基于自适应八叉树分割点云的表面模型重建

传统的三角网生长法进行点云数据表面模型重建时,搜索第三点耗时太长,导致重建效率很低。采用自适应八叉树划分算法将点云数据分割成相互覆盖的子域,在每个子域内进行三角网格重建,避免网格拼接的过程;采用最大角最小化原则进行三角网格优化;并运用三角面片定向的方法进行网格法向量一致化处理。实验结果表明,该方法极大地提高了表面模型重建的效率,形成的网格质量也很好,能够较好地体现模型的细节特征,鲁棒性好。     

基于自适应角度的三维点云分割方法

点云分割是基于点云数据空间几何信息提取的一项重要工作,它是点云数据特征提取与分析的基础。同时,点云数据通常是离散的和非结构化的,点云数据的分割不是一项简单的数据处理任务,分割效率和分割精度决定了后续数据处理工作的结果。因此,研究点云数据分割具有重要意义。提出一种基于自适应角度的三维点云切割算法,使用PCA算法找到最佳降维投射方向,以降低原始点云数据维度,并利用投射簇的概念实现对原始目标点云的切割获取。     

基于特征点动态选择的三维人脸点云模型重建

针对典型的点云配准方法中伪特征点过多导致配准效率低和配准结果不精确的问题,提出一种基于特征点动态选择的三维人脸点云模型重建方法。该方法在粗配准阶段,采用动态特征矩阵求解法获取粗匹配特征变换矩阵以避免伪特征点的干扰。在精配准过程中,采用二次加权法向量垂直距离法在人脸流形表面选择更有效的特征点以减少伪特征点的数量,并采用基于特征融合与局部特征一致性的迭代最近点方法进行精配准。经过对比实验验证了算法的可行性,实验结果表明,提出算法能够实现高精度且快速的三维人脸点云模型重建,且均方根误差达到1.816 5 mm,相较于其他算法,在模型重建精度和效率方面都有所提升,具有良好的应用前景。     

GMSAC——一种鲁棒的基于高斯混合模型的基础矩阵估计算法

基础矩阵的鲁棒性估计是计算机视觉领域的一个基本问题。为了提高基础矩阵的估计精度,首先指出了现有的鲁棒性算法——RANSAC和MLESAC理论上的缺陷和实际应用中的问题;然后通过详细分析局外点复杂的成因,同时运用混合高斯分布代替均匀分布分别对不同成因的局外点进行了有针对性的建模,并提出了一种鲁棒性更强的算法——GMSAC。实验结果表明,相比于MLESAC算法,GMSAC算法提供了更高的模型似然度和计算精度。     

散乱点云的自适应α-shape曲面重建

针对α-shape算法不适用于散乱非均匀点集曲面重建的问题,提出了一种基于点云数据局部特征尺寸（LFS）的自适应α-shape曲面重建改进算法。首先,以采样点的k-邻近点计算出负极点逼近曲面中轴（MA）;然后,根据近似中轴计算曲面在采样点处的局部特征尺寸,并依据局部特征尺寸对原始点云进行非均匀降采样;最后,根据三角面片的外接球半径和对应的α值自适应重建出物体表面。与α-shape算法相比,所提算法可以有效合理地减少点云数据量,点云简化率达到70%左右,同时重建结果中冗余三角面片更少且基本没有孔洞。实验结果表明,所提算法能够自适应地重建出非均匀点集的表面。     

面向PET图像重建的结构先验导引的自适应点云方法

正电子发射断层成像(PET)重建的核心是解决重建精度和重建速度的问题.针对传统重建方法中以PET符合计数值表达待求图像的每个点像素值的规则点表达框架的问题,提出利用结构先验导引的自适应点云表达待求图像的点云表达框架的方法,从而可在保证重建精度的条件下有效地提高重建速度.该方法采用两步布点的方法引入点云表达框架:第一步基...     

顾及风偏环境的激光点云输电线模型重建

输电线模型重建是机载激光雷达技术电力巡检研究的主要内容,但现有的激光点云输电线模型大多基于无风偏理想环境的输电线空间形态描述,忽略了实时自然环境中风荷载的作用效果,输电线模型重建的适应性和普适性有待提高。在分析了风荷载作用于输电线受力变化的基础上,提出了风偏环境下输电线三维空间形态描述的理论模型(抛物线-抛物线方程),建立了一种顾及风偏因素的激光点云输电线模型重建方法。选择3组典型代表性的实验数据,涉及不同风速、地形条件及输电线类型,结果表明：所提出的抛物线-抛物线方程能很好地顾及水平风荷载作用的输电线空间形态特性,相比已有模型直线-抛物线方程,具有较高的模型重建精度和普遍适用性。该研究对提高激光点云输电线模型重建具有重要的理论参考价值。     

基于点云面的区域性三维重建及点云拼接*

目前基于点云面的三维重建方法中,重建的区域性选择存在着两个问题：重建区域过大会导致目标物体不明确,效果不佳,运行时间长;重建区域过小会导致目标物体不完整,信息丢失。针对重建窗口过大时,本文采用改进的snake的区域性重建算法,即通过轮廓提取只对窗口内的目标物进行重建;针对重建窗口过小时,本文采用基于投影面的点云拼接算法,即通过重建后的点云进行拼接的方法使目标物体恢复完整。以上两点改进弥补了点云三维重建及拼接时出现的应用局限性和不稳定性,减少重建时间,提高重建有效性,鲁棒性。     

点云的形状与曲线重建算法

针对平面无序带噪点云的曲线重建问题,给出了点云形状的定义并提出了构造点云形状的算法.该算法基于Delaunay三角剖分,在构造好点云的Delaunay三角剖分后对三角剖分进行细化,使得在点云中的点周围形成空间上的局部均匀采样;基于集合论中的基本概念定义点云中内点、外点和边界点,并且明确地定义了点云的形状,根据Delaunay三角剖分细化时,选择不同的参数得到不同层次的点云的形状;选择合适的参数得到相应形状后,通过薄化过程得到具有流形结构的曲线.实验结果表明,采用文中算法得到的重建曲线很好地反映了点云的形状,验证了该算法的有效性.     

基于随机采样一致性算法的平面匹配方法

针对传统的平面图像标定点匹配算法计算量大、准确性不高等问题,提出一种基于随机采样一致性(RANSAC)算法的快速高精度的平面图像标定点匹配方法。该方法首先基于双圆锥曲线模型,借助于椭圆边缘点附近的梯度信息求取椭圆的切线,由切线集合拟合出椭圆参数,并利用这些参数计算出椭圆圆心,即图像上的标志点;然后用RANSAC随机采样算法对标定板上的点和图像上的点进行匹配。实验验证该方法实现起来简单并且有较高的准确率。     

基于体密度变化率的点云多平面检测算法

针对以往点云多平面检测算法运算时间长、检测结果的准确性易受噪声影响这一问题,提出了一种基于点云几何统计特征的多平面检测算法。该方法首先根据体密度变化率对点云进行粗分割,然后利用多元随机抽样一致性算法(Multi-RANSAC)进行多平面拟合,最后提出了一种新的合并约束条件对拟合的初始平面进行优化合并。实验结果证明,该算法易于实现,能有效减少累积噪声对检测结果的影响,提高平面检测的正确率,极大地减少了计算时间开销。     

基于ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致（RANSAC）算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题,采用渐进一致采样（PROSAC）算法来改进ORB-SLAM2系统中的误匹配剔除,并在系统中添加稠密点云地图和八叉树地图构建线程。首先,与RANSAC算法相比,PROSAC算法依据评价函数对特征点进行预排序,并选取评价质量较高的特征点求解单应性矩阵,根据单应性矩阵的解与匹配误差阈值进行误匹配剔除;然后,根据ORB-SLAM2系统进行相机的位姿估计与重定位;最后,根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果,PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右,并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致,表现出良好的鲁棒性;另外,与稀疏点云地图相比,提出的新构建地图可以直接用于机器人的导航与路径规划。     

基于匹配测度加权求解基础矩阵的三维重建算法

双视图三维重建中引入了同名特征点的匹配测度,为提高基础矩阵F的精度提供了数据处理指导,将特征点匹配和F解算及三维重建环节连接成一个整体。在分析特征点提取、匹配方法的基础上定义了同名点匹配测度函数。用测度函数作为匹配点的权值对归一化8点求解F的算法进行加权,并使用随机采样一致性(RANSAC)鲁棒算法解决匹配野值问题。根据已知的像机内参数，从基础矩阵中分解相对运动，并用模型的内点进行运动优化，最后三角交会得到三维重建结果。实验结果表明,此算法达到了线性求解F矩阵和三维重建的鲁棒性高精度实现。     

基于三视图约束的基础矩阵估计

考虑到只依赖对极几何关系的匹配点余差并不能完全区分匹配点的正确与否,从而影响内点集选取的情况,提出基于三视图约束的基础矩阵估计算法。首先,使用传统随机抽样一致性（RANSAC）算法计算三视图的任意两对相邻图像间的基础矩阵,确定三视图中共有的匹配点对,并计算估计基础矩阵时非共用图像上的匹配点在共用图像上的极线;然后,计算两条极线的交点与共用图像上对应匹配点间的距离,以距离值的大小作为内点判断的依据,得到新的内点集。在新内点集的基础上,采用M估计算法重新计算基础矩阵。实验结果表明：该方法可以同时降低噪声和错误匹配对基础矩阵精确计算的影响,精度优于传统鲁棒性算法,使点到极线的距离限制在0.3个像素左右,而且计算结果具有稳定性,可以被广泛地应用到基于图像序列的三维重建和摄影测量等领域中。     

基于特征点分类策略的移动机器人运动估计

为解决移动机器人视觉导航系统在进行机器人运动估计时使用传统运动估计算法计算时间较长而导致实时性较差的问题,提出了一种基于特征点分类策略的移动机器人运动估计方法。根据移动机器人视觉导航系统提供的特征点三维坐标计算出特征点与机器人的距离,从而将特征点分为远点与近点。远点对于机器人的旋转运动是敏感的,因此可用于计算移动机器人的旋转矩阵;近点对于机器人的平移运动是敏感的,因此可用于计算机器人的平移矩阵。仿真实验中,当远点与近点数为原特征点数目的30%时,基于特征点分类策略的运动估计计算精度与传统RANSAC算法相当,并能减少60%的计算时间。仿真结果表明,基于特征点分类策略的运动估计方法能在不降低计算精度的前提下有效减少计算时间,在特征点数目较多时也能很好地适应实时性要求。     

未标定影像序列三维重建的混合方法

基于非标定序列影像的目标三维重建是一项非常重要的技术和研究热点,它使数据获取变得十分方便。基于影像序列的点匹配,得到的是一些点云,基于此,提出一个混合的三维重建方法：第一,通过物体三维点建立物体的数字形状模型（DSM）;第二,通过提取物体轮廓线,尤其是相互的平行直段和垂直线段,构建物体的轮廓线;第三,给合现存的三维数据模型,在目标显示和数据结构方面构建恢复三维物体。实验以一个茶筒为例,采用Java3D显示结果,取得良好的结果。     

条件数和Zernike矩在图像配准中的应用

提出了一种基于条件数和泽尼克矩的图像配准算法。首先用Harris角点检测器提取特征点并通过条件数去掉一些伪特征点;用改进的Zernike矩作为特征点的描述子,通过比较各个特征点圆形邻域泽尼克矩的欧式距离得到初始匹配点对;用RANSAC估计待配准图像和基准图像之间的变换参数,实验表明,该算法在图像存在比例缩放、旋转等情况下有很好的配准效果。     

混合视觉系统的运动物体检测和静态地图重建

复杂动态背景环境下的运动物体检测和静态地图重建中容易出现运动物体检测不完整的问题。针对上述问题,提出了一种混合视觉系统下点云分割辅助的运动物体检测方法。首先,提出了直通滤波+随机采样一致性（PassThrough+RANSAC）方法来克服大面积墙壁干扰以实现点云地面点的识别;其次,将非地面点数据作为特征点投射到图像上,并估计其光流运动向量和人工运动向量,从而对动态点进行检测;然后,采用动态阈值策略对点云进行欧氏聚类;最后,整合动态点检测结果与点云分割结果来完整地提取出运动物体。此外,通过八叉树地图（Octomap）工具将点云地图转换为三维栅格地图以完成地图的构建。通过实验结果和数据分析可知,所提方法可以有效提高运动物体检测的完整性,同时重建出低损耗、高实用性的静态栅格地图。