基于路侧激光雷达的障碍物目标检测方法

针对现有障碍物检测方法在复杂道路场景下存在地面分割欠精准、计算量大以及不同距离下的目标聚类困难问题,提出了一种基于路侧激光雷达的障碍物检测方法。在地平面分割方面,提出基于圆柱坐标系的改进扇形栅格模型以及最低点代表法优化种子点的选取,采用多地平面模型并通过随机采样一致性算法(RANSAC)实现地面拟合及分割。在障碍物聚类方面,构建KDTree加速聚类过程,提出划分区域及阈值自适应的方式改进欧氏聚类算法。实验结果表明,该方法在4种典型道路场景下对地面点的分割准确率均达到86%以上,且针对不同距离下的障碍物目标聚类准确率提升明显。     

大型无人机电力巡检LiDAR点云安全距离诊断方法

输电线路走廊中地物安全距离检测是电力运维部门日常线路巡检作业中的重要一环。结合此项运维实际需求,提出一种无人机电力巡检LiDAR点云数据的自动安全距离诊断方法:首先依据已知的线路位置与走向对无人机巡检系统采集的LiDAR点云进行裁剪,获得线路走廊区域点云;其次,采用自适应分区滤波的方法滤除地面点,获得非地面点云;在此基础上,在非地面点数据中,依据点云维数特征以及空间几何分布特性从非地面点中分离出导线点、杆塔点、及林木植被、建筑物等安全距离诊断所关注的线路走廊其他地物;继而提出一种迭代最小二乘电力线悬链线模型解算方法,自无序电力线激光点云数据拟合悬链线方程,用于后续安全距离计算;最后使用分段剖面安全距离计算方法计算线路与线路走廊下方地面/地物距离,并与标准安全距离做比较,对于距离小于安全距离的区域进行危险预警。采用大型无人机电力线路巡检系统采集的多组LiDAR点云数据对文中算法进行实验验证,并对检测结果与人工点云量测值与实地巡检值进行了定性与定量的对比分析。实验结果表明提出的安全距离诊断方法能准确探测树障等安全距离超限地物。     

基于凹包算法的点云地面分割方法

为了解决现有的地面分割方法在路面复杂、点云稀疏场景下存在的地面分割不准确的问题，提出一种基于凹包算法的地面分割算法。该方法首先根据激光雷达点云生成凹包，然后根据粗滤提取的三角面内点的分布和三角面法向量的扫描特性，将地面三角面选取出来，之后再精确提取地面三角面的内点，根据内点到三角面的距离即可精确的完成地面分割。实验结果表明，该方法可以充分考虑点云周围的几何特征，对物体的几何边界敏感，可以在地面倾斜的场景下精细的将小凸起、路牙石等小型障碍物分割出来。     

泊车中小型障碍物检测技术研究

障碍物检测技术作为自动驾驶辅助系统的重要部分,障碍物种类繁多难以面面俱到。 因此提出一种基于全景环视系统 的在汽车泊车时检测小型障碍物的方法。 首先利用透视变换及图像拼接技术将 4 个方向的实时画面映射到全景环视图;并提 出了一种对地面特征点的检测模型,可准确地以车位线直角交点作为特征点提取并匹配出来;分别在两帧中得到地面特征点 后,通过 SVD 分解法计算自车运动估计并得到前一帧的模拟当前帧,消除了动态背景;最后提出了一种基于颜色分割的检测高 于地面区域的方法,由此判定是否属于障碍物部分。 为验证该算法可行性,在停车场中放置各种小型障碍物进行试验,3 段视 频序列中共计 864 个障碍物,平均召回率为 94. 7%,平均误识率为 7. 3%。 试验结果表明,该算法可有效检测停车场中的小型障 碍物,并具备一定的准确性与健壮性。     

激光雷达输电线路点云数据智能分类方法研究

为解决传统分类方法处理大规模输电线路可视化巡检的激光雷达点云数据时效率低、精度差的问题,提出了一套自动分离输电线廊道中电力线、杆塔、地面和植被的智能化方案。首先依据曲率及邻域特征精准提取出电力线点;然后利用布料滤波法分离地面点和非地面点;最后基于圆柱模型从非地面点里识别出杆塔点和植被点。此研究选用了三段不同密度的输电线走廊点云数据进行实验,结果显示该方法对三种数据集的电力线、杆塔、地面和植被识别均有良好表现,整体分类精度大于90%,电力线的用户精度和制图精度随着云点密度的增加而逐渐增高。实验证明,此方法适用于多种类型的激光雷达点云数据,其理论方法对解决输电线走廊可视化巡检的自动分类问题具有借鉴价值,为充分提高输电线路无人机巡检的效率和精度提供了科学依据。     

基于 2D 预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。     

点云数据的补全与精简算法研究

随着三维点云技术的不断成熟，目前许多企业将其应用到了货物管理中。但在点云获取中设备会因为外界原因(光照、温度等)导致数据不完全(点云空洞),而且获取初始点云数巨多，降低了后期点云处理效率。提出了对点云的一种预处理，既要获取完整目标物的曲面特征，也要对点云进行高效地压缩。首先对原始点云进行条件滤波和统计分析滤波去噪，然后提出了一种由统计分析和三角格化结合的点云补全算法，最后将补全的点云使用改进的曲率精简法对点云进行处理，并将方法与其他方法做了对比实验。实验结果表明，方法可以将孔洞点云补全，保留货物平面特征和边缘细节信息，降低点云存储空间，为后期对点云处理提高效率有着重要意义。其中，补全算法使补全后的点云与补全之前的点云的最近点平均距离小于0.000 4 m,点云精简算法的精简率可达到90%。     

基于 3D 视觉的风电塔筒焊缝检测系统设计

为满足风电机组塔筒行业对焊缝外观质量缺陷检测高效性、精确性的需求,采用3D机器视觉技术研制了基于风电塔筒焊缝外观质量缺陷检测系统。首先,通过点云滤波、点云分割、点云精简对采集的点云数据进行预处理,确保后期缺陷评判的准确性;其次,对三维数据进行轮廓切片化处理以及断点拟合处理,得到轮廓特性;再次,采用递归粗提取改进算法提取特征点,进行缺陷评判,获得焊缝外观缺陷检测结果;最后,根据系统焊缝缺陷评判流程及标准,选取典型的焊缝样板进行焊缝宽度、焊缝错边以及焊缝直线度测试,焊缝检测精度可达0.001 mm,速度为当前人工检测速度的3倍,检测结果表明,系统具备高准确性、高速度和高精度特性,能代替人工检测,具有良好的应用前景。     

基于曲面拟合的深度图像障碍检测

本文提出一种对深度图像进行室外场詈检测的完整过程。首先基于图像深度差值获取图像的边缘信息并定位图像歧义间距边界,提取出位于非歧义间距内的有效数据。然后利用三维信息对地面进行二次多项式曲面拟合,并根据障碍物垂直于地面的特点设定闽值提取出候选障碍点,实现路上障碍的检测.实验表明,该过程能很好的实现深度图像的路上障碍检测。     

激光点云中输电杆塔坐标的快速提取方法

为实现利用无人机进行输电杆塔精细化巡检,需从冗杂的激光点云数据中提取输电杆塔坐标。首先,通过降采样和高程滤波对点云数据预处理;其次,根据杆塔、导线和地面点云的空间特征将每个杆塔初步分离提取;最后,基于杆塔的直立特性和对称特性进一步精提取出独立杆塔。以某市2条220 kV输电线路的激光点云数据为例,本文算法可快速完整地提取出全部输电杆塔坐标,单个杆塔建模效果较好,平均每基杆塔可在2 min内完成提取,有助于后续无人机杆塔精细化巡检的航迹规划。     

基于点云的复杂环境下楼梯区域识别

自主移动机器人已经在国防军事、灾区救援等领域有了广泛应用,楼梯区域作为一种典型的环境目标,需要机器人能够对其做出准确识别。放置于楼梯区域的障碍物会破坏传统楼梯识别算法需要提取的楼梯平面及边缘特征,导致楼梯区域无法被准确识别。针对该问题,提出了一种复杂环境下,基于点云的楼梯区域检测识别算法。该算法首先使用区域生长方法对目标区域进行分割并通过各区域拟合平面法线方向来选取疑似为楼梯各级竖直阶面的区域;进而对各级楼梯区域进行处理,分割障碍物并获取各级楼梯竖直面上边界;最终根据各级边界位置得到楼梯模型以及障碍物位置。实验结果表明,该算法具有较好的鲁棒性,能在各种复杂环境下识别出楼梯并得到无障碍楼梯区域,构建的楼梯三维模型尺寸误差均小于7%,有较高的准确性,相较于传统楼梯识别算法,能达到更好的检测识别效果。     

基于无人机激光扫描的输电通道安全距离诊断技术

结合输电线路巡线和维护的需求,提出了利用机载激光扫描数据诊断输电线路安全距离的方法。该方法首先采用顾及地形起伏特征的点云自动滤波方法分离地面点和非地面点,利用维数特征对非地面点进行初分类,并根据投影点密度获取杆塔点。然后采用二维霍夫变换以及分块质心解算方法获取输电线的三维节点,采用区域生长方法获取建筑物目标,根据植被的最高点以及边缘点获取植被目标。从而可以量测出输电线与其周围物体之间的距离,进而根据距离的大小对输电线路及其周围环境高程信息进行诊断。采用有人、无人机载激光数据对算法进行验证,实验结果表明了文中方法的有效性和精确性。该诊断机制可以判别线路附近的建筑物或植被等目标是否已达到危险的高度或位置,以便及时修剪或清除,确保线路运行安全。     

基于机载激光点云数据及航片的单木提取研究

电力线路通道内树木清理涉及对树木砍伐的补偿,因此,需要清楚通道内的树木高度及数量。激光雷达可通过获取林木不同高度处的激光脉冲回波测量林木的三维空间结构,当激光脉冲的采样点足够密时,采用空间特征识别算法提取相关的单木结构因子。本文从实际工程出发,对研究区的点云数据进行分类及滤波,并去除高程异常点、过滤重叠区冗余点,得到数字地面模型(DSM)及数字高程模型(DEM),通过DSM与DEM差值得到冠层高度模型(CHM)。在此基础上,基于形态学中的顶部控制理论来区分密闭冠层中的单木冠层信息,并利用求局部最大值方法来定位密闭冠层中的单木树冠位置。实验表明利用机载激光点云数据可以在一定程度上估算出单木信息,为电力通道内树木的清理作为参考。     

基于点云处理的小型工业零件高度精密测量

针对很多小型工业零件存在微米级测量的需求,提出了一种点云多次滤波与平面拟合相结合的测量方法。以上下平面平行的规则直三棱柱体工件作为测量对象,使用3D线激光传感器获取工件的点云模型并传输到计算机中进行处理,将点云数据首先通过统计滤波剔除噪声和离群值;其次利用体素滤波降采样精简点云数量;然后采用直通滤波分离出工件点云的上下表面;再分别对上下表面的点云通过随机抽样一致性（RANSAC）算法拟合出平面方程;最后计算上下平面之间的间距即为被测工件的高度信息。将该方法测得的高度与激光三角法原理测得的高度数据进行对比,结果表明,该方法测量精度提高了72.33%;同时对于不同的点云密度,利用所提出的方法进行测量,测得当降采样中体素立方体的边长为15cm时（点云数量精简了98.3%时）测量的误差最小,最小能达到5.1。该方法大大提高了工件的测量精度,可以广泛应用于工业测量中。     

视觉与二维激光雷达的目标检测方法

为了改进单一传感器对目标物体的检测范围小、检测特征少以及检测准确率较低的问题,提出一种视觉与二维激光雷达的目标检测方法。在视觉检测方面提出一种改进的GoogLeNet算法实现视觉对目标物体的识别,该方法相比GoogLeNet算法在对6种目标物体的识别准确率上提高了0.7%。在二维激光雷达检测方面采用欧氏聚类算法对二维激光雷达的点云数据聚类,接着使用RANSAC算法对聚类簇中的数据点进行筛选,最后使用卡尔曼滤波算法对目标物体的位置进行预测,实现二维激光雷达在特定平面上360°对目标物体进行跟踪检测和定位。实验结果表明,该方法使得移动机器人扩大了检测范围、增加了检测特征并提高了识别准确率。     

基于三维模型比对的输电线路弧垂检测方法

提出了一种基于三维模型比对的输电线路弧垂检测方法,以输电线路的激光点云和BIM设计模型为数据融合基础,首先对输电线路点云数据滤波分类,建立输电线路的激光点云模型,并将BIM设计模型转化为BIM点云模型;然后根据激光点云模型中一档距线路的固有特征将其定位到相应的BIM点云模型上,并提出改进的ICP算法实现激光点云模型和BIM点云模型间的精确匹配;最后通过模型间的比对获得弧垂检测结果。实验结果表明,所提算法具有无需人工干预、高效率和高精度的优点。     

基于特征耦合泛化的流量异常检测方法

针对现有流量异常检测模型中稀疏特征易被特征选择算法忽略的问题,提出一种基于特征耦合泛化(FCG)的流量异常检测方法。首先,采用DBSCAN密度聚类算法去除数据中的离群点,降低异常点对后续FCG算法的影响。其次,使用最大相关最小冗余(mRMR)算法对数据特征进行排序,选择对分类最具影响力的特征生成FCG算法中的类别区分特征(CDF),以增强分类能力。利用K最近邻(KNN)算法填补CDF中的缺失值,保持数据完整性。然后,将数据按照攻击类别分组,分别使用mRMR算法对特征进行排序,挑选每种攻击类别数据中具有实例区分能力的稀疏特征作为FCG算法中的实例区分特征(EDF)。利用两种特征在异常检测数据中的耦合程度和EDF的上层概念将EDF转化成更泛化的特征。最后,将经过处理的数据输入基于贝叶斯优化(Bayesian optimization, BO)参数的随机森林(RF)模型进行分类识别。通过在NSL-KDD数据集上进行仿真实验,准确率达到了91.79%,验证了所提方法具有较好的检测性能。     

基于多尺度特征融合与混合注意力的云检测算法

针对传统云检测方法对特殊场景识别效果较差而造成的边缘信息丢失和薄云、碎云误判等问题，提出了一种基于多尺度特征融合与混合注意力的高精度云检测MSHA-DeepLab算法。首先，在原始DeepLabV3+算法的基础上引入注意力模块，提高重要特征权重，增强网络对局部特征的感受能力。其次，使用深度可分离卷积提取不同尺度的语义信息，减少网络参数量。最后，进行逐级上采样和特征融合，减少特征信息丢失。选择多种方法与改进算法对比，使用不同场景、不同波段组合的数据集进行测试。结果表明，改进后算法的精确率达到了86.376 9%,召回率达到了85.895 9%,特异性达到了96.915 6%,交并比达到了82.846 7%,精确度达到了94.600 8%,相比原始算法和其他方法有明显提高。验证了提出算法能在不同条件下实现高精度的云检测。     

基于RANSAC分割的点云数据K-近邻去噪算法研究

针对基于TOF深度相机的空间目标表面重建的点云源数据容易受到仪器本身、扫描环境、外界干扰等影响,而含有大量的无效点和噪声点,增加了计算负担且影响了重建质量等问题,提出了一种基于随机采样一致性背景分割的点云K 近邻去噪方法,以消除目标数据的异常值和无效点。首先,改进RANSAC算法,通过设置不同的阙值对原始点云进行背景分割,以确保准确提取待重建目标的主要特征。然后,通过K 近邻点云平均算法和双边滤波算法移除离群点,最后使用体素化网格方法实现点云大数据的下采样,简化了目标点云,保留了局部特征,加快了曲面重建速度。实验结果表明,该算法能够有效的剔除噪声点,准确率高,实时性好,满足应用的要求。     

基于改进3D-Harris角点检测算法的电厂地下管廊点云拼接方法研究

提出一种基于改进3D-Harris角点检测算法的电厂地下管廊点云拼接方法。以电厂地下管廊多组海量点云数据为分析对象,利用主成分分析法获取目标检测点在邻域点云微切平面上的法向信息,进而提取点云的边界点;构建基于目标检测点法向信息的协方差矩阵,计算并比较其角点响应强度函数,从中选出部分待筛选点作为真伪角点检测对象;利用基于高斯曲率极值点的伪角点检测方法,滤除伪角点并筛选出真角点;最后通过快速点特征直方图方法匹配各组点云间的相似角点,利用最近点搜索点云配准算法实现地下管廊多组点云间的拼接,并与传统3D-Harris角点检测算法的结果进行比较。对比表明,所提出算法计算耗时短且角点提取正确率高,可实现电厂地下管廊海量点云的精确拼接。