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。

基于三维模型体积的奶牛体重预估

针对奶牛的体重预估精度和自动化程度较低的问题,本文以荷斯坦奶牛为研究对象,提出1种基于奶牛点云构建三维模型进行体重预估的方法。首先,利用Kinect相机提取奶牛的俯视与侧视点云。其次,通过计算头颈部与背部脊线的点云拟合直线夹角,自动筛选出适宜三维重建的标准姿态点云。再次,利用缺失点云的相邻点云补全缺失区域后,提取配准特征点,利用特征点进行点云的配准。最后,基于背部脊线构建对称面实现点云镜像,完成奶牛点云三维重建,最终根据三维模型体积预估奶牛体重。通过对91头奶牛进行的体重预估实验分析,结果表明:体重预估绝对误差在-19.23~+20.04 kg之间,相对误差在-2.96%~+2.90%之间。本文方法实现了较精准的奶牛体重自动预估,可为奶牛精准养殖提供技术支持。

一种基于激光点云数据的微距栅格体积算法

针对规则格网算法难以满足激光点云模型高精度体积计算的问题,提出了一种基于激光雷达点云数据的微距栅格体积算法。该方法首先运用葛立恒凸包算法提取凸包点集,然后运用微距格网划分、高程插值和网格体积累加的方法计算体积。与规则格网法不同,这种算法充分利用激光雷达数据高密度点云特征,采用格网微分和增大插值半径的方法改善模型表面的连续性,进而提高计算精度。实验结果表明,微距栅格体积算法具有较好的时间复杂度和较高的计算精度,适宜于激光点云模型高精度体积计算。

采用静态数据增强的AGV定位与姿态修正研究

搭载激光雷达的移动机器人(AGV)被大量应用于智能工厂的工件运输,但受障碍物和移动物体的影响,AGV在车间内位姿辨别能力较弱。为了解决定位和姿态识别问题,提出一种全新的点云数据融合位姿辨别策略,利用高精度的静态全站仪整体数据融合激光雷达局部、低精度数据,并提出向量权重匹配法来完成AGV的室内定位。设计一种抽样网格卷积法实现异构数据的快速初步定位;建立自适应搜索全站仪数据的基准区域,将它映射到激光雷达数据的对应区域;最后通过向量权重匹配获取AVG的位姿参数。上述方法在6 m×8 m室内空间进行实验。结果表明:所提方法可达到±7 mm的定位精度与±1.4°的姿态控制识别精度,且能准确补偿激光雷达的扫描误差,提高AGV的位姿识别能力。

基于节点结构的点云分类网络

点云数据的非结构化和不均匀分布给点云物体特征表示和分类任务带来极大挑战。为了提取点云物体的三维结构特征,现有方法多采用复杂的局部特征提取结构组建分层网络,导致特征提取网络复杂且主要关注点云物体的局部结构。为更好地提取不均匀分布的点云物体特征,提出采样点卷积密度自适应加权的节点结构网络(NsNet)。该卷积网络通过高斯密度对采样点自适应加权以区分采样点的密度差异,从而更好地刻画物体的整体结构;其次,通过加入球形坐标简化网络结构以降低模型复杂度。在3个公开数据集上与PointNet++和PointMLP等方法进行比较,实验结果表明:基于自适应密度加权的NsNet比PointNet++和PointMLP的总准确率(OA)分别提高了9.1和1.3个百分点;与PointMLP相比减少了4.6×10^(6)的参数量。NsNet可有效解决点云分布不均导致的边缘点信息损失问题,提高分类精度,降低模型复杂度。

结合注意力机制的多重引导点云配准网络

针对点云配准过程中仅仅利用点云特征寻求对应关系使得离群点多、配准精度不高的问题进行研究,提出了一种使用点云之间匹配点概率矩阵和点云空间信息特征矩阵共同搜寻对应关系,并且相互配合确定对应点权重的点云配准网络——AMGNet。首先使用点云特征提取网络获得两片待配准点云的高维特征;然后采用Transformer对独立特征进行上下文信息融合,之后利用关键点提取模块选取出特征更强的点,使用SoftBBS方法获得点云匹配点概率矩阵后,结合点云空间特征矩阵搜索到最终的对应关系,同时,权重分配也使用了双重矩阵共同决定的策略;最后使用奇异值分解获得需要的刚性变换矩阵。在ModelNet40,7Scenes等人工合成数据集和真实场景数据集上进行了多次实验。结果表明,在ModelNet40目标未知实验中的旋转矩阵和平移向量的均方误差分别降低至0.025和0.0046。AMGNet配准精度较高,抗干扰能力强,泛化能力强。

基于加权组合算法的点云孔洞修补

为了对无人机航测数据中的点云孔洞进行修补,将最小二乘支持向量机算法LS-SVM和遗传算法GA优化的反向传播神经网络算法BP进行线性组合,构建一种加权组合模型,用于散乱点云数据中的孔洞修补。通过两种修补方法的误差进行两者的加权组合,建立出与两种修补方法误差相关的加权组合模型,并将加权组合模型的修补结果与单一使用最小二乘支持向量机、遗传算法优化的BP神经网络两种修补方法的修补结果进行残差和内外符合精度的比较与分析。结果表明:采用加权组合模型得到的点云修补结果内外符合精度较高,且具有更强的稳定性,为无人机获取的点云数据提供了一种有效的孔洞修补方法。

基于原型融合的小样本点云语义分割算法

针对点云分割任务中标记样本不足的问题,提出一种基于原型融合的小样本点云语义分割算法。在骨干网络中,引入自适应权重用于捕获中心和相邻点之间的局部信息,选择性获取邻域特征;利用原型融合方法双向提取支持集和查询集的原型,对其进行融合、筛选获得融合后的原型用以分割。实验结果表明,与原型网络相比,该方法在数据集S3DIS和ScanNet上都表现出良好性能,验证了该方法具有良好的泛化能力。

基于联邦加权学习算法的三维激光隧道裂缝探测研究

为解决采用三维激光扫描仪探测隧道裂缝的识别精度低、抗干扰能力差的问题,提出基于联邦加权学习算法的裂缝探测研究新思路。基于隧道激光点云数据,首先使用优化联邦加权学习算法,并采用异步和残差测试自适应调整算法,以此整体达到精准探测隧道裂缝的目的。在临滕高速隧道进行试验,围绕裂缝探测的可靠性、准确度和测量精度等指标,将本文算法与传统算法进行对比分析,结果表明本文提出的新方法能有效提高隧道裂缝探测的可靠性及准确率,对探测裂缝宽度的精度上也有较好的性能。当探测结果中出现灰尘、钢筋裸露等干扰因素时,新算法较传统算法在可靠性上仍有明显优势,仍能达到95%以上的识别准确度和低于10%的识别误识率,这些确保了算法应用效果的鲁棒性。通过工程现场的实践,本算法识别出的裂缝宽度与人工测量值之间最小偏差仅为0.06 mm,验证了其良好的裂缝识别精度。

基于车载激光点云的城市道路标线提取方法

针对车载激光点云道路标线反射强度特性,提出了一种基于车载激光点云的城市道路标线提取方法。具体而言,首先提出一种联合布料模拟滤波和高差偏度平衡的地面滤波方法,利用偏度平衡滤波的自适应性,剔除布料滤波后残留的低矮植被的问题;随后利用基于法向量密度聚类以提取路面点云,并通过反距离加权插值将路面点云转为强度特征图;为了缓解标线提取出的锯齿状现象,引入快速引导滤波来平滑道路标线的边缘信息;最后采用最大熵阈值分割和形态学比值滤波对道路标线进行精化处理。实验表明,该方法能够有效地提取出道路标线点云,提取的平均召回率为80.98%,平均准确率为96.89%,平均综合评定指标为88.19%,能够利用道路标线点云强度信息较为完整地提取出道路标线点云。

基于PRPNet的三维表面重建方法

隐式神经网络用于三维表面重建时,存在重建物体的结构不准确、表面缺乏局部细节等问题,针对此问题,文章提出了一种基于PRPNet(点云残差编码网络)的三维表面重建方法。首先采用更深的网络结构且加入残差模块挖掘点云潜在的结构信息,加入PointMateBase模块,以增强局部细节表示能力;其次使用特征权重网络获取查询点的占用概率;最后通过区域增长的Marching Cubes算法提取三维表面。实验结果表明,PRPNet模型在ShapetNet和Synthetic Rooms数据集上的精度较DpConvONet模型相应数据集上的精度分别提升了2.5百分点和2.6百分点,能够有效提升三维表面重建性能。

大规模差异化点云数据下的联邦语义分割算法

海量点云数据的存储对自动驾驶实时3D协同感知具有重要意义,然而出于数据安全保密性的要求,部分数据拥有者不愿共享其私人的点云数据,限制了模型训练准确性的提升。联邦学习是一种注重数据隐私安全的计算范式,提出了一种基于联邦学习的方法来解决车辆协同感知场景下的大规模点云语义分割问题。融合具有点间角度信息的位置编码方式并对邻近点进行几何衍射处理以增强模型的特征提取能力,最后根据本地模型的生成质量动态调整全局模型的聚合权重,提高数据局部几何结构的保持能力。在SemanticKITTI,SemanticPOSS和Toronto3D三个数据集上进行了实验,结果表明该算法显著优于单一训练数据和基于FedAvg的方法,在充分挖掘点云数据价值的同时兼顾各方数据的隐私敏感性。

基于高斯曲率的航空模锻件点云降噪方法研究

为了让大型航空模锻结构件全型面海量三维点云数据在高效降噪过程中避免过度光顺而丢失边缘特征点,论文提出了基于高斯曲率的分区域双边点云降噪方法。首先将散乱点云栅格化进行降采样,剔除了第一类噪声点;然后基于高斯曲率对点云分区域,同时添加欧式距离权重来保持点云空间特征,利用改进的双边滤波方法去除第二类噪声。最后在开源PCL1.10.1平台上,验证了论文点云降噪方法的有效性,试验表明论文点云滤波方法在点云降噪的同时,在避免曲面过度光顺和保持边缘特征方面有一定的效果。

基于特征点动态选择的三维人脸点云模型重建

针对典型的点云配准方法中伪特征点过多导致配准效率低和配准结果不精确的问题,提出一种基于特征点动态选择的三维人脸点云模型重建方法。该方法在粗配准阶段,采用动态特征矩阵求解法获取粗匹配特征变换矩阵以避免伪特征点的干扰。在精配准过程中,采用二次加权法向量垂直距离法在人脸流形表面选择更有效的特征点以减少伪特征点的数量,并采用基于特征融合与局部特征一致性的迭代最近点方法进行精配准。经过对比实验验证了算法的可行性,实验结果表明,该算法能够实现高精度且快速的三维人脸点云模型重建,且均方根误差达到1.8165 mm,相较其他算法,其在模型重建精度和效率方面都有所提升,具有良好的应用前景。

基于加权损失的点云占用图视频上采样

基于视频的点云压缩标准(Video-based Point Cloud Compression,V-PCC)中,3D点云会被分成数百个块并投影到2D平面中,形成记录点云纹理信息的纹理视频和记录点云空间信息的几何视频。同时,还需要生成一个占用图视频(Occupancy Map Video),以记录纹理视频和几何视频中每一个像素点是否对应重建点云中的某个点。因此,占用图视频质量与重建点云质量直接相关。为了节约编码比特数,占用图视频在编码端会先被下采样,然后在解码端通过简单的上采样恢复到原分辨率。文中的基本思路是引入深度学习来代替V-PCC中的简单上采样方法,使得上采样后的占用图视频质量更高,从而提高点云的重建质量。在网络训练阶段提出使用加权损失函数,使得在重建点云时能尽可能少地移除正常点并尽可能多地移除噪声点。实验结果证明,所提方法可以大幅提升V-PCC的主客观性能。

基于轨道移动式激光扫描多期点云的隧道断面变形提取方法

针对轨道移动式激光扫描技术监测地铁隧道变形的点云数据特征和隧道断面变形信息提取与分析的问题,本文提出了一种基于轨道移动式激光扫描点云的隧道断面变形提取方法和处理流程.首先采用RANSAC圆柱检测法提取地铁结构特征部位点云,利用提取的隧道结构点云进行点云的粗配准.然后设计了一种基于权重的ICP算法的精配准方法,精配准后的隧道点云通过切片点云降维处理得到二维断面数据,利用断面的k近邻点拟合曲线提取隧道断面变形值,并采用弧线投影的方法对断面变形表达.实验验证表明,提出的基于曲线拟合隧道断面变形分析的方法和过程,能够准确高效地提取到0.7 mm以上的地铁隧道断面变形信息.

基于法向量权重改进的ICP算法

针对三维重建过程中点云配准的精度和速度不理想的问题,提出一种基于法向量权重改进的迭代最近点(ICP)算法。通过将点云的法向量投射到高斯球上,统计不同方向法向量的分布情况,结合物体的几何结构信息赋予相应的权重,利用法向量权重结合点到平面的误差度量方法计算最优刚体变换矩阵。实验结果证明:以球面点云数据为例,与改进前的迭代最近点(ICP)算法相比,在配准速度没有降低的情况下,配准误差减小为原来的30%左右,而且该算法适用于各种点云模型,效果显著。

生猪体尺检测和体重预估方法研究进展

本文综述了国内外猪的体尺测量、体重预估的研究进展,以“猪”、“体尺测量”、“体重预估”、“机器视觉”为关键词,对近20年相关文献进行检索,分别从机器视觉、三维点云2个角度对文献进行梳理总结。结果表明:通过机器视觉技术测量猪的体尺、体重方法可以解决传统测量方法中造成猪只应激、人工效率低下等问题,而机器视觉技术中的三维点云重建是未来重点发展的趋势之一,通过点云数据可以直接提取猪的体尺和体积参数,减少外部环境对拍摄造成的影响,可提高检测精度。另外,从社会和经济等角度考虑,将机器视觉技术与养殖行业结合将具有良好的发展前景,未来建立更健全的智能养殖系统,增加更多智能化养殖设备的研发对实现规模化生产、集约化经营的畜牧业至关重要。

一种基于机载点云的DEM生成方法研究

DEM即数字高程模型,是通过有限的地形高程数据实现对地面地形的数字化模拟。DEM具有许多生产方式,作为直接获取对象表面点三维坐标的现代对地观测技术,机载激光扫描在DEM构建方面具有很大优势。因此,本文研究了一种基于机载激光点云数据的DEM生成方法,该方法的关键在于机载点云的地面滤波处理。本文提出了一种改进的渐进三角网滤波方法,通过计算各点坡度以及邻域范围内的高差最大值,进行直方图统计分析,实现高度及角度阈值的自适应估计。将本文结果与人工滤波及布料滤波方法进行对比分析。实验结果表明,本文方法的结果更加贴近人工滤波处理效果,可有效提高DEM生成的精度。

基于特征重要性加权的随机森林点云分类研究

针对传统的随机森林模型构建时样本选取的随机性导致随机森林中包含了大量分类精度较低、分类性能相似的决策树分类器,进而影响整体随机森林模型分类精度与效率的问题,该文提出了一种基于特征重要性加权投票的随机森林算法。从决策树分类精度、不一致度量两方面剔除分类精度较低、分类性能相似的决策树,依据整体随机森林与单棵决策树特征重要性之间的相似性,计算每棵决策树的投票权重,提高了三维点云分类精度与分类效率。实验表明,改进后的随机森林分类算法照比传统的随机森林、支持向量机、决策树、神经网络、基于点特征分类方法分别提高了0.20%、15.159%、5.893%、6.316%、28.935%。在分类效率上,改进的随机森林照比传统的随机森林减少了约75%的时间。