可视化软件小巧、轻量化且可移植性强,适合工程应用。

基于三维激光点云数据的树冠体积计算方法研究

针对目前树冠体积计算方法存在的问题,如树冠空隙无法剔除、提取树冠边界粗糙等,本文提出了一种基于改进α-shape算法的树冠体积计算方法,通过设置最优分层间距与迭代步长实现树冠体积的精确计算。本文提出改进α-shape算法的树冠体积计算步骤为:首先对原始树冠点云进行等间距切片,并根据改进α-shape算法提取点云切片多边形边界;其次根据切片面积与分层间距实现台体体积计算,树冠最终体积为台体体积之和。通过实测树冠点云数据进行实验,结果表明本文提出算法计算树冠体积较体元法与Graham算法的稳定性更高,受树冠密度的限制更小。