利用迁移学习的机载激光雷达点云分类

为解决现有机载激光雷达点云分类方法存在难以在获得较高精度的点云分类结果的同时降低分类过程所需时间等问题,提出了一种利用迁移学习的机载激光雷达点云分类方法。首先,计算点云的归一化高程、强度和法向量三个特征,通过设置不同邻域大小,利用所提出的点云特征图生成策略生成多尺度点云特征图;然后,利用预训练的深度残差网络从每个点的多尺度点云特征图提取其多尺度深度特征;最后,为了实现快速地训练,构建仅包含两层全连接神经网络模型,再利用训练好的模型对点云进行分类。两组ISPRS提供的标准点云数据集的试验结果表明:提出的方法所需训练时间少,分类结果的整体精度为89.6%,较ISPRS官网上所报道的最佳点云方法分类精度高4.4%。分类结果可为机载激光雷达点云的后续处理与应用提供可靠的信息。     

姿态角扰动对机载激光雷达点云数据的影响

为研究机载平台的姿态角扰动对激光雷达点云扫描区域和密度分布,以及对由激光点云重建的三维表面模型的精度影响,首先从理论上阐明了姿态角扰动对激光点云扫描区域、密度分布及重建三维表面模型精度的影响机理;其次通过数值仿真,详细分析了姿态角扰动对激光点云扫描区域和密度分布的影响规律;最后通过半实物仿真实验,模拟了真实机载激光雷达扫描过程,验证了机载平台的姿态角扰动对激光点云扫描区域和密度分布的影响,并定量评价了姿态角扰动造成的数字表面模型( DSM)的精度变化.仿真和实验结果表明,机载平台姿态角扰动造成激光点云扫描区域偏移和局部区域点云密度降低,前者导致被扫描目标地形的部分区域漏扫;后者导致由激光点云重建的DSM失真增大.因此,姿态角扰动对机载激光雷达点云的扫描区域和密度分布,及对DSM的重建精度有显著的影响,应采取有效措施对姿态角扰动进行实时抑制或补偿.     

机载激光雷达姿态角补偿及其效果验证

机载激光雷达(LiDAR)扫描被测地形获得激光点云,进而重建被测地形的三维图像。机载激光雷达测量过程中,机载平台姿态角时刻发生波动,其对激光点云密度分布及重建三维成像精度具有显著影响。为消除姿态角波动对激光雷达测量的不利影响,设计了一套姿态角补偿装置,包括机械结构设计和控制系统设计;并搭建了半物理仿真实验系统,编制了总控制软件使各子设备之间时间同步控制及数据采集,实现了对机载激光雷达工作原理及姿态角补偿原理的实验仿真和补偿效果验证,补偿后DSM高程精度的RMSE误差由3.50mm以上减小到3.28mm。实验结果表明,搭建的半物理仿真实验系统可正确模拟机载激光雷达的工作过程,设计的姿态角补偿样机对机载激光雷达点云产品质量有显著的补偿效果。     

组合CCD图像和稀疏激光测距 数据的建筑物三维信息提取

对组合高分辨率航空CCD图像和机载稀疏激光扫描测距数据自动提取城市建筑物的三维信息进行了研究。航空CCD图像能清晰地给出建筑物的几何形状和分布,因此采用了自适应的Canny边缘检测算法来提取CCD图像上的全部边缘信息,然后根据双向投影直方图和线段匹配方法来自动而准确地提取建筑物的平面轮廓信息,最后根据CCD提取的轮廓信息从机载激光扫描测距数据中提取建筑物的高度信息,从而实现了每栋建筑物的三维信息提取。通过实际数据的处理和提取,说明了组合CCD图像和机载激光扫描测距数据可以自动重建建筑物的三维信息。     

基于空间栅格支撑与曲率云图引导的点云表面构线

针对已有的点云表面构线方法在处理多层点云曲面模型时出现的弱鲁棒性问题,以及构线过程中缺乏直观点云形状特征引导的现象,提出一种基于空间栅格支撑与曲率云图引导的点云表面构线方法。首先,将点云划入规则分布的空间栅格并基于三参数Shepard曲面估算点云曲率;其次,依据曲率云图反映的点云几何形状特征选择构线点,并搜索沿构线点投影方向与之相交的最近非空栅格(即含有测量点的栅格),继而以最近非空栅格为中心,构建其k-最近邻域点集作为点投影算法的目标点云计算构线点的投影点;然后,插值构线点列经投影计算得到的投影点序列,获得初始曲线;最后,构造与初始曲线节点分布一致的法矢曲线作为曲线投影的方向,结合二分法与基于空间栅格支撑的点投影算法将初始曲线投影至点云曲面。实例对比表明,空间栅格的引入显著增强了点投影算法的稳定性,而曲率云图的引导则提高了用户交互选点构线过程中对点云所蕴涵形状特征的识别与分析能力。     

基于顾及曲率自适应邻域的点云单点分类方法

点云数据分类作为三维城市场景分析中的重要环节之一,吸引了学术界广大研究者的注意。由于点云数据存在不均衡的密度分布、噪声以及数据缺失等问题,需要对点云数据进行高精度的有效分类。传统点云分类方法通常包含基于统计方法提取点云邻域和机器学习算法两大部分。因为点云分类算法中稳定的点云邻域受限于点云的密度和曲率分布情况,所以会造成点云分类结果中存在一定的椒盐噪声现象。因此,提出了一种顾及曲率的自适应邻域的点云单点分类方法,改进了顾及曲率的点云邻域改进方法。该方法可以生成理想的三维点云邻域,并增强了点云特征的可分离性。使用开源数据集Oakland Benchmark Dataset验证该算法,结果表明,此方法可以显著提高点云分类的精度。     

采用自适应背景聚类的激光雷达与相机外参标定优化方法

针对在复杂外部环境下激光雷达外参标定过程中遇到的标定板三维点云提取不准确的问题,提出一种基于背景聚类的激光雷达和相机外参标定优化方法,避免了在整个三维点云中盲目检测标定板点云,而导致标定结果存在较大误差以及需要人工手动纠正错误特征点的问题。该方法利用无标定板的背景点云与有标定板的目标点云之间部分空间域内的密度差异性,通过自适应空间阈值模型获得标定板点云与背景点云之间的差异系数K,然后聚类两点云中的部分三维点,完成标定板的三维点云提取。实验证明,该方法可以在复杂环境中准确高效地提取标定板三维点云,从而提高激光雷达和相机外参标定的准确性,在此基础上点云正确投影比例可达97.43%,与对比方法相比投影误差降低25.33%左右。     

反求工程中ICT图像对称轮廓自动识别

针对机械工业产品轮廓中对称约束特征,该文提出了基于特征匹配的二维图像对称轮廓自动识别方法.基于轮廓点云数据分割和型值点方法提取特征点,研究轴对称和旋转对称图像特征点的不同分布规律,判别对称类型;采用转动惯量法和周期法求取对称轮廓特征描述参数作为轮廓整体约束优化求解参数;实例表明:文中方法能够有效地自动识别对称轮廓及其类型,提取出对称约束特征.     

采用八叉树体素生长的点云平面提取

提出了一种高效的基于八叉树体素自适应生成与体素分层次生长的平面提取方法,其主要思路为采用体素信息统计的方式进行相关阈值参数的自动选定,以及基于体素的生长替代基于点的生长进行平面提取。首先,对点云进行八叉树初始剖分并计算其几何属性信息(包括法矢、特征值以及维度特征描述符等);然后,通过统计得到细分终止条件,并对初始八叉树进行进一步自适应剖分,得到一系列非均匀八叉树体素;最后,在体素层面进行区域生长阈值的统计与体素的分层次生长,进行点云平面的精细提取。利用4种不同类型的点云数据对本文算法进行了测试。实验结果显示:精度和召回率可以达到95%以上,表明本文算法对数据质量不敏感,可以自动适应不同平台采集的、不同分布密度和不同数据质量的激光点云,并且高效地得到精细的点云平面提取结果。     

面向自动修补的复杂零件孔洞识别

依据样点的邻域在其局部微切平面投影的分布情况,提出了一种针对采样密度不均、几何形状复杂、孔洞面积大小不一的散乱点云模型的孔洞识别方法.通过使用Np邻域,使得位于密度过渡区域的点被准确分类;由于样点的邻域可能跨过多个面,常规PCA方法估算的点云法矢不准确,从而导致模型尖锐位置上的点误判,通过引入距离权重,保证了局部微切平面计算的准确性;针对邻域点数k取值较少,检测结果中存在较多噪声点,而k值较大又会覆盖模型中较小的孔洞,通过邻域支持的方法,有效地检测出模型中的小面积孔洞;为有利于自动化修补孔洞,文中采用划分空间栅格聚类的方法确定孔洞位置及数量,避免了点与点之间距离的反复计算,加快了聚类速度.实验结果表明,该方法能有效检测模型中面积大小不一的孔洞,得到的检测结果噪声点少,孔洞轮廓清晰.     

一种基于八邻域深度差的点云边缘提取算法

提出了一种基于八邻域深度差(8N-DD)的点云边缘提取算法。算法根据目标特征的点云,对每个特征点沿深度方向进行垂直投影并对投影点进行栅格划分,计算出每个栅格内投影点所对应深度的平均值作为该栅格的深度值;然后比较每个栅格与其八邻域栅格的深度差,根据深度差判断该栅格内是否存在边缘点,并采用排序法从栅格内筛选出目标的点云边缘点。针对含有非孔洞和孔洞的两种典型点云数据,利用八邻域深度差算法进行点云边缘提取,验证了算法的有效性。     

一种自由曲面点云边界的快速直接提取方法

点云边界不仅作为表达曲面的重要几何特征，而且作为求解曲面的定义域，对重建曲面模型的品质和精度起着重要的作用。本文以战斗机座舱盖玻璃罩外壳的点云数据为例论述了一种自由曲面点云数据的边界直接提取方法，该方法通过设定分隔截面和计算每个截面上边界点，然后连接各个边界点就得到曲面的边界。该方法不仅具有较高的运算效率，达到了系统的实时性要求，而且能够比较精确地表达曲面的边界特征。     

基于分层块状全局搜索的三维点云自动配准

提出了一种分层块状全局搜索到临近点局部搜索的改进迭代最近点(ICP)算法,用于进一步提高ICP算法的配准速度并消除点云缺失对点云配准的影响。该配准方法在粗略配准之后,以点云块为分层单元对模型点集进行选取,并对选取的少量模型点进行全局搜索获取其对应最近点;然后,以这些模型点对应的最近点作为搜索中心,在场景点集中进行局部搜索,获取这些模型点的大量临近点的对应最近点;最后,剔除错误对应最近点对,并求取坐标变换。与基于KD-Tree的ICP算法和基于LS+HS(Logarithmic Search Combined with Hierarchical Model Point Selection )的ICP算法相比,该配准算法对Happy bunny扫描数据的配准速度分别提高了78%和24%;对Dragon扫描数据的配准速度分别提高了73%和30%。这些结果表明该算法可以快速、精确地实现三维点云间的配准。     

A progressive point cloud simplification algorithm with preserved sharp edge data

Due to recent advances in high-speed 3D laser-scanning technologies, the set of dense points collected from the external boundary surface of a physical object, often referred to as the point cloud data, is emerging as a new representation format of 3D shapes. A typical point cloud data set contains millions of coordinate data points, and this leads to significant computational challenges for the subsequent data processing tasks in practical applications. This paper presents a new point cloud simplification algorithm to reduce the number of data points scanned from a mechanical part, in which the boundary surfaces often contain sharp edges. Because of the distinct feature represented by data points located on or near the sharp edges (edge points), these points should always be retained by the simplification process. The proposed algorithm thus identifies these edge points first and then progressively removes the least important data point until the specified data reduction ratio is reached. The quantification of a point’s importance is based on points in its neighborhood and corresponds to the point’s contribution to the representation of local surface geometry. The effectiveness of the proposed algorithm is demonstrated through the simplification results of several practical point cloud data sets.     

散乱点云谷脊特征提取

利用微分"化曲为直"的本质特性和离散计算方法,提出了一种基于局部重建的散乱点云谷脊特征提取算法。首先,利用离散Laplacian算子对点进行增强,通过阈值过滤标记潜在谷脊点。然后,在每个潜在谷脊点的局部邻域内构建紧附于潜在曲面、能反映该点局部几何特征信息的三角网格。最后,根据Weingarten映射的性质,估算潜在谷脊点的主曲率和主方向;将邻域大小作为尺度参数,利用简单直观的离散计算方法及线性插值方法,多尺度地判定一点是否为主方向上的曲率极值点,从而提取谷脊特征。实验结果表明:当点云规模为10 375个,谷脊点规模为1 129个时,执行时间仅为97.39ms;当点云规模达327 853个,谷脊点规模达到105 482个时,执行时间为3 956.12ms。该方法简单、稳定,避免了传统的利用拟合曲面再逼近微分量方法中由于曲面拟合带来的高时间代价,能快速有效地提取散乱点的云谷脊特征。     

基于继承与优化算法的无序点云拼接技术的研究

摘要：点云拼接技术的核心是建立两个待拼接点云之间的对应关系。提出继承与优化算法进行点云精确拼接,阐述了算法原理,通过建模获取拼接过程中的旋转和平移参数,提出并分析了拼接的实现过程。采用光栅投射式三维扫描仪获取某型号汽车防雨板的6组点云数据,使用提出的算法进行点云拼接,采用多分辨率层次精度分析法对拼接结果进行误差分析,与最临近点迭代法在拼接精度、收敛速度和耗时上进行了比较。实验结果表明：继承与优化算法可实现海量无序点云的精确拼接,拼接的标准偏差小于0.10mm,两点云对拼接时间小于2秒,相比最临近点迭代法,所需迭代次数减少5次以上。     

基于可视点法剔除动态目标的激光-惯导SLAM

针对传统激光同时定位与建图在动态环境中位姿估计累计误差大、地图中存在动态目标错误点云的问题,本文提出了一种基于可视点法实时剔除动态目标的激光-惯导SLAM方法(DM-LIO)。该方法使用IMU测量值为基于可视点法的动态目标剔除模块提供先验位姿,并引入基于弯曲体素空间的点云聚类方法,以解决在低分辨率可视点法下动态点不能被完全捕捉的问题,从而实现了在算法前端剔除激光点云中的动态目标。本文通过自主搭建室内真机实验平台和使用公开数据集两种方式对算法性能进行评估。真机实验结果表明本文提出的DM-LIO能够对多个动态目标以及非先验动态目标进行实时剔除;在公开数据集Urbanloco上的测试结果表明,在高动态的环境下DM-LIO的绝对轨迹误差相较于LIO-SAM减少了60%以上,验证了该算法在高动态环境中具有良好的定位精度。     

Isogeometric analysis based on geometric reconstruction models

In isogeometric analysis (IGA), the boundary representation of computer-aided design (CAD) and the tensor-product non-uniform rational B-spline structure make the analysis of three-dimensional (3D) problems with irregular geometries difficult. In this paper, an IGA method for complex models is presented by reconstructing analysis-suitable models. The CAD model is represented by boundary polygons or point cloud and is embedded into a regular background grid, and a model reconstruction method is proposed to obtain the level set function of the approximate model, which can be directly used in IGA. Three 3D examples are used to test the proposed method, and the results demonstrate that the proposed method can deal with complex engineering parts reconstructed by boundary polygons or point clouds.     

裁剪B样条曲面重建算法研究

提出了具有不规则边界的裁剪B样条曲面重建方法。采用基准平面对数据点进行参数化，并建立以B样条曲面控制顶点为未知量的超定方程组；提出了基于有效点判别条件的孔洞识别算法，通过对孔洞区域的控制顶点施加顶点形状保持约束,确保方程组最小二乘解的存在；基于误差控制重构B样条曲面整体覆盖数据区域，通过边界线提取或曲面求交剪裁来重构裁剪曲面的边界。该方法具有符合设计意图、曲面在孔洞区域具有良好的形状一致性、曲面重构精度高等特点。     

应用摄像机位姿估计的点云初始配准

基于摄像机位姿估计的数学模型,提出了一种检测摄像机位移前后目标图像特征点的方法,通过求解摄像机发生位移前后的相对位姿矩阵来解决应用视觉图像获得点云的初始配准问题。首先,介绍了摄像机位姿估计模型,包括本质矩阵、旋转矩阵以及平移矩阵;然后,介绍了SURF算子的特征点检测、描述和匹配的方法,在此基础上面向双目视觉和单目结构光系统,分别提出了摄像机位移前后目标图像SURF特征点匹配和深度估计模型;最后,分别进行双目视觉和单目结构光系统点云的获取、位移前后目标图像特征点检测匹配和深度估计实验,应用摄像机位姿估计模型求解旋转矩阵和位移矩阵,并对位移矩阵进行统计分析剔除粗差。实验中采用基于点云空间特征点和基于图像的方法进行对比,点云对应特征点均方误差缩小至12.46mm。实验结果验证了方法的可行性,表明本文的点云初始配准方法能较好地获得点云精确配准初值。