3D-SIFT特征提取与体素滤波结合的点云精简算法

点云数据中的冗余数据会影响到点云处理算法的速度,因此,为提升算法速率,需对点云数量进行精简。然而,点云精简过程容易剔除掉特征点,导致点云信息不完整,效果不好等问题。针对这些问题,提出一种利用3D-SIFT特征提取与八叉树体素滤波结合的点云精简方法。利用3D-SIFT算法提取出点云的强特征点和弱特征点,对弱特征点进行改进的八叉树体素滤波,并保留强特征点,通过点云合并,将滤波后的弱特征点与保留的特征点整合到一起,使得精简后的点云数据不丢失特征点信息,从而也达到了精简的效果。将本算法与均匀网格算法、非均匀网格法、随机采样算法进行对比实验。通过多个不同模型的可视化结果和信息熵评价分析,可以得出对于几种不同模型取平均本算法平均信息熵达到3.771 92,高于其他算法的信息熵,证明本算法在对数据进行精简的同时也达到了特征保留的效果。     

基于局部和全局采样点云数据简化算法研究

3D激光扫描方法获取的点云数据存在大量冗余数据,为便于重建模型,对点云数据简化技术的关键是在简化数据的同时,最大限度地保留点云数据的原有特征,对点云数据简化技术进行了研究,提出了一种基于局部和全局点云特征相融合的简化算法,通过基于点云的网格分割的非均匀网格法来提取局部点云特征,并且通过基于空间体素化方法对点云进行全局采样,然后将二者特征融合,获取最佳的简化特征效果。实验表明,该算法能够适应各种类型曲面数据的简化要求,其点云简化最大误差为0.02812,点云简化平均误差为0.000472,并与非均匀网格算法和空间体素法做比较,其简化效率高,简化误差小。由此可见,该方法简化点云不但具有较高的简化效率,同时又很好地保留了原始数据的细节特征。     

自适应精简点云改进预处理优化三维重建算法

针对初始点云离群点噪声大、冗余性高导致三维重建效率低、重建曲面表面粗糙等问题，提出一种自适应精简点云改进预处理算法。首先使用统计滤波消除离群点噪声，并在基于体素重心邻近特征点下采样中引入双曲正切函数，在保持点云特征不变的情况下精简点云数据；然后建立移动最小二乘法拟合函数，确定其二次基函数和高斯权函数，完成点云数据平滑优化；最后使用投影三角化算法完成点云曲面重建。实验结果表明，所提算法在有效去除离群点的同时，还能精简点云数据、提升曲面重建效率，且重建后的模型表面光滑、孔洞减少。     

一种改进的点云数据组合精简算法

在逆向工程中,点云数据的精简是一个重要的步骤,精简的质量直接关系到后续曲面重构的效率。文章针对广州灰塑曲率较大,凹凸面较多的特点,提出了一种基于曲率和均匀精简的点云数据精简方法:利用包围盒法对散乱的点云数据进行拓扑规则排序,建立点的K-邻域集,计算点云在某点处的曲率,在曲率较大处保留更多的特征点,但是曲率较小处会删除较多的点云数据。文章在此基础上再利用均匀网格的方法对初始精简后的点云进行重采样处理,使得曲率较小处的特征点也能保留下来。     

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。     

激光测距前沿回波大数据点云压缩方法

点云数据压缩时，外边界点易丢失，影响后续点云压缩品质。为此，提出激光测距前沿回波大数据点云压缩方法。首先通过主回波匹配、回波信号识别、多项式拟合滤波、时间误差修正等操作预处理激光测距前沿回波大数据；然后采用主成分分析法获取数据法矢，再分别提取边界特征点和尖锐特征点，保留点云模型完整边界；最后利用SIFT算法压缩点云数据并保存，完成激光测距前沿回波大数据的点云压缩。实验结果表明，所提方法能够提高压缩率、缩短压缩时间、降低压缩前后表面积比。     

基于邻域曲率改进的迭代最近点激光雷达目标点云配准

为解决激光雷达目标点云配准技术中精确配准步骤中所存在的匹配速度慢和匹配误差大的问题，提出了一种基于邻域曲率改进的迭代最近点（ICP）精准化匹配算法。初始配准采用传统的主成分贴合法，给精确配准找到一个较好的初始位置，精配准采用基于领域曲率改进的ICP算法。以斯坦福兔子和场景点云作为实验研究对象，配准结果和数值分析共同表明，基于邻域曲率改进的ICP算法在点云配准中的可行性，且与其他算法相比，所提算法的配准速度更快、匹配精度更高，为三维数据重建和目标识别技术提供一种更高效的新方法。     

基于机械臂辅助的多视角三维点云拼接算法

针对如何快速且准确地获取模具内部完整三维点云数据的问题，提出一种机械臂与三维视觉设备结合的三维点云拼接算法。在初拼接阶段，采用手眼标定方式获取手眼矩阵，并将各幅点云转换到机器人基坐标系，完成初步拼接，得到良好的配准初始位置。在此基础上，提出改进的迭代最近点（ICP）算法，通过结合内部形体描述子（ISS）特征获得关键点，并用随机一致性算法剔除错误匹配点，在点的匹配过程中采用点到面的方式进行匹配，最终得到完整的拼接点云。实验结果表明，所提算法在与ICP算法及其他改进的ICP算法的配准性能对比中具有良好的稳健性，算法耗时及配准误差明显下降，完整的拼接点云误差为0.12 mm，具有较高的工程实践价值。     

激光点云在三维模型重构中的应用

提出激光点云在三维模型重构中的应用研究。采用三维激光扫描仪获取某目标的激光点云数据，基于曲率精简处理激光点云数据，以此为基础，应用快速CPD算法拼接激光点云数据。由于拼接后激光点云数据依然散乱，采用泊松表面重构算法重构三维网格，以重构三维网格为依据，通过纹理映射理论实现三维网格模型参数化，从而实现了三维模型的整体重构。实验数据表明：与对比方法相比较，应用提出方法获得的激光点云数据精简度较大，三维模型重构时间较短，三维模型重构精度较高，充分证实了提出方法激光点云在三维模型重构中应用效果较好。     

基于压缩感知的三维人体点云的压缩及重建

经过激光扫描得到的三维人体点云数据量庞大,给模型的存储和传输带来困难,影响了其在体域网中的应用。针对这一问题,将压缩感知理论应用于人体点云模型的压缩与重建中。在压缩之前使用改进的三维栅格法做点云精简,针对人体点云的特点对数据进行分块稀疏变换,利用正交匹配追踪算法重建原始模型。最终实验重建误差约为 ,证实了该算法的有效性和可行性。     

基于特征点和关键点提取的点云数据压缩方法

针对采集到的点云数据中含有大量的冗余数据,为后期数据处理及其应用带来诸多不便,而采用现有通用压缩方法压缩后的点云容易造成细节特征丢失问题,为此,本文提出一种基于特征点和SIFT关键点提取的点云数据压缩方法。该方法的核心技术是首先根据查询点与邻域中的点所构成向量的夹角而提取边界点;然后根据点云数据的曲率和法向量夹角提取尖锐点,据此使特征点在点云压缩处理过程中得到绝对被保留;同时在平坦区域提取SIFT关键点,这样能避免在曲率变化缓慢区域所保留的并不是特征点;最后融合特征点和SIFT关键点而实现对点云数据的压缩处理。研究通过设计与现有两种基于曲率压缩方法进行对比实验分析,结果表明本文所提方法既能最大量的去除冗余数据,又能保留点云中大部分特征点,实现了点云数据的高质量压缩。     

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。      

基于点云实例分割的鲁棒多目标位姿估计

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题，提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先，基于密度聚类对场景点云进行分割得到点云簇，并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取；然后利用随机森林算法对聚合后的点云簇的局部特征进行分类，完成点云实例分割；之后对于场景中每一个分割后的实例，采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配，得到实例分割后的点在对应类别模型上的匹配点，利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿；最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明，相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计，所提算法能够有效提升局部特征匹配阶段的内点概率，从而提升复杂场景下位姿估计的鲁棒性和准确率，尤其适用于场景中具有多个实例的位姿估计应用。     

一种改进的激光点云数据精简算法

随着三维激光扫描仪获取的点云数据量越来越大,激光点云数据精简已成为测绘领域中的一个新的研究热点。在对点云数据分层技术研究的基础上,将二维平面曲线精简算法—Douglas-Peucker算法拓展到三维空间并进行改进,使得算法在处理前不需要已知点云间的邻接关系,可以对三维散乱点云数据进行直接处理。借助于Matlab平台编程实现点云数据精简,并利用程序构建精简后的点云数据的网格模型。通过与原始点云的网格模型进行对比分析,实验表明此改进算法的精简效果比较理想。     

NURBS曲面重构与点云-曲面误差分析

通过对某汽车零件进行光栅扫描、解相和去包裹处理,获取物体三维点云数据,对点云数据进行降噪、精简和网格化处理。然后根据点云曲率分布云图将点云数据分割成11块区域,首先对A区域点云数据进行曲面拟合,生成4×4阶均匀曲面,然后对其余分块点云数据分别进行曲面拟合,最后通过曲面延伸、拼接、倒角、修剪等处理,获取物体NURBS自由曲面,总体点云-曲面误差为0.2645 mm,并且曲面间符合G1相切连续和法向曲率连续,解决了在曲率较大的地方拟合误差较大的问题,提高了曲面的重构精度。     

附加增值条件的移动最小二乘法的点云孔洞修补

由于扫描设备局限或模型结构复杂等因素导致点云模型出现孔洞,这严重影响模型的后续处理。针对点云孔洞的修补问题,文中提出了一种附加增值条件移动最小二乘法的点云孔洞修补方法。首先提取封闭的孔洞边界,通过密度分析进行迭代切片,不仅削弱点云分布不均的影响,还提高模型细节特征的保留程度;再将离散群点投影至拟合曲面,投影点集二次拟合以获取拟合面节点,保证有足够的边界邻域节点为基础进行孔洞修补;最后利用附加增值条件移动最小二乘法对孔洞进行迭代修补,并对增值点云进行曲率约束,从而达到契合原始模型空间特征的重建。实验采用人为在四个点云模型上制造不同类型的孔洞,并与现有的四种方法进行对比,验证所提方法的有效性,结果表明,文中方法相较于现有的四种方法,完整率、准确率提高了1.83%以上,配准均方根误差与平均曲率均方根降低了68%以上,对比证明了文中方法对于点云模型孔洞具有较强的适用性,可为重建三维点云模型提供可靠信息。     

一种改进的激光点云滤波算法

针对常规的点云滤波方法在去除接近模型噪声的过程中会对模型造成较大破坏的问题,提出一种结合双张量投票和多尺度法向量估计的点云滤波算法.首先采用主成分分析法在较大的尺度下估计各点的法向量,对各点进行双张量投票以提取特征点.然后对提取出的特征点在较小的尺度下估计法向量,并结合随机采样一致性方法对小范围噪声平面进行剔除.最后采用曲率对剩余的噪声进行滤波,获得最终的点云数据.实验结果表明,所提算法可以有效剔除噪声点,并较好地保留三维模型的尖锐特征,为后续点云配准和三维重建奠定基础.     

自主移动机器人微型激光雷达点云数据滤波研究

由于自主移动机器人微型激光雷达点云数据采集过程存在多种外界因素的干扰，导致采集到的点云数据中含有大量噪声，为此设计提出自主移动机器人微型激光雷达点云数据滤波方法。采集自主移动机器人微型激光雷达采集点云数据，利用噪声分离算法和改进的三维中值修复对点云数据进行优化。根据精简移动最小二乘法构建微型激光雷达点云数据滤波模型，将经过优化的点云数据输入该模型中，实现微型激光雷达点云数据滤波。实验结果表明，所提方法的点云数据滤波误差低，实际应用效果更好。     

基于改进DPC和特征分区的点云去噪算法

针对三维激光扫描仪获取到的点云数据存在的多尺度混合噪声将严重影响后续的三维模型重建的问题,提出了一种基于改进的密度峰值聚类算法(DPC)和特征分区的点云去噪算法。首先通过改进的DPC算法去除远离点云主体的大尺度噪声;然后利用主成元分析法(PCA)和曲面变分获取点云法矢及曲率信息,同时采用邻域传播法调整法矢方向并根据曲率对点云进行划分,对特征区域点云与平坦区域点云分别采取自适应双边滤波和正交整体最小二乘平面拟合的方法进行光顺去噪。实验结果表明:在包含混合噪声的bunny与block模型下,利用该算法去噪后点云数据最大误差分别为0235mm和0157mm,平均误差分别为0029mm和0009mm,均能取得较好的去噪效果,且降低了去噪参数设置的复杂性。     

基于方向矢量曲率估算的点云精简研究

逆向工程获得的大量散乱点云数据,不利于后续曲面重构工作,因此需要进行点云精简。文章利用包围盒法分割原始点云数据,确定K邻域的中心点并搜索K邻域点,基于方向矢量曲率计算方法估算曲率,并采用曲率精简原则精简点云。实例证明,该方法对于大量点云精简有明显效果。