三维点云混合去噪算法研究

针对三维点云模型数据在去噪平滑过程中存在的不同尺度噪声和算法计算耗时问题,提出一种点云噪声基于分类思想的去噪算法。此算法将噪声分成两类,分别为尺度大的噪声和尺度小的噪声,首先使用统计滤波配合几何滤波去除尺度大的噪声;然后利用改进之后的双边滤波算法对小尺度噪声实现平滑去噪,实现点云模型的去噪和平滑。与传统的双边滤波相比,利用改进之后的双边滤波算法对点云模型数据进行平滑,有效提升了计算的速率。实验结果显示,此算法既能快速平滑点云数据噪声又能很好地保留被扫物体的几何特征。     

基于双尺度算法的激光雷达点云去噪北大核心CSCD

为了提高激光雷达点云去噪效果,提出双尺度算法。首先通过张量投票矩阵将激光雷达点云进行初步去噪;接着动态半径滤波对大尺度噪声去噪,有效提升滤波精度和算法效率;然后改进双边滤波算法对小尺度点云噪声去噪,权值系数对点云平滑处理,同时能获得点云细节特征;最后给出了算法流程。实验显示本文算法能够去除不同尺度的噪声,去噪后的点云模型能够保留细节处的几何特征,评价指标较优。     

基于多特征自适应的单光子点云去噪算法

新型星载光子计数雷达可获取地面及地面目标的高精度三维信息,但是其测量精度受噪声影响较大。针对在背景噪声不一致及坡度较大区域自动化提取单光子激光数据信号较为困难的难题,文中提出基于多特征自适应的单光子点云去噪算法,有别于传统圆形或椭圆形滤波核,选择更加符合单光子点云数据特征的平行四边形滤波核,分别通过坡度、空间密度、噪声率等多特征自适应识别信号。选择位于青藏高原冰川区域坡度较大且地形破碎的ICESat-2单光子点云数据,开展点云去噪试验和验证,通过与ATL03、ATL08官方去噪结果对比,文中算法在背景噪声水平不一致和大坡度区域具有更优的性能。     

基于改进DBSCAN和双边滤波算法的点云去噪

为了提高激光雷达点云去噪效果，提出了改进DBSCAN和双边滤波算法。首先通过点云数据空间欧氏距离划分栅格，从而删除无效点云；接着基于距离-密度方法在密度较大的段内找到DBSCAN的eps值，避免错误值出现，使用自适应方法获得DBSCAN的min pts值；然后利用点云邻域的曲率以及法向夹角优化双边滤波权值因子，便于保持点云的细节特征；最后给出了算法流程。实验结果显示所提算法能够去除接近点云模型的噪声以及混杂在点云模型中的噪声，评价指标较优。     

结合改进DBSCAN和统计滤波的单光子去噪算法

为了解决光子计数激光雷达探测数据中噪声点云过多的问题, 采用结合基于密度的噪声空间聚类应用算法(DBSCAN)和统计滤波算法的单光子点云去噪方法, 以美国国家航空航天局提供的多波束试验激光雷达实际飞行数据为实验数据, 通过k维树求取点云密度进行粗去噪, 然后运用改进DBSCAN算法和统计滤波算法进行精去噪, 进行了理论分析和实验验证。结果表明, 实验区目标点云识别率在85%以上, 性能优于经典的半径滤波算法。这一结果对于光子数据去噪是有帮助的。     

中值滤波在激光雷达点云数据预处理中的应用

为了研究3维激光雷达测量系统采集到的点云数据如何进行去噪处理,根据灰度图像中对灰度值进行滤波去噪的概念,采用改进的2维中值滤波方法对点云数据中的噪声点加以处理。基于激光雷达点云数据数据量庞大且存在噪声点特点,重点分析了改进2维中值滤波算法和点云数据信噪分离方法,并通过实验验证,得到了速度对比数据和滤波效果图。结果表明,利用改进后的2维中值滤波方法,速度明显得到改进,对激光雷达点云数据的滤波效果良好。     

基于局部熵的点云精简算法

针对目前流行的三维物体激光扫描仪获取的点云数据量大,冗余度高等问题,提出一种基于信息熵的点云精简算法。首先,定义数据点的曲率、点到邻域点重心的距离、点到邻域点的平均距离的倒数,三者乘积为权值积;然后,使用K-means聚类算法划分点云数据,根据类内估计曲率差值区分特征区域与非特征区域;最后,针对特征区域,利用提出的精简方法精简点云。实验结果表明,该方法计算相对简单,能够有效避免孔洞现象,同时,更好地保留了点云数据的原始物理特征。     

面向铁路场景的大规模点云高效去噪方法

利用车载激光雷达获取铁路沿线环境信息对于保障行车安全具有重要意义。但是激光雷达采集到的点云数据受设备及环境因素影响,会产生大量的噪声干扰,这些噪声严重影响后续的感知和监测任务。为此,本文提出了一种面向铁路场景的大规模点云高效去噪方法。该方法提出了一种新颖的网格投影策略,对大规模铁路点云数据进行高效的降维降采样处理。然后,设计了基于GPU的改进聚类加速算法,快速识别离群的噪声数据。最后综合设计多策略融合方法,有效地去除噪声数据。所提方法充分利用铁路场景前向运动的特点,对点云数据进行基于网格化的时空压缩,同时利用GPU加速聚类算法的矩阵运算,实现了实时高效的铁路场景大规模点云去噪算法。实验结果表明,所提方法不仅能够提高去噪的性能,而且处理效率得到了极大提升。     

基于脉冲耦合神经网络的点云曲面去噪

 提出一种基于脉冲耦合神经网络(PCNN)的点云曲面去噪算法.该算法主要分为两步:噪声点定位和噪声点滤波.首先针对点云曲面构建一个PCNN神经网络,各个神经元的外部刺激值由邻近点的几何位置差异和法向差异构成,利用神经元输出的自适应点火捕获特性,实现了噪声点的定位;而后针对点云曲面中的噪声点,基于网格光顺中双边滤波的思想,实现噪声点的滤波,对于非噪声点,则保持原有的几何位置不变.实验结果表明,由于区分了噪声点和非噪声点,该算法较传统的点云曲面去噪算法能更加有效的去除噪声的同时并保持模型的几何特征.     

三维散乱点云模型的特征点检测

随着三维点云模型越来越受到人们的关注,如何对数据量大,无序的三维点云模型进行特征点检测也是近几年的研究热点。本文提出了基于曲率和密度的特征点检测算法,为每个数据点定义一个特征参数,这个参数由三部分组成:点到邻居点的平均距离;点的法向与邻居点法向夹角的和;数据点曲率。然后通过八叉树方法计算模型的数据点密度,将这个密度作为阈值,特征参数大于阈值的点就是检测到的特征点。本文计算时,检测模型的特征点只需用到三维点云模型的几何特征,如数据点法向,曲率和邻居点。实例验证本算法可准确地检测出散乱数据点云的特征点。      

基于主成分分析与曲面拟合的激光点云滤波去噪

为了消除激光点云采集时点云中的噪声点，避免噪声尤其是一些孤立离群点对点云数据质量的影响，将散乱的、含有噪声点云变成规则的、高精度的点云，采用了基于主成分分析与曲面拟合进行点云去噪的方法，首先提出了点云区域的主成分分析计算方法，在主成分分析的法向量进行粗去噪，而后去噪后的点云进行曲面拟合，最后根据点到曲面的距离进行了点云的滤波，得到滤波后的点云。结果表明，该方法去噪效果精度高，尤其针对散乱点云，去噪效果明显，最佳滤波性能误差仅为0.018mm。该研究为散乱激光点云的去噪滤波提供了参考。     

基于结构光在机测量的变形薄壁件点云配准方法北大核心CSCD

结合点云局部特征和Octree优化搜索,提出了用于薄壁零件加工过程测量的三维变形点云自动配准的算法,并有效计算出位移偏差量。首先,对薄壁零件点云模型进行数据预处理,去除主体中的无效点和噪声点,计算点云的法向量、3个特征元素作为PPFNET(point pair feature net)特征学习方法的输入,利用最大池化层将变形的局部特征聚合到全局特征中,通过全局和局部特征描述符的深度学习,找出无序点云间的对应关系,完成点云粗配准过程;然后,提出一种基于迭代就近点算法(iterative closest point,ICP)的改进精配准算法,通过增加阈值限定,过滤加工变形时颤振影响,使配准精度达到了98.58%,配准效率提高了10%;最后,采用Hausdorff进行距离计算,使用Cloud-Compare进行位移偏差分析,分析结果与实验结果比较表明,平均绝对百分比误差(mean absolute percentage error,MAPE)为2.32%。在机测量模拟结果表明,所提方法满足在机检测加工变形的实时性和测量精度要求。     

基于置信度的飞行时间点云去噪方法

飞行时间（Time-of-Flight,ToF）三维成像方法由于多路径干扰和混合像素等问题降低了目标物体深度测量的精度。传统的方法通过优化重构异常点云数据或滤除噪声点云数据来提高目标的准确性,但是这些方法复杂度高且容易导致过度平滑。三维点云图像中的有效点云与噪声点云之间的关系很难用数学模型来表示。针对上述问题,本文提出了一种基于置信度的飞行时间点云去噪方法。首先,分析多帧点云数据的概率相关性,以点云数据的置信度作为判别有效点云与噪声点云的依据;其次,利用多帧点云之间的矢量对偶性,提出了一种快速提取不同置信度点云的算法,其时间复杂度为O(L);最后使用该算法提取多帧三维图像中置信度高的点云数据获得目标物体的真实测量数据,并重点对4组不同场景的点云数据进行对比实验。实验结果表明,该算法能够在有效滤除噪声的同时,显著提高目标物体的距离测量精度,增强目标物体的特征,因此具有广泛的应用价值。     

基于IVCCS的三维点云配准算法

针对传统迭代最近点(ICP)算法在数据丢失以及存在噪声点的情况下配准时间过长、精度较低等问题,提出了一种基于改进的体素云连通性分割(IVCCS)与加权最近邻距离比相结合的配准算法。利用双阈值体素去噪剔除初始种子体素中的噪声体素,解决原本体素云连通性分割算法(VCCS)中因单一约束条件导致种子体素错误剔除的问题,同时将体素云分层去噪来加快配准的运算速度;利用流约束聚类提取点云中的特征点,并依据最近邻距离比验证特征点是否为重合点,赋予不同的权重优化ICP最小目标函数,从而加快配准速度。实验结果表明,该算法相对于传统ICP算法迭代次数减少,在精度与速度方面均有显著提升,相比于基于快速点特征直方图(FPFH)的ICP算法配准精度提高了8.5%~24.7%,速度上提高了65.6%~92.3%,迭代次数减少了16.6%~38%。     

一种多模式融合的激光点云配准算法

针对经典迭代最邻近点(iterative closest point,ICP)算法在三维激光点云配准领域内,存在收敛速度慢、配准误差大、配准效率低的问题,提出了一种基于法向量夹角特征和边界旋转角相融合的改进ICP算法。利用点云区域层划分将点云分成若干独立单元方格,搜寻方格的法向量夹角特征关键点,结合点面曲率对应关系形成初始匹配点对,随后引入距离约束函数,估算边界旋转角和相关动态迭代系数,自动优化刚性变换参数。实验结果表明,与传统ICP算法相比,改进后的算法配准误差降至0.3%以下,配准时间减少50%以上,有效提升点云配准效率。     

三维点云中关键点的配准与优化算法

传统三维(3D)点云配准过程中存在配准误差高、计算量大及耗时长等问题,针对该问题,提出了一种3D点云中关键点的配准与优化算法。在关键点选取阶段,用边缘点检测算法剔除边缘关键点,以提高关键点特征描述的全面性和重复性,降低3D点云配准误差。在3D点云配准阶段,用K-维树(KD-tree)加速的最近邻算法和迭代最近点算法剔除粗配准结果中的误配准关键点,降低配准误差,提高3D点云配准的速度与精度。实验结果表明,本算法在不同点云数据下,均能获得良好的配准结果。与传统3D点云配准算法相比,本算法的平均配准速率提高了68.725%,平均配准精度提高了49.65%。     

基于改进型B样条分层插值的汽车零件检测研究

在汽车零件的在线装配过程中,为了减小由理论数模与实际位置之间的偏差导致的装配误差,设计了改进型B样条分层插值算法。首先,根据点云重建曲面的曲率分布对初始数据进行分层,然后再通过三次B样条插值算法获得实际零件点云与数模点云的偏差分布,最后由绝对距离偏差值推导得到路径补偿归一化系数,从而实现对汽车零件自动检测的扫描路径优化。仿真对包含直角、棱边及孔洞特征的零件进行分析,结果显示点云去噪效果良好,重建曲面形貌符合实体零件特征。实验对比了直接重建与采用三次B样条分层插值算法优化后的重建效果,通过对300个测试点的数据统计,三个坐标轴方向的位置优化前后平均误差分别为3.345 mm和0.599 mm。可见,优化后位置预测精度得到了较好的提升,为提高扫描路径精度奠定了基础。