基于超体素的机载LiDAR点云滤波与建筑物提取方法

为了提高目前机载LiDAR点云数据滤波和建筑物提取精度,本文提出一种基于超体素的点云滤波与建筑物提取方法。对每个超体素进行相似性判断来实现向上一层的区域增长式合并,并通过判断超体素簇与邻接超体素簇的凹凸性实现再向上一层的合并,最终通过计算聚类对象自身几何特征来过滤地面、植被和噪声,从而得到建筑物点云。实验利用ISPRS公布的标准数据集,选择3个地形数据进行实验。实验结果表明本文算法滤波性能更好,建筑物提取结果优于专业点云处理软件的提取结果。

基于语义连通性的室内RGB-D深度图像超体素融合与分割

室内复杂场景三维点云数据具有粘连性和非结构性,针对传统方法对室内场景进行三维重建不能较好地分离其所包含物体的问题,本文提出了顾及语义连通性的RGB-D深度图像超体素分割与融合方法。首先,从空间位置、颜色特征、结构特征、法向量、部分与整体的关系等方面定义语义连通规则;其次,实现了RGB-D深度图到三维点云的转换,并对转换后的点云构建了Kd-tree索引;最后,利用点云过分割算法VCCS对深度图点云进行超体素分割,并采用局部凸包连接算法融合生成的超体素顾及语义连通性。实验结果表明,当Rvoxel=0.007 5,Rseed=0.8,wc=2.0,ws=0.4,wn=1.0时,场景分割效果最为理想,且场景中的桌面及其上面的铁盒、碗及柱状物体都能较好地区分。

特大太阳质子事件所致航天员辐射剂量估算研究

目的为估算载人航天无地磁屏蔽下特大太阳质子事件的辐射剂量,建立包括构造特大太阳质子事件能谱、人体模型和Monte Carlo输运程序的解决方案。方法建立航天器和人体屏蔽模型,编写的Monte Carlo程序计算用大于30 MeV质子注量归一化的1956年和1972年特大太阳质子事件所致的器官吸收剂量。结果根据程序计算得到了不同屏蔽厚度两种谱型的特大太阳质子事件主要器官吸收剂量,与前人研究结果相近。结论通过比较验证计算方案结果可靠,特大太阳质子事件会造成很大器官吸收剂量,是载人航天非常大的潜在辐射危险。

结合超体素与区域增长的LiDAR点云屋顶面分割

针对传统区域增长算法易受噪声影响且局部分割性能不稳定的问题,提出了一种结合超体素与区域增长的屋顶面片点云分割算法。利用八叉树组织初始点云数据,基于点云的欧氏距离和法向量信息两个约束分割点云获得超体素。结合超体素结构特征,改进种子点选取准则,在超体素的光滑性和表面几何特征约束下进行点云区域增长,提取屋顶面片点云。选取不同复杂程度的建筑物LiDAR点云进行实验,结果表明,结合超体素与区域增长算法能有效提取复杂建筑物屋顶面片点云,提取率高且具有较好的适应性,可以为基于机载LiDAR的建筑物三维模型重建提供可靠的屋顶面信息。

基于超体素聚类和局部特征的玉米植株点云雄穗分割

针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题,提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法。首先通过边连接操作建立玉米植株点云无向图,利用法向量差异计算边权值,并采用谱聚类方法将植株点云分解为多个超体素子区域;随后结合主成分分析方法和点云直线特征提取植株顶部的子区域;最后利用玉米植株点云的平面局部特征在顶部子区域中识别雄穗点云。对3种点云密度的15株成熟期玉米植株点云进行测试,采用F1分数作为分割精度判别指标,试验结果与手动分割真值相比,当点云密度为0.8、1.3和1.9个点/cm时,雄穗点云分割的平均F1分数分别为0.763、0.875和0.889,分割精度随点云密度增加而增高。结果表明,本研究提出的基于超体素聚类和局部特征的玉米植株点云雄穗分割方法具备在玉米植株点云中提取雄穗的能力,可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。

结合超体素几何和色彩信息的快速3D点云分割

针对当前最先进的算法也存在因物体之间堆叠和遮挡关系造成场景分割速度慢、精准度低等问题,提出了一种新颖的快速3D点云分割方法,从点云的超体素划分开始,利用一种捕获几何和颜色信息的新度量标准合并超体素,以获得维持分割区域层次结构的3D分割;该方法还具有与输入点云大小呈线性相关的时间复杂度。与凹凸性方法和基于边界的方法相比,所提出的算法的分割精确度和效率更好。

双层优化的激光雷达点云场景分割方法

对激光雷达扫描的非结构化点云进行分割处理,是进行数据组织、重构和信息提取的重要步骤。本文根据点云表面的局部可微的性质,提出了一种递进形式的双层优化分割算法。首先在黎曼几何框架下计算点的拓扑关系和距离度量特性,以k均值聚类的方法获得过分割体素,作为底层分割结果。然后,将点云的体素模式化为节点,构建最小生成树,提取节点的高级特征信息,利用图优化得到对点云细节自适应的区域分割效果。通过真实数据进行验证,并与现有方法比较,证明所提算法的可行性和先进性。

结合超体素和区域增长的植物器官点云分割

点云分割是点云识别与建模的基础。为提高点云分割准确率和效率,提出一种结合超体素和区域增长的自适应分割算法。根据三维点云的空间位置和法向量信息,利用八叉树对点云进行初始分割得到超体素。选取超体素的中心体素组成一个新的重采样后的密度均匀点云,降低原始点云数据处理量,从而减少运算时间。建立重采样后点云数据的K-D树索引,根据其局部特征得到点云簇。最后将聚类结果返回到原始点云空间。分别选取植物三个物候期的激光扫描点云,对该方法的有效性进行验证。实验结果表明,该方法分割后点云与手工分割平均拟合度达到93.38%,高于其他同类方法,且算法效率得到明显提升。

基于超体素聚类的三维点云轮廓特征提取

三维点云的轮廓结构作为大规模三维场景的一种表征信息,能够保留其主要信息且大幅度压缩数据量,因此,对于大规模三维场景的表达具有重要意义.本文提出一种基于超体素聚类分析的大规模三维点云轮廓特征提取算法.首先,对三维点云进行超体素聚类分析,生成分割块;其次,结合超体素块的法向量,利用α-shape提取每个三维超体素块的边缘点;最后,利用相互最近邻法剔除相邻且共面超体素块间的边缘点,保留相邻但不共面超体素块间的边缘点并结合无邻接的超体素块边缘点,即轮廓边缘点.实验表明,本文所提算法实现了三维轮廓特征的提取,且在保留主要轮廓信息的同时大幅度压缩了点云的数据量.

三维烟雾流场超分辨率数据生成网络模型的研究

针对烟雾流场N-S方程求解复杂度高而导致数据生成效率低下的问题,探索设计了一种基于N-S方程求解的低分辨率烟雾流场数据生成高分辨率烟雾流场数据的深度学习模型。以生成式对抗网络为基础,构建了基于亚体素卷积层的烟雾数据重建网络,结合烟雾的流动性在损失函数中引入基于平流步骤的时间损失,实现高精度烟雾的生成。构建了烟雾数据峰值信噪比用于对重建的高分辨率烟雾流场数据进行质量评价。实验表明,将本文深度学习模型与烟雾流场N-S方程相结合而生成的烟雾数据在数值分布、准确性以及视觉效果上都表现良好。

顾及水平方向偏差的三维声呐点云数据分区滤波方法

三维声呐测量受到水下复杂环境干扰,通常存在较多噪点,需要进行精细滤波处理,才能应用于水下场景。针对现有算法的不足,从降低数据复杂度、局部特征分析和分块滤波等方面,建立了一套适用于三维声呐点云数据预处理方法。首先,针对不同区域点云在法向量、空间距离和回波强度的差异性,基于超体素聚类法实现水下复杂点云分块;然后,对点云块建立局部坐标系并进行趋势面拟合;最后,构建多维度点云误差检测数据,依据地形复杂度将点云块划分为三类区域,并采用Grubbs检验作为判定准则,实现分区域自适应阈值去噪。计算结果表明,所提综合滤波方法对于水平和垂直方向的点云数据均有较好的精度,平均总体精度达99.3%,平均Kappa系数达0.906,能够有效应用于水下复杂区域的三维声呐点云数据滤波处理。

基于改进LCCP的堆叠目标点云分割算法

点云分割作为无序分拣任务中的一个重要处理步骤,其分割精度直接影响后续的目标识别与姿态估计准确率。针对传统LCCP算法在物体复杂堆叠场景下分割效果不佳的问题,本文提出了一种基于改进LCCP的点云分割算法,首先使用改进的VCCS算法将点云划分为超体素,通过融入高斯曲率信息,进一步改善超体素容易跨越物体边界的问题,然后判定邻接超体素的凹凸连接关系,为了进一步减小噪声的影响,对于所有体积小于给定阈值的超体素,判定其与所有邻接超体素间的连接关系,合并所有凸连接的超体素,得到最终分割结果。实验结果表明,本文方法相比于LCCP和CPC算法在分割精确率上提升了3.1%~22%,且算法整体性能有明显提升。

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络(long short-term memory,LSTM)联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。

基于空间上下文关联的车载点云聚类方法

点云聚类是移动车载点云数据处理和信息提取的重要组成部分,同时也是实现地物自动识别的前提和关键环节。针对密度聚类中仅考虑点间空间距离聚类造成的过分割或分割不足的问题,提出了一种基于空间上下文关联的城市街景车载点云数据聚类方法,以超体素为对象,分析对象的特征及相互间的空间上下文关联,在综合多因素权值的基础上进行自适应聚类。通过两组数据的实验结果表明,该方法有效改善了车载点云数据聚类结果,提高了分类的效率和可靠性。