激光点云的稀疏体素金字塔邻域构建与分类

目的 在点云分类处理的各环节中,关键是准确描述点云的局部邻域结构并提取表达能力强的点云特征集合。为了改进传统邻域结构单尺度特征表达能力的有限性和多尺度特征的计算复杂性,本文提出了用于激光点云分类的稀疏体素金字塔邻域结构及对应的分类方法。方法 通过对原始数据进行不同尺度下采样构建稀疏体素金字塔,并根据稀疏体素金字塔提取多尺度特征,利用随机森林分类器进行初始分类;构建无向图,利用直方图交集核计算邻域点之间连接边的权重,通过多标签图割算法优化分类结果。当体素金字塔的接收域增大时,邻域点密度随其距离中心点距离的增加而减小,有效减少了计算量。结果 在地基Semantic3D数据集、车载点云数据和机载点云数据上进行实验,结果表明,在降低计算复杂性的前提下,本文方法的分类精度、准确性和鲁棒性达到了同类算法前列,验证了该框架作为点云分类基础框架的有效性。结论 与类似方法相比,本文方法提取的多尺度特征既保持了点的局部结构信息,也更好地兼顾了较大尺度的点云结构特征,因而提升了点云分类的精度。     

采用多尺度近邻体素特征的TLS林分点云分类

针对局部空间中林分点云多呈不规则分布的现状,提出了一种基于多尺度近邻体素特征的地面激光雷达林分点云分类方法。首先,通过特征选择获得六个特征,迭代使用四个尺度的八叉树分割点云,并在每个尺度下迭代遍历每个体素,搜索九个近邻体素计算点特征,实现四个尺度基于近邻体素重心的点特征估计;然后,使用LightGBM分类器完成训练,将该分类器模型应用于测试集实现林分点云分类;最后,通过分类准确率和计算特征用时作为评价指标对该方法实验结果进行评价。分析结果表明,该方法特征计算效率有较大幅度提升,可有效应用于人工林的点云分类任务。     

基于多尺度动态图卷积网络的3D点云分类

3D点云数据是一种不规则性数据,传统卷积神经网络无法直接对3D点云数据进行处理.对此,提出一种基于多尺度动态图卷积网络的3D点云分类模型.利用最远点采样方法采样3D点云数据集的代表点,降低模型计算复杂度;利用不同尺度的k最邻近节点聚合方式,对图中每一个中心节点的k最邻近节点进行定位;利用边卷积操作对中心节点及其邻接节点的局部属性特征进行提取与聚合用于分类.实验表明,该模型在3D点云分类准确度上,达到了比当前主流模型更高的水平,并且大幅降低了模型生成参数的数量.     

基于融合分层条件随机场的道路分割模型

为了在道路检测中结合图像的多尺度特征以及点云的空间结构特征,使检测算法能有效地排除道路场景中的阴影、光线等干扰,本文提出一种基于融合分层条件随机场的图像和点云融合的道路分割模型．首先,利用Meanshift算法产生多个尺度的超像素分割,建立基于图像的多尺度分层条件随机场．将点云数据投影到图像平面,再建立基于点云的多尺度分层条件随机场．在条件随机场的像素层和点云层之间建立连接,构造多尺度的融合模型．然后,针对多尺度融合模型中图像层的每一层和点云层的每一层,分别提取对应尺度的图像特征或点云特征．每一层用梯度提升树算法根据提取的特征训练1个分类器,利用每一层的分类器得到对应层的数据项代价．最后,使用α扩张算法对融合模型进行联合优化求解．在KITTI Road数据集上的实验结果表明,该方法具有良好的道路检测性能．     

自适应的基于点云的CAD模型重建方法

基本的随机抽样一致性(RANSAC)算法无法根据点云模型的噪声自适应地设定分割参数,并有效判断点云数据是否被合理分割。针对该问题,提出了一种自适应的基于点云模型的计算机辅助设计(CAD)模型重建方法。该方法采用RANSAC算法从点云数据中提取基本形状体素,使用直方图法分析点到相应形状体素表面的投影距离。对分割不合理的区域,按照该点云面片的高斯噪声设置新的分割参数,再次进行形状提取。经过一定轮数的迭代,该方法可以合理提取点云模型中的细小形状体素。然后通过校准形状体素的位置和方向、根据相邻形状体素之间的交线裁剪形状体素,实现CAD模型的重建。最后,以误差分布图和直方图分析了原始点云数据中点到CAD模型表面投影距离,有70.71%的点的投影距离不超过点云模型包围盒高度的1%。实验结果表明,以点云包围盒高度的1%为尺度向实验数据中加入噪声时,该方法仍能够通过自适应设置分割参数提取出合理的细小体素。     

结合稀疏八叉树卷积神经网络的牙齿预备体颈缘线提取方法

针对传统手工提取牙齿预备体颈缘线需要交互标记特征点,操作复杂,效率低的问题,提出了一种基于稀疏八叉树的卷积神经网络自动提取牙齿预备体颈缘线的方法.首先利用稀疏八叉树的空间划分,牙齿预备体模型被预处理为带有标签信息的稀疏点云,构建牙齿预备体数据集;其次利用已训练的卷积神经网络模型将牙齿预备体点云分割为2部分;然后采用密集条件随机场优化分割点云的边界,再将边界点拟合及插值获取新的边界点集;最后连接边界点在预备体模型上对应的投影点形成牙齿预备体颈缘线.在牙齿预备体数据集上的实验结果表明,卷积神经网络模型的预测准确率达到97.23%,通过对该方法提取的预备体颈缘线与专业医生提取的颈缘线之间的曲线偏差进行对比分析,验证了该方法的有效性.     

点云数据在深度学习中表示方法的研究

为了实现在深度学习中能够端到端表示点云模型,提出基于八叉树和K-D树（OctKD）的点云数据表示方法。该方法将无组织的点云转换为体素空间,在体素空间对三维模型进行八叉树剖分,改进了八叉树编码方式;构建节点间的邻接关系,在GPU端并行构建八叉树;为了克服八叉树编码检索效率低的问题,采用三维K-D树索引单个三维空间点。实验结果表明该方法能够真实反映模型本身的细节特征,提高了点云模型的构造时间和检索效率。这种新的数据结构实现将点云转换为卷积神经网络可以接收的数据形式。     

基于高阶CRF模型的图像语义分割

图像语义分割方法大多基于点对条件随机场模型, 不能定位到单个目标, 并且难以利用全局形状特征, 造成误识。针对这些问题, 提出一种新的高阶条件随机场模型, 将基于全局形状特征的目标检测结果和点对条件随机场模型统一在一个概率模型框架中, 同时完成图像分割、目标检测与识别的任务。利用目标检测器和前背景分割算法获取图像中目标区域, 在目标区域上定义新的高阶能量项。新的高阶条件随机场模型就是高阶能量项和点对条件随机场模型的加权混合模型, 其最优解即为图像语义分割结果。在MSRC-21类数据库上进行的实验验证了该模型能够显著提升图像语义分割性能, 并定位到单个目标。     

针对密集点云的快速自适应四边形网格生成算法

为了能够从密集点云直接获得四边形网格,而不需要通过三角形网格重构获得,提出针对密集点直接构造的四边形网格生成算法.首先进行点云数据体素化得到体素模型,建立体素和点云的索引关系,并对体素做精细化操作,以提高映射效果;然后通过体素模型外表面的顶点与原始点云的映射得到四边形网格模型,并对四边形网格进行优化.在斯坦福的数据集上进行实验,并使用MeshLab软件进行效果展示,结果表明,该算法可以基于密集点云直接生成四边形网格模型,同时可以通过调整体素大小来自适应地改变算法效率和四边形网格的大小.     

二进制编码八叉树的海量点云邻域快速搜索算法

海量点云的邻域搜索是点云数据处理的关键技术,是对点云进行进一步处理的基础.针对海量点云数据邻域搜索效率较低的问题,提出了一种基于二进制编码八叉树的快速搜索算法.首先构建八叉树,利用一种二进制编码方式对八叉树的各个节点进行编码,即对空间3个维度分别进行编码;其次对邻域点进行查找过程,根据搜索半径直接确定需要搜索的高度;最后在确定的节点高度下,根据编码的特点直接计算所需要查询的邻域节点.实验结果表明,该算法准确性高、速度快,能够实现海量点云数据的快速邻域搜索.     

基于云仿真环境数据挖掘的服务分类方法

服务分类已成为影响服务发现和服务组合优化性能与效率的重要因素,为了有效实现Web服务分类,提出了一种云仿真环境的服务分类方法,采用三种服务特征向量提取方式,获取服务语法和语义的服务特征向量集,并在五种经典分类算法上训练特征向量集,生成最优的服务分类模型.仿真云模型环境服务的随机分布,由最优服务分类模型判定云平台中的服务类别.改进方法在1007个标准OWL-S描述的语义Web服务中进行了实验.实验结果表明,以综合服务特征提取方式,利用SVM分类算法训练的服务分类模型优于其它服务分类器.     

点云密度和体素大小对单木LAI反演的影响

为了提高立体像素法对单木叶面积指数(leaf area index,LAI)的反演精度,探讨了点云密度和体素大小对单木LAI反演结果的影响。获取滇朴和雪松2种具有典型代表性的单木地面激光雷达点云数据和实测LAI数据,分别对单木点云进行0.02~0.1和0.2~1倍不同程度抽稀,以点云平均最邻近距离表征点云密度,探讨了在不同点云密度下估测LAI随体素大小变化的关系。结果表明:(1)点云密度和体素大小对单木LAI的反演精度影响较大。相同体素大小下,反演的LAI值随点云平均最邻近距离的减小而增大,即点云密度越大,估测LAI越大;相同点云平均最邻近距离即同一点云密度下,反演的LAI值随体素的增大而增大。(2)以反演精度最高的体素大小为最优体素,不同点云密度下最优体素值不同,应根据点云密度选取体素大小以提高精度。     

基于Z曲线和八叉树的高效Hausdorff距离计算方法

为提高计算点云模型之间Hausdorff距离(HD距离)的效率,提出基于Z曲线和八叉树的Hausdorff距离计算方法.首先利用Z曲线和八叉树实现点云模型预处理;然后在八叉树结构中定义了2类邻居(邻居点和邻居节点),并提出基于八叉树的局部搜索,以某一个叶子节点作为搜索的起点,递归地搜索其邻居直到根节点;最后结合模型预处理和局部搜索,给出了算法的实现细节.针对三维高斯随机数据和点云模型进行大量实验,并与经典方法进行对比,结果验证了文中方法的高效性.     

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。     

点云数据的凹陷体判定算法

体三维显示是三维显示领域重要研究方向,当处理带凹陷体的点云数据时,凹陷体区域无法正确判定导致对应区域的颜色无法正常显示,会对显示精度造成严重影响。为了解决点云中凹陷体判定问题,为点云数据中的凹陷体作规范化定义,并根据凹陷体的空间特点提出点云数据凹陷体判定(PCDD)算法。算法将点云体素化,之后根据凹陷体区域体素的属性特征判断可能属于凹陷体的体素征并通过空间连通性原理进行凹陷体体素分割,得到各个独立不相连的凹陷体并求出边界。实验结果表明,该算法可以稳定地判定出点云数据中的凹陷体,解决了凹陷体的判定问题,也为后续的凹陷体区域颜色映射打下基础。     

基于密度-距离图的交互式体数据分类方法

体数据分类是体绘制中传递函数设计的核心问题.标量值-梯度模直方图作为表征体数据的一种经典二维特征空间,已被广泛应用于分类体数据.然而,大部分已有方法存在过于依赖分类算法的参数设置、运算效率低、交互复杂度高等问题.以标量值-梯度模直方图的密度分布为基础,并依据物质中心密度大且物质中心间距离远这一特性,首先快速计算每个数据点的密度及每个数据点到比其密度大的点的最小距离;然后,将所有数据点投影到密度-距离图,并以密度-距离图作为人机接口,使用户能够交互地选择多个密度中心来分类体数据并设置传递函数.通过多组实验验证,所提出的方法无需预设物质类别的数量,分割标量值-梯度模直方图的准确度较高且速度较快,所设计的密度-距离图是一个有效的人机交互接口,可以有效地引导用户完成由粗糙到精细的递进式体数据分类和可视化过程.     

基于最大分类器差异域适应方法的3维点云分类

实现快速且高精度的点云分类算法对自动驾驶、 3维场景识别、地图重建、工业机器人等应用领域起着重要的作用。针对目前传统3维点云分类算法存在着深度学习需要海量带标签训练数据以及在网络中没有考虑到3维点云数据的局部信息的不足,基于最大分类器差异域适应方法,设计了一种3维点云分类框架。首先使用PointNet点云分类网络作为网络的基本框架,其次在特征网络中添加自适应节点模块以处理3维点云的局部特征,最后利用领域自适应方法中的最大分类器差异域适应方法对网络的全局特征进行训练,有效缓解对海量训练数据的依赖性。在3维点云数据集PointDA-10的6种迁移组合对所提方法进行实验验证,在其中5种组合的分类准确率优于传统的点云分类算法,并且在减少20%训练数据量的情况下仍能较传统方法有效提升分类准确率。     

体素分类与Phong光照模型GPU加速体绘制

为了提高体绘制的速度和效果,研究了体数据的分类和计算及其在图形处理单元上加速实现的体绘制算法.分别采用点体素先分类和预积分后分类方法为体数据分配颜色和不透明度,改进了利用不透明度对颜色加权改善绘制效果,根据Phong光照模型对体数据进行渲染.通过查找表软件加速和图形处理单元硬件加速两个方面分别实现并进行比较,实验结果表明,采用图形硬件加速的方法达到实时交互的效果,体绘制性能大大提高.     

集图卷积和三维方向卷积的点云分类分割模型

现有的深度学习方法在提取点云的局部特征时往往忽略了节点间的位置关系和方向信息，导致不能有效地学习点云的局部特征。为解决这一问题，提出一种集图卷积和三维方向卷积的点云分类分割模型GCN3D。GCN3D模型将图卷积神经网络应用在点云分类分割领域。将点云视作图上的节点，对每个节点求其K近邻，建立局部K近邻邻域内两两节点之间的边，并通过图卷积神经网络参数化边特征以捕捉节点间局部位置关系并更新中心节点特征；使用方向编码模块将节点的邻域划分为八个方位的细粒度的邻域小块，并按照三维空间坐标轴的方向依次将局部邻域结构内的节点特征映射到不同细粒度邻域空间内以提取节点间的方向信息，并且叠加两个方向编码模块增大网络的感受野，提高模型对于稀疏点云数据的鲁棒性并获取局部邻域多尺度特征。在ModelNet40数据集和ShapeNet数据集上分别进行点云分类和点云部分分割的实验。结果表明，相比没有考虑局部特征信息的PointNet,GCN3D模型在ModelNet40数据集上的总体分类精度提高了3.8个百分点，平均分类精度提高了4.3个百分点；在ShapeNet数据集上的平均交并比提高了1.5个百分点。相比其他深度...     

基于直方图熵的体数据分类算法研究*

体数据的分类用于确定体素的可见性,在三维体绘制中起着重要的作用。提出一种基于熵的体数据分类算法。首先根据累计直方图将体数据的直方图进行分段,然后根据熵判别式在每个分段中计算一个阈值作为阻光度传递函数的分段点,再根据阻光度传递函数计算出体素的阻光度值,完成体数据的分类。以工业CT体数据为对象进行实验,其结果表明,所提出的算法较好地实现了体数据的分类,体绘制结果清晰,且能够实现试件的模拟拆卸。