基于区域分割的点云骨架提取算法

针对L_1中值骨架提取方法存在迭代次数较多、相邻区域较紧密时骨架易跨越区域等问题,提出一种分区提取骨架的算法。结合点云区域的连通性及局部相关性,采用马尔科夫随机场模型,将给定点云分割成不同区域。在相同标号的区域根据区域大小和点集数自适应地计算不同的初始收缩邻域尺度,用L_1中值不断收缩迭代提取各区域的骨架分支,通过主成分分析及连接角判定骨架连接方式,并根据该连接方式将骨架分支连接成完整的点云骨架。实验结果表明,该算法能够自适应地提取点云骨架,减少点云收缩的迭代次数,保持模型原有的拓扑结构,对于含有区域紧密度不均匀的模型有较好的效果。     

基于改进自适应k均值聚类的三维点云骨架提取的研究

针对三维点云中心骨架提取问题, 提出一种基于改进的自适应k均值聚类预分割引导的点云骨架提取算法. 首先, 将输入点云体素化, 利用八叉树算法覆盖输入点云并下采样实现点云化简; 其次, 在采样点中自适应选取初始聚类中心对点云进行区域划分, 并颜色标记; 最后, 在区域分割的引导下应用L₁-中值骨架提取算法实现点云骨架的提取. 该算法主要针对L₁-中值算法可重复性差、易丢失细节等缺点进行了改进, 并且对输入点云的质量以及形状的几何或拓扑信息, 都没有严格的先验要求, 可以直接应用到未经任何预处理、含有噪声或离群点的初始扫描点云上. 展示了从多种不规则点云提取的骨架结果, 包括矮小植物、人体动作等. 与传统算法相比, 该算法具有高准确率、强鲁棒性、强学习扩展能力等优点.     

基于拓扑相似性的等距参数曲面求交算法

等距曲面求交算法通常采用曲面求交算法反复迭代计算交线,没有考虑不同Offset距离等距曲面交线的相似性进行求交简化.提出了一种基于拓扑相似性的等距曲面求交优化算法.算法首先求取曲面的拓扑特征点,根据拓扑特征点分布图,确定交线环拓扑结构,在交线拓扑结构信息的指导下,确定初始点的搜索策略.采用提出的方法可以有效解决等距曲面的子环、奇点遗漏、分支跳跃、乱序跟踪和初始点求取问题,精确、鲁棒地计算出交线.     

保特征的点云骨架提取算法

三维模型的骨架提取是计算机图形学中一个重要的研究方向。对于有噪声的点云模型,曲线骨 架提取的难点在于保持正确的拓扑结构以及良好的中心性;对于无噪声的点云模型,曲线骨架提取的难点在于 对模型细节特征的保留。目前主流的点云骨架提取方法往往无法同时解决这 2 个难点。算法在最优传输理论的 基础之上结合聚类的思想,将点云骨架提取的问题转化为一个最优化问题。首先使用最优传输得到原始点云与 采样点云之间的传输计划。然后使用聚类的思想将原始点云进行分割,采样点即成为了簇的中心。接着通过簇 与簇之间的调整与合并减少聚类个数,优化聚类结果。最后通过迭代的方式得到粗糙的骨架并使用插点操作进 行优化。大量实验结果表明,该算法在有噪声与无噪声的三维点云模型上均能提取出质量良好的曲线骨架并保 留模型的特征。     

高斯曲率约束的MRG骨架提取优化算法

三维模型的骨架保持了模型的拓扑特性,并被广泛应用于模型相似性比较、计算机动画及压缩等领域.根据多分辨率Reeb图的原理,提出了一种基于离散高斯曲率约束的骨架提取优化算法.通过计算网格顶点的离散高斯曲牢判断曲面局部凸凹特性,以获取模型表面的双曲极值点作为约束点;并依据约束点及其邻域的μ函数值产生的分裂线进行区域细分,获得子连通区域、确定关节点、形成优化的骨架结构.实验结果表明,该算法有效地突出了模型的拓扑分支特征以及模型表面的细节,提高了骨架提取的精度和效率.     

自适应三维美工树木骨架提取算法

提出了一种自适应三维美工树木骨架提取算法。该算法主要由前处理、骨架提取和后处理三个步骤组成。前处理阶段依次完成预计算操作,包括对具有几何相似性的子枝进行聚类,自适应生成每个子枝点云的聚类长度阈值,确定子枝之间的父子关系等;骨架提取阶段实现对每个子枝点云的聚类,及其对应骨架点、骨架曲线的生成等操作;后处理阶段完成孤立骨架节点去除,整棵树所有骨架曲线光滑化等处理。该树木骨架提取过程完全由计算机自动完成,不需要用户的任何干预。实验结果表明,采用该算法得到的美工树木骨架既能完整地保持树木模型的形状,又能正确地实现树木模型的拓扑结构。     

机载LiDAR点云中精细建筑物顶面的渐进提取

由LiDAR点云数据准确提取建筑物顶面是实现三维建筑模型自动重建的关键步骤.在分析现有顶面提取方法的基础上,提出一种渐进地提取LiDAR点云数据中精细建筑物顶面的方法.先以法向阈值和曲率阈值为约束,借助区域生长算法对原始点云进行初步分割,并得到面积较大、边界特征较明显的初始顶面;再借助主元分析法估算每个初始顶面的平面方程,并以点到平面的距离为约束,利用基于距离的区域生长算法提取其对应的精确顶面;最后通过随机抽样一致性算法(RANSAC)迭代地提取剩余点云中的小顶面.实验表明,通过动态调整阈值和迭代步骤,能够从LiDAR数据中精确地提取出复杂建筑物的顶面.     

基于曲率法线流的树点云骨架提取方法

针对树木点云拓扑结构复杂、特征细节繁多等问题,提出一种基于点云收缩提取曲线骨架的算法。首先,为了在点云表面直接应用网格收缩算法,对点云进行局部主成分分析和Delaunay三角剖分;其次,针对树木点云拓扑结构复杂和末枝细节繁多等问题,用曲率法线流算子对点云进行收缩,针对树木枝条细长且弯曲幅度平缓等特点,利用改进后的QEM网格简化方法将三角网格折叠成一维曲线骨架;最后,将得到的曲线骨架进行连通和居中处理。该算法直接在点云上进行操作,不需要额外的信息和预处理操作,对噪声和残缺点云有良好的鲁棒性。实验证明,该算法提取的树木点云骨架充分表达了树木在自然环境下的生物性结构和特征,相对于rosa、L1-中轴等经典算法,在树木点云的骨架提取速度上提高3倍以上,枝条重建度提高25%。     

空间球拓扑外联的岩心线骨架提取方法

在分析现有骨架提取算法的基础上,针对现有的岩心骨架提取方法中存在的效率较低、骨架连通性差等问题,提出了一种基于空间球外联的岩心线骨架提取的几何方法.该方法以CT扫描图像为基础进行模型重构,并用Delaunay算法剖分得到四面体实体模型.依据岩心结构的四面体模型的特点,通过寻找模型四面体的外接球之间的拓扑邻接关系,到岩心的骨架结构.通过等效计算,简化连接,得到单一的线骨架结构,保证了骨架结构与岩心结构的拓扑一致性.实验结果表明,文中方法可以保证骨架的连通结构,且不受模型边界质量的影响,适用于复杂的岩心形体结构,实现了岩心骨架的提取.     

近似刚性的快速点云变形算法

针对大规模的复杂点云模型,提出了一种非线性变形算法.通过保持局部邻域的刚性使得点云模型进行近似刚性的变形,在大尺度变形时有效地保持几何细节和体积;为了保证求解过程的收敛性,对原始点云进行聚类,快速生成其简化点云,进而在稀疏的简化点云上完成变形,并将该变形作用给原始点云以得到合理的初始结果.此外,还给出一种动态重采样方法,以消除变形造成的冗余点和裂缝.实验结果和对比数据表明,文中算法简单高效,能够防止几何细节的扭曲和明显的体积变化,获得了令人满意的变形效果.     

鲁棒的点云曲线骨骼提取算法

为解决复杂点云数据的曲线骨骼提取问题,提出了一种鲁棒的点云曲线骨骼提取算法。该方法首先通过区域分割将点云模型分成多个弱凸面集,减少噪声点对骨骼提取的影响,然后在每个弱凸面集中根据对称点信息提取候选骨骼点,对候选骨骼点进行压缩和平滑,并采用最优平面法对骨骼点进行重定位,最后利用区域分割信息将各区域的骨骼点连接得到最终的曲线骨骼。实验结果表明,该方法不仅能够处理完整和非完整的点云数据,而且能够正确提取包含复杂形状的点云骨骼。     

基于Kinect的点云配准方法

Kinect采集的点云存在点云数量大、点云位置有误差,直接使用迭代最近点(ICP)算法对点云进行配准时效率低.针对该问题,提出一种基于特征点法向量夹角的改进点云配准算法.首先使用体素栅格对Kinect采集的原始点云进行下采样,精简点云数量,并使用滤波器移除离群点.然后使用SIFT算法提取目标点云与待配准点云公共部分的特征点,通过计算特征点法向量之间的夹角调整点云位姿,完成点云的初始配准.最后使用ICP算法完成点云的精细配准.实验结果表明,该算法与传统ICP算法相比,在保证点云配准精度的同时,能够提高点云的配准效率,具有较高的适用性和鲁棒性.     

基于机载激光雷达点云的交互式树木分割与建模方法研究

机载激光雷达扫描(ALS)系统可大规模获取地表树木点云,有助于较高精度树木结构参数提取 和景观层面的几何重建,然而树木复杂的拓扑结构和树种的多样性给树木的准确分割与建模带来挑战。传统基 于点云的自动树木分割和建模算法虽然效率高,但存在分割误差较大、建模鲁棒性较差等问题,难以满足深度 学习大背景下用户对树木分割与建模结果进行精准标注的需求。针对 ALS 树点云密度低、点云缺失导致的自 动分割与建模困难等问题,提出一种基于高度图的交互式层次分割法用于从稀疏树点云中提取单棵树点云,然 后基于改进的空间殖民算法,通过交互式调节约束角度、删除阈值和影响半径等 3 个参数实现单棵树的重建。 实验结果表明,提出的交互式分割算法能够解决最小生成树和规范割等分割算法产生的误分割问题;提出的基 于改进空间殖民算法的交互式重建算法鲁棒性好,能够有效解决稀疏及缺失树点云的几何重建问题,且生成的 树模型能够较好地保留原始点云的特征。     

PointSkelCNN: Deep Learning-Based 3D Human Skeleton Extraction from Point Clouds

A 3D human skeleton plays important roles in human shape reconstruction and human animation. Remarkable advances have been achieved recently in 3D human skeleton estimation from color and depth images via a powerful deep convolutional neural network. However, applying deep learning frameworks to 3D human skeleton extraction from point clouds remains challenging because of the sparsity of point clouds and the high nonlinearity of human skeleton regression. In this study, we develop a deep learning-based approach for 3D human skeleton extraction from point clouds. We convert 3D human skeleton extraction into offset vector regression and human body segmentation via deep learning-based point cloud contraction. Furthermore, a disambiguation strategy is adopted to improve the robustness of joint points regression. Experiments on the public human pose dataset UBC3V and the human point cloud skeleton dataset 3DHumanSkeleton compiled by the authors show that the proposed approach outperforms the state-of-the-art methods.     

局部关联度最优的手写汉字骨架提取

目的 研究手写汉字图像时,骨架是最为常见的切入点之一。利用传统细化算法提取手写汉字骨架,容易在笔画交叉等情况复杂的区域产生形变。针对此问题,提出一种基于局部关联度的手写汉字骨架提取算法。方法 首先对手写汉字图像进行细化以获取原始骨架,按照端点、普通点和复杂点3种类别标注骨架点;利用8邻域窗口扫描相互连通的复杂点,检测并提取复杂区域;删除复杂区域,将原始骨架拆分为若干简单笔画段,形变部分在此过程中被一并移除;提取局部子段,根据笔画段间的方向差异程度和曲率变化程度,计算局部关联度;制定一种局部关联度最优的连接策略,对满足连接条件的笔画段进行插值补偿,从而修正形变,并得到完整的汉字骨架。结果 对于600个实验样本,从骨架直接检测复杂区域所得结果十分接近理想情况,而轮廓法所得数量是理论值的2.5倍;基于局部关联度重组笔画段,绝大多数形变得到修正,重组后的骨架符合真实拓扑结构;以标准骨架为参考,骨架提取准确率达到了98.41%。结论 局部关联度最优的手写汉字骨架提取算法,能够有效检测复杂区域,对形变具有良好的修正作用,提取所得骨架能够正确反映复杂笔画间的位置结构关系,是一种实用有效的骨架提取方法。     

Extraction of the Euclidean skeleton based on a connectivity criterion

The skeleton is essential for general shape representation. The commonly required properties of a skeletonization algorithm are that the extracted skeleton should be accurate; robust to noise, position and rotation; able to reconstruct the original object; and able to produce a connected skeleton in order to preserve its topological and hierarchical properties. However, the use of a discrete image presents a lot of problems that may influence the extraction of the skeleton. Moreover, most of the methods are memory-intensive and computationally intensive, and require a complex data structure.In this paper, we propose a fast, efficient and accurate skeletonization method for the extraction of a well-connected Euclidean skeleton based on a signed sequential Euclidean distance map. A connectivity criterion is proposed, which can be used to determine whether a given pixel is a skeleton point independently. The criterion is based on a set of point pairs along the object boundary, which are the nearest contour points to the pixel under consideration and its 8 neighbors. Our proposed method generates a connected Euclidean skeleton with a single pixel width without requiring a linking algorithm or iteration process. Experiments show that the runtime of our algorithm is faster than the distance transformation and is linearly proportional to the number of pixels of an image.     

基于多分辨率的快速迭代最近点配准算法

针对迭代最近点(Iterative Closest Point,ICP)算法计算时间长的问题,提出一种基于多分辨率配准点的ICP算法。使用自适应体素网格滤波器对原始点云进行多分辨率采样,利用低分辨率点云快速迭代获得两点云间初始变换矩阵;利用高分辨率点云在初始变换基础上做更精确配准。实验结果表明,该算法在配准精度基本不变的情况下,可以显著降低配准时间,且随着点云点数增加,速度提升效果越明显。