基于稀疏重建和激光实境复制的电力工程建模方法

由于机载激光雷达生成的原始点云数据存在质量较差且离散点多的问题,故难以直接应用于模型重建与电力工程的管理中。因此,文中基于稀疏-稠密算法和点云数据提出了一种电力工程模型重建算法。利用无人机机载激光雷达来获取多帧输电线路点云数据,并使用索引树近邻搜索法对原始点云数据进行坐标转换及离散数据过滤,进而得到重建的点云数据。通过稀疏重建算法对重建后数据中的框架特征加以提取,同时引入稠密算法进行框架填充,完成输电线路内容的重建。经实验测试表明,所提算法的点云提取误差仅为8.42 cm,在对比算法中性能最优。且重建后的模型可应用于电力工程验收、巡检等实际场景中,具有良好的工程意义。

基于图像的三维重建典型技术综述

三维重建是计算视觉的重要方面,近年来快速发展并在自动驾驶、虚拟现实等方面得以广泛应用。其中,基于图像的三维重建方法发展较为成熟,算法流程清晰,备受研究者关注。主要技术包括:特征点检测与匹配、稀疏点云重建、稠密点云重建、三维表面重建、纹理图像创建等。梳理图像三维重建完整流程,选取重点环节介绍典型技术,并进行分析比较,最后对基于图像的三维重建技术进行总结和展望。

基于点云稀疏语义特征的智能网联汽车协同感知配准算法

针对道路场景下多智能网联汽车协同感知问题,本文提出一种基于点云稀疏语义特征的智能网联汽车协同感知配准算法。所提算法旨在通过点云集成配准扩展智能网联汽车感知范围,进而实现智能网联汽车协同感知。首先,在道路语义特征基础上进行几何特征提取进而得到点云稀疏语义特征。其次,计算道路语义特征点云间的角度偏差以提供配准初值,并将点云语义信息作为配准约束条件实现全局语义集成配准。实验表明所提算法有效扩大了多智能网联汽车协同感知范围,提高了多点云集成配准的精度与鲁棒性。与当前主流算法JRMPC相比,本文所提算法配准精度提高了2.45%。

基于多视角图像的作物果实三维表型重建

针对基于激光扫描设备获取点云存在操作复杂、成本高、难以被普及等问题,本文研究了基于普通图像的复杂背景中作物果实三维表型重建.我们建立了集SFM算法、PMVS算法以及半自动化去噪方法的优势为一体的三维重建架构.以一组多视角目标作物果实二维图片为输入源,首先基于SIFT算子的比例和旋转不变性参数,提取多幅二维图像特征信息.其次,结合FLANN算法实现不同角度的数据匹配,并提出了基于二维图像关键点和相机参数等信息的稀疏点云快速生成方法.然后,基于PMVS初始特征匹配的种子面片提取、扩散获取密集面片,进一步利用可见性约束过滤不正确匹配导致的错误面片,以实现复杂果实点云模型生成.最后,我们提出了交互式选择和滤波器相结合的、半自动化的果实表型离群点去除方法,解决了作物果实模型的准确重建问题.结果表明,本文的方法能有效解决复杂实验环境中果实表型数据的低成本、准确、方便快捷获取问题.

一种空间非合作目标的稀疏点云配准算法

点云数据配准是三维重构的关键技术之一,为了提高空间非合作目标的稀疏扫描点云数据配准的速度和精度,提出一种改进的基于四点算法的全局配准算法进行初始配准,再使用迭代最近点算法精确配准.针对直接扫描所得到点云数据量大的问题,本文提出一种基于KD-Tree点云均匀采样简化算法,并且对传统基于四点算法中的阈值参数进行了统一,确定了各误差阈值参数和点云密度之间的关系.仿真结果表明,该方法能够快速、有效地实现卫星稀疏点云的配准,改进的四点算法配准耗时仅为几何哈希算法的42.49%.

用基于特征的稀疏点云配准算法检测零件的加工误差

针对在使用三坐标测量机检测零件的加工误差时点云为稀疏点云这一问题,提出了一种基于平面、柱面特征的稀疏点云配准算法.首先选出含有平面、柱面特征的区域,根据零件的实际情况选择用平面或柱面特征建立局部坐标系进行初始配准,对于柱面特征参数的提取,提出用Levenberg-Marquardt非线性最小二乘迭代法来求解,之后用改进的最近点迭代(iterative closest point,ICP)算法进行精确配准,最后进行了算法的配准精度测试和零件配准实验.精度测试结果表明,本文算法配准精度在1μm以内,用三坐标测量机测量两块零件并运用本文算法检测出了加工误差.因此,本文算法可以解决点云为稀疏点云这一问题,满足零件加工误差的检测要求.

利用点云配准的空地影像融合技术

为实现空地影像的高精度融合,本文提出了一种基于密集匹配点云配准的融合方法,并与利用空三加密点云配准的融合效果进行了对比。首先,通过对空地影像进行空三加密和密集匹配,得到相应的三维点云;然后,利用基于3DSC特征的SAC-IA算法,完成空中点云和地面点云的粗配准;最后,通过改进的Point-to-Plane ICP算法进行精配准,进而完成空地影像的融合。试验表明,相比空三加密点云,密集匹配点云能够提供更为稳健的配准结果,且能够达到厘米级的精度。

基于三点法和ICP算法的手术导航系统患者配准

为提升手术导航系统的患者配准精度和操作效率,提出一种将三点法与迭代最近点(iterative closest point,ICP)算法相结合的配准策略.首先,定义患者配准问题,并介绍术前和术中数据获取方法;然后,以光学定位标记球心为患者空间与图像空间的共同特征,并利用三点法完成初始配准;最后,以经初始映射后的患者点云中各点为球心,建立半径为r的球形区域,并仅保留位于该区域内的图像点云以实现抽样,再利用改进ICP算法对两片点云执行精确配准.实验结果表明,采用所提方法对猪股骨和猪髂骨执行配准的平均误差分别为(0.83±0.10)mm和(0.86±0.09)mm,其精度和稳定性均优于传统ICP算法,且具备高效、易操作的特点以及潜在的临床应用价值.

基于三维点云的植物叶片重建及其面积估算

为提高植物叶片面积测量的准确度,提出了一种植物叶片三维重建补偿方法。该方法首先使用多角度拍摄植物叶片的方法来获取图像;其次,通过运动恢复结构(SFM)算法、聚类多视角立体(CMVS)算法和基于面片的多视角立体(PMVS)算法处理图像并生成三维点云;然后,对点云进行去噪、分割、填补、三角网格化处理;最后,对叶片面积进行估测。实验结果表明,本文方法测量叶片面积的准确度与扫描法接近,并且能解决由于叶片重叠产生的叶面积测量不准确的问题。

基于ORB-SLAM3的多机器人地图构建算法

针对ORB-SLAM3算法构建稀疏点云地图信息量少、单机器人构图效率低的问题,该文提出一种基于ORB-SLAM3的多机器人地图构建算法,通过两层滤波算法减少冗余地图点数量,提高单机器人稠密点云地图构建效率;利用词袋模型匹配地图二维图像间接配准三维点云地图,提高地图配准速度与精度。该文算法在TUM数据集和自拍数据下进行测试,测试结果表明该文算法较传统构图算法速度提高71%、内存消耗减少89%,配准速度与精度较NDT+ICP点云配准算法分别提高68%和16%,在多机器人地图构建方面具有良好的效率、精度、鲁棒性和可拓展性。

大型工件位姿估计中的稀疏点云配准方法

针对飞机、轮船、汽车等大型设备制造领域中大尺寸工件的精确位姿检测的问题,提出了一种用于估计具有自由曲面特征的工件空间位姿的稀疏点云数据自动配准算法。为了提高点云配准的精度和速度,着重将配准过程分为粗略配准和精确配准两个阶段实现。鉴于稀疏点云数据中的各点曲率具有旋转平移不变性,设计基于曲率特征的点云粗略配准算法;为弥补现有ICP算法的不足,提出基于距离约束的四叉树逼近算法。仿真实验表明,完成点云配准后,稀疏点云中各个点位的平均误差为0.0168 mm,均方差为0.0095 mm,说明该算法能够自动、准确、快速地实现点云数据配准。

一种改进的稀疏迭代最近点算法

稀疏迭代最近点算法是针对含有噪声点的点云配准提出的,但它却存在对目标点云中的离群点敏感、运行效率低等问题。针对这些问题,基于邻域信息的对应点对寻找方法提出了一种改进的稀疏迭代最近点算法。改进的稀疏迭代最近点算法首先使用改进的基于PCA的点云初始配准调整两片点云的位置,而后使用基于邻域信息的对应点对寻找方法为精配准寻找对应点对,针对对应点对,使用乘法器的交替方向法(ADMM)求得最优的变换矩阵。实验表明,对含离群点的斯坦福兔子、盆栽等点云来说,改进后的算法能够处理目标点云含有离群点的情况,并且算法的配准速度平均提高了30%。

基于膨胀图卷积与离群点过滤的残缺点云配准

由于点云在非欧几里德空间中,受到结构不规则、噪声、离群点等不利因素的影响,如何准确配准残缺点云,仍然是一个具有挑战性的任务。针对此任务,提出了一种有效的残缺点云配准网络。为了有效提取局部点云的细粒度特征,设计了一个密集膨胀图卷积模块,通过设置不同的膨胀率增大感受野,该模块中的密集连接形式,能够在有效利用特征的同时,加强特征间的信息传递。在所提出的网络结构中,基于多层感知器的离群点过滤模块,通过利用上下文标准化过滤掉不匹配的点对。在该网络中,匹配点云所需要的转换参数,利用奇异值分解模块获取。在三个广泛使用的数据集ModelNet40、ShapeNetCore与RealData上的实验结果,验证了所提出网络的有效性。

结合密集残差结构和多尺度剪枝的点云压缩网络

目的点云是一种重要的三维数据表示形式,已在无人驾驶、虚拟现实、三维测量等领域得到了应用。由于点云具有分辨率高的特性,数据传输需要消耗大量的网络带宽和存储资源,严重阻碍了进一步推广。为此,在深度学习的点云自编码器压缩框架基础上,提出一种结合密集残差结构和多尺度剪枝的点云压缩网络,实现了对点云几何信息和颜色信息的高效压缩。方法针对点云的稀疏化特点以及传统体素网格表示点云时分辨率不足的问题,采用稀疏张量作为点云的表示方法,并使用稀疏卷积和子流形卷积取代常规卷积提取点云特征;为了捕获压缩过程中高维信息的依赖性,将密集残差结构和通道注意力机制引入到点云特征提取模块;为了补偿采样过程的特征损失以及减少模型训练的动态内存占用,自编码器采用多尺度渐进式结构,并在其解码器不同尺度的上采样层之后加入剪枝层。为了扩展本文网络的适用范围,设计了基于几何信息的点云颜色压缩方法,以保留点云全局颜色特征。结果针对几何信息压缩,本文网络在MVUB(Microsoft voxelized upper bodies)、8iVFB(8i voxelized full bodies)和Owlii(Owlii dynamic human mesh sequence dataset)3个数据集上与其他5种方法进行比较。相对MPEG(moving picture experts group)提出的点云压缩标准V-PCC(video-based point cloud compression),BD-Rate(bjontegaard delta rate)分别增加了41%、54%和33%。本文网络的编码运行时间与G-PCC(geometry-based point cloud compression)相当,仅为V-PCC的2.8%。针对颜色信息压缩,本文网络在低比特率下的YUV-PSNR(YUV peak signal to noise ratio)性能优于G-PCC中基于八叉树的颜色压缩方法。结论本文网络在几何压缩和颜色压缩上优于主流的点云压缩方法,能在速率较小的情况下保留更多原始点云信息。

面向文物稠密点云模型的压缩复原框架

针对激光扫描仪获取的三维文物稠密点云模型在数据存储、远程传输与处理等环节导致的资源过度消耗问题,提出了一种基于贪婪算法的快速压缩与恢复框架。首先,将点云模型视为三维离散几何信号,用基于哈希函数的八叉树方法构建稠密点云的邻域约束关系。然后,计算点云邻接矩阵并构建离散拉普拉斯基对原信号进行稀疏表示,通过随机高斯矩阵对原信号进行随机采样,以完成信号压缩。最后,引入L_(0)正则化算子,采用四种经典的贪婪算法进行快速求解。用兵马俑头部点云模型和唐三彩胡人俑三维文物点云模型进行仿真测试,结果表明,本框架能完成对稠密点云模型的有效压缩和模型的快速重建。

一种稀疏混合ICP匹配方案

稀疏匹配,作为能有效处理含有离群点、噪声等干扰因素的点云匹配方法,成为了近年来较为实用的匹配算法.本文通过对稀疏ICP(点对点)与稀疏TDM(点对面)求解流程的分析以及对特征不明显点云的匹配实验,发现稀疏ICP易陷入局部最优、稀疏TDM易在切平面发生滑移等问题.为了克服稀疏ICP与稀疏TDM算法的局限性,本文提出了稀疏混合ICP算法(稀疏Mixed-ICP).在匹配过程中,通过Sigmoid权值函数融合了稀疏ICP与稀疏TDM的求解流程,使算法拥有避免陷入局部最优、抑制滑移的能力,而且保留了稀疏匹配应对离群点、噪声干扰的优势.同时,本文利用包围盒划分的方法,有效地减少参与匹配的离群点数目,提高了匹配的成功率.实验表明,所提算法不仅能够有效地解决特征不明显点云匹配的问题,而且对不同程度的离群点与噪声具有很好的稳定性.